DeepSeek Harness: Bukan Sekadar Claude Code-nya DeepSeek, Tapi Fondasi Modular untuk AI Agent

Q: DeepSeek Harness: Bukan Sekadar Claude Code-nya DeepSeek, Tapi Fondasi Modular untuk AI Agent

DeepSeek merilis DeepSeek Harness (dsh), agent harness open source MIT di mana semua komponen — model, tools, sesi, sandbox, hingga UI — adalah plugin yang bisa diganti. Ini bukan sekadar tiruan Claude Code.

DeepSeek Tidak Lagi Hanya Jual Model

Pada 13 Agustus 2026, DeepSeek melakukan sesuatu yang tidak biasa: merilis perangkat lunak yang bukan model. DeepSeek Harness (disingkat dsh) adalah agent harness open source berlisensi MIT — lapisan perangkat lunak yang berdiri di antara model AI dan dunia nyata, mengatur prompt, tool, memori sesi, sandbox, sampai loop kerja agent. Rilis ini datang bersamaan dengan versi resmi DeepSeek-V4-Pro, dan dalam waktu kurang dari dua hari, repositori GitHub-nya sudah dikunjungi lebih dari seratus ribu developer.

Buat yang mengikuti industri AI, ini bukan sekadar berita rilis. Ini sinyal bahwa medan kompetisi sedang bergeser: dari siapa yang punya model terpintar, menjadi siapa yang menguasai lapisan tempat model itu bekerja. The Register bahkan membingkainya sebagai bukti “laboratorium AI China bergerak maju sementara lab Amerika bermain bertahan”.

Pertanyaan besarnya: apa sebenarnya DeepSeek Harness ini, dan apakah layak dipakai? Jawaban singkatnya, ia adalah fondasi modular untuk membangun AI agent — bukan sekadar “Claude Code versi DeepSeek”. Benang merah itu yang akan kita telusuri sepanjang artikel ini.

Apa Itu DeepSeek Harness?

DeepSeek Harness adalah kerangka kerja agent open source yang dikembangkan DeepSeek AI, dengan satu filosofi: Everything is a Plugin. Model, tools, skills, sesi, sandbox, sistem file, loop agent, penjadwalan, sampai antarmuka web — semuanya diimplementasikan sebagai plugin yang bisa dicampur, diganti, dan diperluas lewat file konfigurasi, tanpa menyentuh kode inti.

Konsep ini bukan jargon pemasaran. Di halaman resminya, DeepSeek memperkenalkan rumus sederhana:

Agent = Model + Harness

Model adalah “jiwa” dari agent, tapi tanpa harness, model tidak bisa memahami lingkungannya, memakai tools, atau terus bekerja di dunia nyata. Harness-lah yang memberi semua kemampuan itu. Claude Code adalah harness untuk model Claude, Codex adalah harness untuk model GPT. Sekarang DeepSeek punya harness sendiri, dengan satu perbedaan besar: ia dirancang agar bisa dipakai dengan model apa pun, termasuk model kompetitor.

Beberapa fakta dasar soal dsh: statusnya masih developer preview, dan README-nya secara eksplisit memperingatkan akan ada perubahan yang memecah kompatibilitas. Lisensinya MIT, jadi bebas dipakai dan dimodifikasi. Cara termudah menjalankannya adalah npx @deepseek-ai/dsh web, yang membuka Web UI di http://127.0.0.1:3080 — butuh Node.js, tapi ada juga Python SDK (deepseek-harness-sdk) dengan runtime yang sudah di-bundle, jadi pengguna Python tidak perlu menginstal Node. Paket npm-nya sudah terbit sejak 10 Agustus sebagai 0.1.0-rc.6, sebelum pengumuman publik. Minatnya luar biasa: lebih dari 107 ribu bintang GitHub dalam dua hari (saya cek langsung lewat API GitHub pada 15 Agustus), sekitar 725 poin di Hacker News, dan 316 proyek plugin komunitas sudah terindeks di topik dsh-plugin.

Cara Kerja: Cordis dan Filsafat “Semua Bisa Dilepas”

Di balik dsh ada Cordis, framework plugin yang dikembangkan komunitas cordiverse sejak 2022 — jauh sebelum DeepSeek mengadopsinya. Desainnya dijelaskan dalam paper berjudul A Programming Paradigm for Spatiotemporal Composability karya Yifan Shi, Wei Zhang, dan Tianyi Cui, dan intinya ada dua.

Pertama, temporal composability: plugin bisa dilepas kapan saja, dan efeknya ikut hilang bersih. The Register membandingkannya dengan VS Code, yang menjalankan semua extension di satu “extension host” — kalau mau menghapus extension, host-nya harus di-restart. Cordis tidak begitu. Untuk sistem yang berubah terus-menerus tanpa pengawasan manusia, ini berarti tidak ada restart paksa dan tidak ada crash karena komponen muncul-hilang. Kedua, spatial composability: plugin bisa mendeklarasikan dependensi ke plugin lain, dan Cordis yang mengurus pengelolaannya.

Di atas Cordis, DeepSeek menyusun arsitektur berlapis: profile (komposisi bernama, misalnya web dan headless), bundle (format distribusi untuk baris konfigurasi), dan lapisan patch tempat pengguna menimpa konfigurasi. Struktur yang benar-benar berjalan di mesin Anda bisa dilihat dengan dsh --profile web --dump-config — dan setiap baris di dalamnya bisa diganti dengan patch sendiri.

Cara kerja internalnya juga menarik. Agent bekerja dalam step (satu permintaan model plus tool yang dipanggilnya) dan turn (kumpulan step sampai pekerjaan tuntas). Setiap kejadian penting dicatat ke dalam session log yang append-only — ini sumber kebenaran tunggal. Riwayat percakapan yang dilihat model tidak disimpan terpisah, melainkan diturunkan dari log itu, bahkan ada invariant ketat di kode: apa pun yang terlihat model harus bisa direkonstruksi dari log (model-visible means logged).

Dari sinilah lahir fitur paling khas dsh: keterlacakan penuh. Di Web UI ada Trajectory View yang menampilkan semua yang dilihat model — system prompt, reasoning, hasil tool call, penjadwalan subagent, hingga setiap injeksi konteks — dan semuanya bisa di-resume, di-fork, dicari, dan diputar ulang dari event stream yang sama. Fitur seperti ini jarang diekspos selengkap itu oleh kompetitor.

Fitur Unggulan

Skills

Skills adalah instruksi opsional yang bisa dimuat model sesuai kebutuhan, mirip konsep di Claude Code. Cakupannya berlapis: skills milik proyek (dari .dsh/skills atau .agents/skills di root git), skills milik user, sampai yang di-bundle. Model bahkan bisa menulis dan mengedit skills sendiri lewat tool skill.

Subagent dan Multi-Agent

Agent bisa mendelegasikan pekerjaan ke agent anak, dan di sinilah dsh beda dari kebanyakan pesaing: ada enam provider subagent yang bisa dipilih — spawn in-process, fork sesi, ACP (Agent Client Protocol), Codex, Claude Code, dan SDK. Dua yang terakhir memang nonaktif di preset bawaan, tapi tinggal diaktifkan lewat konfigurasi. Ada juga subagent “continuable”: agent anak berjalan di background sebagai sesi yang tahan lama, dan orang tua bisa mengirim pesan, menginterupsi, atau melihat daftar agent yang sedang hidup lewat send_message, interrupt_agent, dan list_agents. Delegasi pun bisa dibatasi — kedalaman maksimal, tool yang boleh dipakai, sampai persona khusus untuk agent anak.

Tool Execution: Shell, Filesystem, Web

Preset standar membawa bash (atau pwsh di Windows), editor file (edit, read, write, str_replace_editor), pencarian (glob, grep dengan ripgrep yang di-bundle), web search dan web fetch, background jobs, terminal persisten, LSP, sampai run_code yang mengeksekusi program TypeScript. Web search default memakai layanan DeepSeek sendiri, tapi provider-nya bisa diganti — ada dukungan Exa, misalnya.

Sesi yang Bisa Hidup Kembali

Semua sesi disimpan sebagai log JSONL yang bisa di-resume, di-fork ke cabang baru, dicari, dan diputar ulang. Ada kompaksi konteks otomatis, token meter, dan mekanisme “spill” untuk hasil tool yang besar. Buat pekerjaan yang berlangsung berhari-hari, ini sangat berharga: pekerjaan tidak hilang saat proses dihentikan.

MCP

Plugin @deepseek-ai/dsh-mcp-client menghubungkan server MCP eksternal (transport stdio atau streamable-http) dan mendaftarkan tool-nya sebagai tool native dengan nama mcp__nama_server__nama_tool — bentuk yang sama seperti di Claude Code dan Codex.

Workflow, Goals, dan Scheduling

Agent bisa menulis skrip orkestrasi JavaScript yang memunculkan subagent, dijalankan di worker thread terpisah. Ada tool goal (create_goal, get_goal, update_goal) untuk objektif jangka panjang dalam satu sesi, lengkap dengan fase aktif, dijeda, terblokir, dan selesai — operasi tertentu seperti membuat atau mengedit goal butuh otoritas manusia langsung. Ada juga tool scheduling (schedule_create, schedule_list, schedule_delete) untuk pengingat dalam sesi, walau masih opt-in lewat overlay eksperimental.

Keamanan

Bagian yang sering dilupakan ini justru digarap serius. Ada sandbox proses dengan tiga mode — read-only, workspace-write, dan danger-full-access — yang di Linux memakai bwrap/Landlock, di macOS Seatbelt, dan di Windows restricted-token ACL. Sistem approval-nya fail-closed: mode ask untuk interaktif, never untuk CI/unattended yang menolak semua permintaan secara deterministik. Kredensial disimpan write-only. Yang menarik, repo ini bahkan mempublikasikan direktori postmortem internal — catatan kegagalan seperti insiden Landlock yang salah klasifikasi. Transparansi semacam ini langka di produk komersial.

Empat Mode: Dari Agen Koding Lengkap sampai “Buat Agenmu Sendiri”

dsh hadir dengan empat preset agent, dan perbedaan antar-mode inilah kunci memahami posisinya:

Mode	Isi	Buat Siapa
Standard	Agen koding lengkap: edit file, shell, pencarian file & web, skills, planning, goals, subagents, workflows	Developer yang butuh “Claude Code-nya DeepSeek” siap pakai
Code	Semua kemampuan Standard, tapi tools diekspos lewat Code Mode SDK — model menulis satu program TypeScript yang memanggil banyak tool sekaligus	Skenario yang butuh efisiensi: satu round trip menggantikan lima
Minimal	Hanya dua tool: `bash` persisten dan `str_replace_editor`, tanpa kompaksi	Benchmarking model, lingkungan terkontrol, penelitian
Creator	Semua kemampuan Standard + tool `cordis_*` untuk inspeksi runtime, eksperimen plugin, dan panduan menulis preset baru	Orang yang ingin membangun agent custom di atas dsh

Minimal mode layak disorot karena DeepSeek sendiri memakainya untuk benchmark. Di tabel benchmark V4-Pro-0813, hasil untuk task koding publik diuji menggunakan DeepSeek Harness dalam minimal mode. Artinya angka-angka agent itu bukan murni kemampuan model — itu hasil model di dalam harness tertentu. Ini justru bukti filosofi dsh: harness adalah variabel yang bisa diukur dan diganti.

Creator mode (di kode bernama cordis) adalah pembeda terbesar. Agent di mode ini bisa membaca runtime tempat ia berjalan, memasang plugin eksperimental di memori, lalu melepasnya lagi. Dokumentasinya jujur soal risikonya: sesi di mode ini setara dengan akses shell, karena agent bisa menulis preset baru yang nanti dipakai sesi lain. Fitur ini bukan untuk semua orang, tapi ia menunjukkan paling jelas bahwa dsh dirancang sebagai platform pembuat agent, bukan produk jadi.

Model Apa Saja yang Bisa Dipakai?

dsh tidak terkunci ke model DeepSeek. Katalog bawaan mencakup DeepSeek (dengan deepseek-v4-flash sebagai default), Anthropic, dan OpenAI. Ada juga dukungan native untuk Bedrock (AWS), Vertex (Google Cloud), Azure OpenAI, dan Codex dengan kredensial masing-masing. Yang lebih menarik, ada opsi custom provider: endpoint OpenAI-compatible apa pun — gateway perusahaan, server self-hosted, atau model lokal yang mengekspos API OpenAI — cukup isi base URL dan protokolnya.

Jadi secara teknis, dsh bisa menjalankan agent berbasis Claude, GPT, Gemini (lewat Vertex atau endpoint compatible), atau model lokal: satu fondasi, banyak model. Ini kontras tajam dengan Claude Code yang pada praktiknya terikat ke keluarga Claude, dan Codex yang terikat ke model OpenAI.

Use Case Nyata

Untuk coding dan refactoring repo, Standard mode dengan plan mode, todo, dan subagent sudah memberi alur kerja yang selama ini terbukti di Claude Code — sekarang dengan model DeepSeek yang jauh lebih murah. Untuk research dan analisis, web search, web fetch, dan session log yang bisa diputar ulang membuat audit jejak kerja jadi mungkin: apa yang dilihat model, kapan, dari sumber mana. Untuk automation, ada dsh --profile headless "task" untuk satu pekerjaan tanpa server, Python SDK + JSON-RPC untuk pipeline yang dipanggil dari program, dan ACP server yang bisa di-drive oleh agent lain. Untuk multi-agent, ada subagent continuable di background, orkestrasi via workflow script, atau delegasi ke Codex dan Claude Code sebagai backend. Terakhir, buat yang ingin membangun produk sendiri: Creator mode plus preset copy memungkinkan Anda membuat profil agent khusus tim dan membagikannya.

Kelebihan dan Kekurangan

Kelebihan dsh ada di arsitekturnya: modularitas total tanpa “inti yang harus di-patch”, model-agnostic, keterlacakan penuh, lisensi MIT, sandbox lintas-OS dengan approval fail-closed, subagent yang bisa didelegasikan ke produk lain, Python SDK, MCP client, dan ekosistem plugin yang mulai tumbuh.

Kekurangannya juga jujur perlu disebut: masih developer preview dengan breaking changes yang dijamin terjadi, belum ada benchmark resmi untuk harness itu sendiri (BENCHMARK.md di repo hanya berisi instruksi, bukan angka), belum ada release atau tag resmi di GitHub, dokumentasi sangat teknis dan berorientasi contributor, tidak ada layanan managed — semuanya self-host — integrasi GitHub seperti PR workflow belum jadi, minimal mode berjalan tanpa sandbox (akses penuh ke sistem file), dan ekosistem komunitas masih sangat muda.

Perbandingan dengan Kompetitor

VentureBeat, yang meliput rilis ini, memberi kerangka yang pas: dsh adalah “alternatif open source dan model-agnostic terhadap infrastruktur agent di balik Claude Code dan Codex — belum menjadi pengganti penuh untuk pengalaman developer kedua produk itu.”

Dimensi	DeepSeek Harness	Claude Code	OpenAI Codex
Pilihan model	DeepSeek, Anthropic, OpenAI, lokal	Terutama Claude	Terutama OpenAI
Lisensi	MIT (open source)	Komersial	CLI open source, cloud proprietary
Ekstensibilitas	Luar biasa: hampir semua komponen bisa diganti	Kuat: skills, hooks, MCP	Kuat: skills, MCP, SDK
Agent background ter-manage	Belum terdokumentasi	Ya	Ya
Workflow GitHub native	Belum jadi	Ya (issue-to-PR, review)	Ya (cloud tasks, PR fix)
Antarmuka	Web UI lokal, headless, Python SDK	Terminal, IDE, desktop, mobile	CLI, IDE, desktop, cloud
Kematangan	Developer preview	Produk komersial matang	Produk komersial matang

Di luar dua raksasa itu ada pembanding lain. OpenHands adalah platform agent open source yang lebih berorientasi riset. Cline populer sebagai extension VS Code. Aider memakai system prompt super minimal — sekitar 200 token, kontras dengan Claude Code yang dulu sekitar 10.000 token sebelum dipangkas 80%. Lalu ada LangGraph, yang posisinya menarik: ia library Python untuk membangun agent secara terprogram, bukan produk harness. dsh menempati ruang yang hampir sama dengan LangGraph sebagai kerangka kerja, tapi dengan produk siap pakai di atasnya — Web UI, preset, tools — dan filosofi plugin di level komponen.

Satu catatan dari The Register yang relevan: penelitian menunjukkan performa dan biaya model sangat bervariasi tergantung harness yang dipakai. Armin Ronacher, pembuat agent Pi yang memakai system prompt super minimal, menyambut dsh dengan hangat: “Saya tidak berpikir DeepSeek Harness sempurna, tapi ini pertama kalinya saya melihat sesuatu yang baru di ruang ini dan merasa terinspirasi untuk meninjau ulang pilihan kami.”

Production Readiness: Jujur, Belum

Jawaban jujurnya: belum siap production untuk skala enterprise, tapi sudah bisa dipakai serius sekarang. Belum ada versi stabil — yang terbaru 0.1.0-rc.6 — dan peringatan breaking changes ada di kalimat pertama README. Tidak ada SLA, tidak ada dukungan resmi, tidak ada release binary yang ditandatangani. Kalau Anda memakainya di production hari ini, Anda harus siap memelihara sendiri dan mengikuti perubahan API.

Tapi untuk individu, tim kecil, atau perusahaan yang ingin menguasai lapisan agent-nya sendiri, dsh sudah bisa dipakai untuk pekerjaan nyata — asalkan workspace di-backup dan tidak menggantungkan diri pada fitur yang belum stabil. Perlu dicatat juga: harga API DeepSeek naik tajam mulai 16 Agustus dengan sistem peak/off-peak; Reuters melaporkan kenaikan 50% hingga lebih dari 1.100% untuk kategori tertentu. Untungnya, karena dsh open source dan model-agnostic, Anda bisa menjalankannya dengan model lain jika biaya API DeepSeek menjadi masalah.

Implikasi: Kompetisi AI Berpindah Lapisan

Rilis ini penting karena tiga hal. Pertama, DeepSeek yang selama ini dikenal sebagai pembuat model murah sekarang bersaing di lapisan perangkat lunak. Kedua, dengan menjadikan semuanya plugin dan model-agnostic, DeepSeek memposisikan diri bukan sebagai pemilik ekosistem tertutup, melainkan penyedia infrastruktur terbuka tempat kompetitor pun bisa berjalan. Ketiga, ekspos chain-of-thought dan trajectory penuh — sesuatu yang sengaja disembunyikan OpenAI dan Anthropic — bisa menjadi diferensiasi strategis: DeepSeek membiarkan Anda melihat dan mengaudit apa yang sebenarnya dilakukan agent Anda.

Bagi developer Indonesia, ini peluang yang bagus: fondasi agent kelas frontier, open source, berlisensi MIT, bisa dijalankan dengan model murah atau model lokal — tanpa perlu menunggu izin vendor mana pun.

Kesimpulan

Kembali ke pertanyaan di judul: apakah DeepSeek Harness hanya “Claude Code versi DeepSeek”? Tidak. Claude Code adalah produk jadi; DeepSeek Harness adalah kit untuk membangun produk semacam itu, dan salah satu preset bawaannya (Standard) memang meniru fitur Claude Code. Buktinya ada di mana-mana: ia model-agnostic, punya Minimal mode untuk benchmarking, Creator mode untuk menulis agent baru, ACP dan Python SDK untuk di-drive dari luar, dan bisa mendelegasikan pekerjaan ke Claude Code atau Codex sebagai backend. DeepSeek tidak membangun pesaing Claude Code; ia membangun fondasi tempat para pesaing — termasuk miliknya sendiri — bisa dibangun.

Lima kelebihan utama:

Semua komponen adalah plugin yang bisa diganti dari konfigurasi — tidak ada vendor lock-in di level arsitektur.
Model-agnostic: DeepSeek, Anthropic, OpenAI, Azure, Vertex, hingga endpoint lokal.
Keterlacakan penuh: trajectory, resume, fork, replay dari satu event stream.
Lisensi MIT, open source, tanpa biaya lisensi.
Keamanan serius: sandbox lintas-OS, approval fail-closed, postmortem publik.

Lima kelemahan utama:

Developer preview — breaking changes dijamin terjadi.
Belum ada benchmark resmi untuk harness itu sendiri.
Tidak ada layanan managed, belum ada release resmi, ekosistem masih muda.
Dokumentasi sangat teknis; kurva belajar curam untuk non-developer.
Fitur produk jadi seperti PR workflow GitHub dan background agent ter-manage belum ada.

Siapa yang cocok: developer dan tim yang ingin membangun agent sendiri di atas fondasi open source, peneliti yang butuh lingkungan benchmarking terkontrol, dan perusahaan yang ingin keluar dari lock-in ekosistem coding agent tertutup. Kurang cocok untuk yang mencari produk siap pakai seperti Claude Code atau yang butuh dukungan enterprise.

Layak production? Belum untuk workload kritis yang butuh stabilitas API — tapi layak dipakai serius sekarang dengan ekspektasi maintenance.

Alternatif terbaik: kalau butuh produk matang siap pakai, Claude Code atau Codex CLI. Kalau butuh open source dengan ekosistem lebih dewasa, OpenHands atau Cline. Kalau butuh kontrol programatik penuh di Python, LangGraph.

Current Score: 6.5/10 — arsitektur dan visinya luar biasa, tapi masih developer preview dengan ekosistem muda. Potential Score: 9/10 — jika DeepSeek konsisten mengeksekusi, ini bisa menjadi standar terbuka untuk lapisan agent.

Sumber

Primer:

Repo GitHub DeepSeek Harness — README, source code, docs, preset agent, tool catalog
Halaman resmi DeepSeek Harness — konsep “Agent = Model + Harness” dan “Everything is a Plugin”
Dokumentasi arsitektur dsh
Dokumentasi providers (dukungan model)
Panduan Python SDK
Paper Cordis: A Programming Paradigm for Spatiotemporal Composability
Framework Cordis

Independen:

Catatan metodologi: seluruh klaim teknis diverifikasi dari source code dan dokumentasi repo (revisi 15 Agustus 2026). Angka benchmark V4-Pro-0813 adalah angka yang dilaporkan sendiri oleh DeepSeek, diuji menggunakan Harness minimal mode. Angka bintang GitHub dan versi npm dicek langsung pada 15 Agustus 2026 dan akan berubah seiring waktu.