اگر قصد دارید عاملی بسازید که در محیط‌های واقعی زنده بماند، داشتن یک مدل قدرتمند کافی نیست؛ شما به یک پوستهٔ عملیاتی مستحکم نیاز دارید. در ۱۳ اوت ۲۰۲۶، شرکت DeepSeek AI پیش‌نمایش توسعه‌دهندگان DeepSeek Harness (dsh) را منتشر کرد تا «روح» عامل (مدل) را از قابلیت‌های فیزیکی آن جدا کند.
بسیاری از چارچوب‌های فعلی به‌دلیل صلب بودن، توسعه‌دهندگان را مجبور می‌کنند ادغام ابزارها به‌صورت سخت‌افزاری (Hard-code) تعریف کنند. DeepSeek Harness این مشکل را با تبدیل هر قابلیت — از محیط‌های ایزوله (Sandbox) و زمان‌بندی گرفته تا رابط کاربری — به یک پلاگین حل می‌کند. این رویکرد به توسعه‌دهندگان اجازه می‌دهد به‌جای بازنویسی موتور اصلی، توابع خاص را از طریق فایل‌های پیکربندی تعویض یا گسترش دهند. این استراتژی در واقع تکامل همان رویکرد جدید دیپ‌سیک برای توسعهٔ عامل‌های هوشمند است که بر محوریت پلاگین‌های قابل تعویض استوار است.
در قلب این معماری، هسته Cordis (Cordis kernel) قرار دارد که مدیریت نصب، حذف و وابستگی‌های این پلاگین‌ها را بر عهده دارد. طبق مستندات رسمی در وب‌سایت deepseek.com، این سیستم بر اساس پارادایم برنامه‌نویسی «ترکیب‌پذیری زمانی-مکانی» ساخته شده است. قابلیت‌های کلیدی که به‌صورت پلاگین ارائه می‌شوند عبارت‌اند از:
- زیرساخت‌های اصلی: مدل‌ها، جلسات و حافظه.
- اجرا: محیط‌های ایزوله، حلقه‌ها و زمان‌بندی.
- رابط: اجزای سفارشی UI و سرویس‌های رویدادمحور.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، جداسازی لایه‌های اجرایی از هستهٔ مدل، ریسک‌های عملیاتی را کاهش می‌دهد. برای توسعه‌دهندگان، این یعنی سدِ تکرار و بهبود رفتار عامل به‌شدت پایین آمده است. شما می‌توانید یک پلاگین حافظه جدید یا یک حلقه زمان‌بندی متفاوت را بدون به خطر انداختن پایداری کل عامل آزمایش کنید. این انعطاف‌پذیری در لایه‌ی اجرایی، مکمل پیشرفت‌های مدل‌های پایه است؛ برای مثال، جهش توانایی کدنویسی در نسخه‌های جدید اکنون با زیرساختی بهینه‌تر برای اجرا همراه شده است. با این حال، به نقل از تیم توسعه، به‌دلیل قرار داشتن پروژه در فاز پیش‌نمایش، احتمال تغییرات ساختاری که سازگاری نسخه‌های قبلی را از بین می‌برد، وجود دارد.
این چرخش به سمت یک «هارنس» کاملاً ماژولار نشان می‌دهد که صنعت در حال فاصله گرفتن از حلقه‌های یکپارچه (Monolithic) و حرکت به سمت معماری میکروسرویس برای هوش مصنوعی است. DeepSeek با جداسازی مدل از محیط، روی این فرضیه شرط بسته است که انعطاف‌پذیری در استفاده از ابزار (Tool use) — شبیه به داشتن یک جعبه‌ابزار که هر لحظه می‌توان آچاری را با مدل جدیدتر جایگزین کرد — محرک اصلی قابلیت اطمینان عامل‌ها در محیط تولید خواهد بود. این رویکرد به‌ویژه برای مدل‌های بهینه‌شده‌ای که در بنچمارک‌های عامل‌محور از نسخه‌های Pro پیشی گرفته‌اند، پتانسیل عملیاتی بسیار بالایی ایجاد می‌کند.
گام بعدی شما
- نصب رابط کاربری وب از طریق Node.js با دستور
npx @deepseek-ai/dsh webبرای تست اولیه. - بررسی مخزن گیت‌هاب پروژه برای طراحی اولین پلاگین سفارشی متناسب با نیاز سازمانتان.
- دنبال کردن به‌روزرسانی‌های هسته Cordis برای سازگاری با نسخه‌های نهایی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو