تصور کنید به‌جای کپی و چسباندن تکه‌های کد از چت‌بات، یک همکار دیجیتال داشته باشید که مستقیماً فایل‌های شما را ویرایش کرده و دستورات ترمینال را اجرا کند. این رویای «برنامه‌نویسی بدون دست» با انتشار DeepSeek Harness (dsh) در ۱۷ اوت ۲۰۲۶ به واقعیت نزدیک‌تر شد.
بسیاری از مدل‌های فعلی شبیه مغزهای بدون دست هستند؛ آن‌ها می‌توانند راهکار را پیشنهاد دهند اما توانایی اجرای آن را ندارند. برای حل این مشکل، صنعت به فرمولی رسیده است که در آن «عامل = مدل + هارنس». در اینجا مدل زبانی بزرگ (LLM) — مثل کتابخانداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — وظیفه پیش‌بینی توکن‌ها را دارد و «هارنس» (Harness) دسترسی به سیستم فایل و شل را فراهم می‌کند تا کار واقعاً انجام شود. این ساختار در واقع تکامل یافته‌ی رویکرد جدید DeepSeek برای توسعهٔ عامل‌های هوشمند است که بر پایه پلاگین‌های قابل تعویض بنا شده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی مدل به سیستم‌عامل همواره یک ریسک است، اما در اینجا بهره‌وری اولویت دارد. طبق مستندات dev.to، ابزار dsh بر پایه محیط اجرای Cordis ساخته شده و تحت لایسنس MIT منتشر شده است. این چارچوب برای هر مدلی قابل استفاده است، اما برای خانواده DeepSeek V4 بهینه شده است:
- DeepSeek V4 Pro: مدل استدلالی پرچم‌دار با پنجره متنی ۱ میلیون توکن.
- DeepSeek V4 Flash: جایگزینی سریع و ارزان برای کارهای سبک. جالب اینجاست که در برخی سناریوها، مدل V4-Flash در بنچمارک‌های عامل‌محور توانسته است حتی از نسخه Pro نیز پیشی بگیرد.
بر اساس گزارش‌های فنی، توسعه‌دهندگان می‌توانند با اجرای دستور npx @deepseek-ai/dsh web یک رابط کاربری وب در آدرس http://127.0.0.1:3080 راه‌اندازی کنند. این محیط اجازه می‌دهد جلسات موازی مدیریت شوند و مدل‌ها در هر جلسه تغییر کنند. پنل ابزارها شامل دسترسی به bash، خواندن و نوشتن فایل و جست‌وجوی وب است. برای درک عمیق‌تر از نحوه عملکرد این سیستم، می‌توان به بررسی معماری DeepSeek Harness و مدیریت قابلیت‌های مقیاس‌پذیر آن اشاره کرد.
برای یک برنامه‌نویس مستقل، این تغییر یعنی گذار از «پرامپت‌نویسی برای یافتن راهکار» به «نظارت بر یک کارگر». به‌جای درخواست کد، شما هدفی را تعیین می‌کنید — مثلاً «خلاصه‌ای از فایل README تهیه کن و در یک فایل موقت ذخیره کن» — و عامل (Agent) — شبیه دستیاری که ابزارهای مختلف را برای رسیدن به هدف جابه‌جا می‌کند — تا زمان رسیدن به نتیجه، بین ابزارها می‌چرخد.
این انتشار با حذف نیاز به فرآیندهای پیچیده کلون کردن یا بیلد، سد ورود به دنیای عامل‌محور را می‌شکند. چون dsh از پروتکل OpenAI پشتیبانی می‌کند، هر نقطه انتهایی (Endpoint) سازگار با OpenAI می‌تواند موتور استدلالی این کارگر محلی باشد.
گام بعدی شما
- نصب سریع ابزار با دستور npx برای تست قابلیت‌های ویرایش فایل در محیط محلی.
- دریافت کلید API رایگان از TeamoRouter برای اتصال به مدل‌های V4.
- تعریف یک هدف پیچیده (مانند بازنویسی مستندات پروژه) برای سنجش دقت استدلال مدل.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو