DeepSeek Harness: el rival open source de Claude Code

En pocas palabras: DeepSeek Harness (dsh) es un harness open source con licencia MIT que DeepSeek lanzó el 13 de agosto de 2026: convierte un modelo de lenguaje en un coding agent con archivos, herramientas y permisos, sumó 169.000 estrellas en GitHub en siete días y compite con Claude Code.

DeepSeek lanzó el 13 de agosto de 2026 DeepSeek Harness (dsh), un harness open source con licencia MIT que convierte un modelo de lenguaje en un coding agent funcional; en siete días el repositorio sumó unas 169.000 estrellas en GitHub, según el análisis de dev.to publicado el 20 de agosto de 2026.

DeepSeek Harness es una herramienta de DeepSeek AI que corre en tu máquina y le da a un modelo de lenguaje todo lo que necesita para trabajar como agente sobre tu código: qué archivos ve, qué herramientas puede llamar, qué acciones exigen tu aprobación y cómo se guardan las sesiones. Trae Web UI local, modo headless para CI y adaptadores para distintos proveedores de modelos, y VentureBeat ya lo presenta como el competidor open source de Claude Code.

Claude es un asistente de inteligencia artificial basado en un modelo de lenguaje grande, desarrollado por la empresa Anthropic. Fue lanzado en marzo de 2023 y está diseñado para generar texto, responder preguntas, analizar documentos y asistir en tareas de programación.

¿Qué es un agent harness y en qué se diferencia del modelo?

Un agent harness es la capa de software que transforma un modelo de lenguaje en un agente capaz de actuar sobre tu sistema: el modelo predice tokens, el harness maneja todo lo demás. Ese “todo lo demás” incluye qué contexto y qué archivos ve el modelo, qué herramientas puede invocar el agente, cómo se aprueban las escrituras de archivos y los comandos de shell, y cómo se guardan y reproducen las sesiones de varios pasos.

Ponele que le pedís al agente que arregle un test que viene fallando. El modelo razona sobre el error, pero alguien tiene que abrir el archivo, aplicar el parche, correr el test y decidir si sigue solo o te consulta antes. Ese alguien es el harness. Claude Code, Codex CLI y Gemini CLI son eso mismo, con una diferencia clave: cada uno viene atado al modelo de su propio proveedor.

La consecuencia práctica es grande. Dos agentes con el mismo modelo de base pueden dar resultados muy distintos si cambian el harness, las herramientas, la política de contexto y los permisos, y por eso un harness open source e inspeccionable cambia la ecuación para cualquiera que quiera entender y ajustar cómo trabaja su agente.

¿Cuándo salió DeepSeek Harness y qué números tiene el proyecto?

El lanzamiento oficial fue el 13 de agosto de 2026, junto con DeepSeek V4-Pro en la API, así que DeepSeek estrenó modelo y runtime de agente el mismo día. El código vive en deepseek-ai/deepseek-harness bajo licencia MIT, con un archivo THIRD_PARTY_NOTICES que detalla las dependencias de terceros.

Los números de adopción son del propio GitHub: unas 169.000 estrellas y 18.100 forks al 20 de agosto de 2026, o sea, una semana (que no es poco). ¿Alguien verificó esa tracción de forma independiente? Tampoco hace falta: las estrellas son públicas y contables, aunque una semana de hype no dice nada sobre la madurez del código. Cubrimos ese tema en detalle en nuestra guía completa sobre Claude.

Y acá viene la letra chica que conviene leer dos veces: dsh es un developer preview, y el README advierte que va a haber breaking changes. El proyecto más comentado de su semana de estreno te está diciendo, en criollo, que no lo pegues a producción todavía.

¿Cómo funciona la arquitectura “todo es un plugin” de dsh?

La apuesta técnica de dsh es que cada componente central es un plugin intercambiable sobre el microkernel Cordis, un diseño que el equipo documenta en el paper “A Programming Paradigm for Spatiotemporal Composability”. En un harness tradicional, el loop del agente, el cliente del modelo, las herramientas y el storage de sesiones viven en la misma app: tocás la configuración y poco más. Acá cada pieza se cambia o se extiende.

En la práctica, esto significa que podés:

• Cambiar el backend del LLM mediante adaptadores de modelo, sin tocar el resto del sistema.
• Agregar o reemplazar herramientas como edición de archivos, shell y búsqueda según lo que pida tu flujo.
• Elegir cómo se guardan y reproducen las sesiones, con persistencia y replay como componentes separados.
• Sustituir el loop del agente (decidir, actuar, observar) por una variante con políticas de aprobación más estrictas.

Los casos de uso se ven solos: un modelo distinto por tipo de tarea, herramientas limitadas para repositorios sensibles, aprobación manual obligatoria en proyectos regulados. Ahora, el costo honesto de tanta flexibilidad es que hay más superficie donde algo se rompe, sobre todo en preview, donde un plugin o una config puede dejar de funcionar después de una actualización. Fijá versiones y probá en sandbox antes de casarte con nada (sí, en serio).

¿Cómo instalar y empezar a usar DeepSeek Harness paso a paso?

El camino más corto es un comando: npx @deepseek-ai/dsh web levanta la Web UI local en http://127.0.0.1:3080, y con el flag –no-open evitás que se abra el navegador solo. Si preferís compilar desde el código, clonás el repositorio y lo construís con pnpm.

Después, el flujo básico es este:

• Configurá la API key en Settings. Las credenciales se guardan en $DSH_HOME/.credentials.yaml y el archivo de config principal solo guarda una referencia.
• Elegí el workspace. Es obligatorio: dsh necesita saber el alcance de archivos permitidos antes de arrancar la sesión.
• Mandá la tarea y aprobá con criterio. Cuando el agente quiera escribir un archivo o correr un comando de shell, la UI muestra el prompt según la política de permisos vigente. Revisá siempre el diff y el comando antes de aprobar.
• Usá profiles y modo headless para automatizar. Cada perfil vive en $DSH_HOME/profiles, y el modo headless corre una sesión única, imprime el resultado y sale, ideal para CI. Con –dump-default-config ves la configuración por defecto completa.

Levantás la UI, pegás la API key, elegís el workspace, le tirás una tarea, el agente quiere editar un archivo, te salta el prompt, revisás el diff, aprobás, sigue, quiere correr un comando de shell, otro prompt, y a los diez minutos te das cuenta de que pasaste más tiempo aprobando cosas que pensando, que es justo lo que tiene que pasar cuando el agente toca código que importa.

Un ejemplo real de headless: “revisá los tests que fallan y proponé correcciones”. Lo corrés desde un script, controlás vos los pasos de aprobación y consumís la salida como quieras. El modo headless es re piola para pipelines, y el detalle de que cada sesión registra el modelo con el que arrancó te permite cambiar de modelo entre proyectos sin corromper el historial. Lo explicamos a fondo en las diferencias entre Sonnet y Opus.

¿Qué modelos soporta dsh además de DeepSeek?

DeepSeek es el default y V4-Pro el modelo insignia del lanzamiento, pero los adaptadores de modelo son plugins, así que la pregunta correcta es qué proveedor no podés usar. El catálogo incluye Anthropic, OpenAI, Amazon Bedrock, Google Vertex y Azure.

La segunda vía son los endpoints compatibles con OpenAI, que agregás en $DSH_HOME/settings.yaml indicando la base URL, la variable de entorno para la API key y la lista de modelos. Ese camino te sirve para APIs de cloud, gateways internos y runtimes locales, y si usás el adaptador con un modelo self-hosted, puede que no tengas costo por token.

DeepSeek Harness vs Claude Code: ¿en qué se diferencian?

La diferencia de fondo es filosófica: Claude Code es un producto cerrado de Anthropic optimizado para funcionar bien desde el día uno, y dsh es un framework abierto con el que armás tu propio agente. La tabla resume el resto:

Criterio	DeepSeek Harness (dsh)	Claude Code
Licencia	MIT, open source	Propietaria
Modelos	Proveedores del catálogo, endpoints compatibles con OpenAI y modelos locales	Atado a modelos de Anthropic
Madurez	Developer preview, con breaking changes anunciados	Producto pulido, con permisos, revisión de diffs e integración IDE
MCP	No nativo en core; vía el plugin comunitario dsh-mcp-manager	Soporte integrado en el producto
Sesiones	Registro íntegro con replay y fork desde cualquier paso	Historial del producto, sin acceso al código del harness
Estrategia	Framework base para construir tus propios agentes	Experiencia cerrada de un solo proveedor

¿Quién gana? Depende de qué busqués. Si querés algo estable hoy, Claude Code zafa mejor: está pulido y tiene el respaldo del proveedor. Si querés inspeccionar el código, cambiar de modelo según la tarea o construir un producto de agentes encima, la jugada de dsh es más interesante. Y ojo con el dato de las sesiones: que el historial completo sea tuyo, con replay y fork desde cualquier paso, es un golazo difícil de replicar en productos cerrados.

¿Es seguro usar DeepSeek Harness en tu código?

La seguridad de dsh se apoya en dos patas: la política de permisos que configures y la disciplina con la que apruebes acciones. El workspace obligatorio delimita qué archivos puede tocar el agente, y cada escritura o comando de shell pasa por un prompt de aprobación. La regla de oro no cambia: jamás aprobar sin leer el diff.

Los riesgos reales están en otro lado. Primero, es un developer preview con breaking changes a la vista. Segundo, y más delicado, el ecosistema comunitario creció a una velocidad absurda: en la primera semana ya aparecieron deepseek-harness-desktop (un wrapper en Tauri para Windows), dsh-context y dsh-vision-router (extensión de contexto y routing), y dsh-mcp-manager, que agrega servidores MCP remotos por HTTP y locales por stdio con OAuth y static tokens. Son proyectos de la comunidad, de DeepSeek no son, y varios piden acceso a tus API keys. ¿Los auditaste antes de instalar? Si la respuesta es no, no los instales. Relacionado: cómo usar Claude en Make.com sin API key.

Mi recomendación, después de años viendo estos ciclos: auditar el código de cualquier plugin antes de darle credenciales, fijar versiones, testear en sandbox y arrancar por repositorios que no duelan si algo sale mal.

¿Conviene probar DeepSeek Harness ahora o mejor esperar?

Depende de tu tolerancia al riesgo y de qué busqués: hay cuatro perfiles para los que probarlo hoy tiene sentido y tres señales claras de que conviene esperar. Si creés que esto es la “revolución” de los agentes, bajemos un cambio: es un preview con breaking changes, ni más ni menos. Dicho esto, probalo ahora si te encontrás en alguno de estos casos:

• Querés estudiar cómo funciona un agent harness por dentro. Código real, MIT, inspeccionable de punta a punta.
• Necesitás flexibilidad de modelos. Cambiar según la tarea o usar modelos self-hosted es el punto fuerte del diseño.
• Te tienta crear plugins en un ecosistema nuevo. Llegar temprano es una oportunidad real para quien construye herramientas.
• Ya usás la API de DeepSeek. La experiencia first-party con V4-Pro es el caso de uso pensado para el lanzamiento, y el descuento off-peak de V4-Pro ahora es permanente, según anunció DeepSeek.

Esperá, en cambio, si:

• Tu workflow de producción no tolera sorpresas. Breaking changes de config o plugins son un riesgo real en preview.
• Pasás por security review formal. Sin vendor support ni historial de estabilidad, el proceso se complica.
• Valorás una UX madura. Claude Code lleva tiempo de calle; dsh arranca.

En costos, el harness es gratis (licencia MIT) y lo que pagás son los tokens según el proveedor que configures. La estrategia intermedia que recomiendo es la de siempre: dejá tu agente actual en producción y probá dsh en un side project o un repositorio aislado. Cuando entiendas su comportamiento, su modelo de permisos y los plugins que necesitás, ahí decidís si migra al flujo principal.

¿Qué está confirmado y qué todavía no?

Casi todo lo relevante está documentado en fuentes primarias; lo que falta confirmar son los plazos y la estabilidad. Arranco por lo que ya es público y verificable:

• El lanzamiento del 13 de agosto de 2026 junto con DeepSeek V4-Pro en API.
• La licencia MIT y el repositorio deepseek-ai/deepseek-harness con sus THIRD_PARTY_NOTICES.
• La tracción de una semana: ~169.000 estrellas y 18.100 forks al 20 de agosto de 2026.
• El estado de developer preview, con el aviso de breaking changes en el README.
• El catálogo de proveedores: Anthropic, OpenAI, Bedrock, Vertex, Azure y endpoints compatibles con OpenAI.

Pendiente o sin confirmar:

• MCP nativo en el core. Hoy se usa vía el plugin comunitario dsh-mcp-manager; no hay anuncio de integración nativa.
• Fecha de versión estable. Nadie anunció cuándo sale la 1.0 ni cuándo se cierra la etapa de preview.
• Estabilidad de los plugins comunitarios. Los wrappers y extensiones de la primera semana no tienen garantías de mantenimiento.

Errores comunes al usar dsh (y cómo evitarlos)

Después de ver cómo la gente adopta herramientas así, estos son los tropiezos que se repiten:

• Aprobar acciones sin revisar. El agente genera código según lo que entiende de tu codebase y tus especificaciones; si tu API no coincide con la spec, construye sobre un contrato equivocado y el problema aparece en runtime. Revisá cada diff y cada comando, siempre.
• Enganchar producción a un preview sin fijar versiones. El README avisa que habrá breaking changes: si no fijás versiones y testeás en sandbox, una actualización puede romper tus plugins o tu config de un día para el otro.
• Instalar plugins comunitarios sin auditarlos. Son código de terceros que puede acceder a tus API keys. Leé el source antes de dar credenciales, igual que harías con cualquier dependencia nueva.
• Asumir que dsh es solo para modelos DeepSeek. Los adaptadores son plugins: si tu equipo vive en Anthropic u OpenAI, dsh igual te sirve como harness. Descartarlo por ese malentendido es un error caro.

Preguntas Frecuentes

¿Qué es DeepSeek Harness y para qué sirve?

DeepSeek Harness (dsh) es un agent harness open source de DeepSeek AI que convierte un modelo de lenguaje en un coding agent: le da acceso a archivos, herramientas de edición y shell, control de permisos y sesiones persistentes con replay. Sirve para que un LLM trabaje sobre tu repositorio de forma controlada, y salió el 13 de agosto de 2026 con licencia MIT. Ya lo cubrimos antes en las capacidades y precios de Opus.

¿DeepSeek Harness es gratis o hay que pagar?

El harness es gratis y open source bajo licencia MIT. Lo que se paga son los tokens del modelo que uses, según el proveedor de API que configures; si conectás un modelo self-hosted vía adaptador, el costo por token puede ser cero.

¿Se puede usar DeepSeek Harness con Claude, GPT u otros modelos?

Sí. DeepSeek es el default, pero dsh incluye proveedores del catálogo como Anthropic, OpenAI, Amazon Bedrock, Google Vertex y Azure, y acepta cualquier endpoint compatible con OpenAI desde $DSH_HOME/settings.yaml.

¿DeepSeek Harness reemplaza a Claude Code?

Todavía no. Es un developer preview con breaking changes anunciados, mientras Claude Code es un producto maduro con integración IDE y respaldo del proveedor. La apuesta de dsh es distinta: ser un framework base open source sobre el cual construir tus propios agentes sin quedar atado a un proveedor.

¿Es seguro usar DeepSeek Harness en mi repositorio de código?

Depende de tu configuración: dsh exige elegir un workspace antes de cada sesión y pide aprobación antes de escribir archivos o correr comandos. Los riesgos concretos están en los plugins comunitarios (código de terceros con acceso potencial a tus API keys) y en la inestabilidad del preview. Empezá por repositorios no críticos.

Conclusión

El cambio de esta semana es concreto: el harness, la pieza que decide qué puede y qué no puede hacer un modelo, pasó a ser open source e inspeccionable, con 169.000 estrellas de respaldo comunitario en siete días. Para los que construimos con estas herramientas a diario, eso abre algo que los productos cerrados no dan: ver y tocar cada pieza del loop.

¿Que está verde? Sí, y lo dicen ellos mismos. Mi plan, y el que te recomiendo: probá dsh en un repo aislado con la API de DeepSeek o con el modelo que ya uses, fijá versiones, y no toques producción hasta que el proyecto salga de preview. El ecosistema de plugins va a moverse rápido, y llegar ahora, con criterio, te deja aprender el terreno antes que el resto.

Fuentes

• Repositorio oficial de DeepSeek Harness en GitHub
• dev.to – Guía completa de DeepSeek Harness (20 de agosto de 2026)
• Gate.com – DeepSeek open-sourcea Harness v0.1 bajo licencia MIT