Схоже, наступні великі змагання в AI вже будуть не тільки між моделями, а й між агентними системами (harness).

DeepSeek викотили [DeepSeek Harness](https://github.com/deepseek-ai/deepseek-harness)⁠ для розробників і одразу відкрили код під ліцензією MIT.

У чому головна ідея їхньої агентної системи? Майже все в системі є плагіном. Побудували це поверх Cordis. Якщо зовсім просто, Cordis — це каркас, який дозволяє збирати агентну систему як конструктор із незалежних деталей. Тобто DeepSeek не зашиває логіку агента намертво в один продукт, а робить її модульною.

Бо Claude Code, Codex, Cursor та інші рішення — це також про harness, але закритий. Ми не знаємо, який контекст отримує модель, які інструменти їй доступні, скільки разів вона звертається до моделі, як стискається історія, як запускаються підзадачі й коли агент вирішує продовжувати роботу.

Як ми знаємо з проходження ARC AGI 3 тесту GPT 5.6 моделлю, harness впливає не тільки на досягнення результату, а й на кількість витрачених токенів по дорозі.

[Composio](https://x.com/composio/status/2086814488162972027?s=46&t=TzksdWDU4YgIPS7Vwk4ezw)⁠ нещодавно порівняли кілька таких систем, і в їхньому тесті Claude Code виявився найбільш прожерливим.

Один тест, звісно, нічого не доводить. Але я останнім часом спостерігаю цікаву річ і у власній роботі. Модель у Claude Code я не змінював від моменту виходу Sonnet 5. Але кожен раз після оновлень самого Claude Code один і той самий нічний сценарій може зʼїдати 8–12% мого денного ліміту. При цьому сам сценарій кардинально не змінюється.

Тому я роблю ставку все-таки на harness. А реліз DeepSeek є цікавим саме тим, що можна подивитися зсередини, як працюють агентні системи.

[imatrof.com](https://imatrof.com/) | [youtube](https://youtube.com/@imatrof)