# DeepSeek Harness (dsh) คืออะไร? เจาะลึกคู่แข่งโค้ดโอเพ่นซอร์สของ Claude

> Source: <https://dev.to/thanawat_wonchai/deepseek-harness-dsh-khuueaair-ecchaaaluekkhuuaekhngokhdoephnchrskhng-claude-1fpl>
> Published: 2026-08-20 04:38:55+00:00

DeepSeek เปิดตัว DeepSeek Harness (`dsh`

) เมื่อวันที่ 13 สิงหาคม 2026 ซึ่งไม่ใช่โมเดล แต่เป็นเครื่องมือสำหรับรันโมเดลให้ทำงานเป็น coding agent ได้จริง โดยมีวงจรเซสชัน การเรียกใช้เครื่องมือ การตรวจสอบสิทธิ์ และ Web UI ในเครื่อง เปิดตัวพร้อม DeepSeek V4-Pro บน API ในวันเดียวกัน และ [VentureBeat มองว่าเป็นคู่แข่งโอเพนซอร์สของ Claude Code](https://venturebeat.com/technology/deepseek-harness-launches-as-open-source-rival-to-claude-code-alongside-v4-pro-on-api-with-higher-prices)

ชุมชนตอบรับอย่างรวดเร็ว: ณ วันที่ 20 สิงหาคม [repository deepseek-harness](https://github.com/deepseek-ai/deepseek-harness) มีดาวประมาณ 169,000 ดวงและ 18,100 forks ภายในหนึ่งสัปดาห์ สิ่งที่นักพัฒนาสนใจไม่ใช่แค่ตัวโมเดล แต่คือ agent harness ที่ตรวจสอบโค้ด แก้ไขพฤติกรรม และใช้ร่วมกับหลายโมเดลได้

โมเดลมีหน้าที่ทำนายโทเค็น ส่วน harness จัดการทุกอย่างที่ทำให้โมเดลลงมือทำงานได้ เช่น

Claude Code, Codex CLI และ Gemini CLI ก็เป็น harness เช่นกัน แต่ห่อหุ้มโมเดลของผู้ให้บริการแต่ละรายไว้ หากต้องการเปรียบเทียบ Claude Code กับ Codex CLI ดูได้ที่ [Claude Code vs Codex CLI](https://apidog.com/th/blog/claude-code-vs-codex-cli?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation)

สิ่งที่กำหนดตำแหน่งของ DeepSeek Harness มี 3 ข้อ:

`THIRD_PARTY_NOTICES`

`dsh`

เปิดตัวพร้อม DeepSeek V4-Pro จึงเหมาะสำหรับทีมที่ต้องการทดลองทั้ง model และ agent runtime พร้อมกัน หากต้องการเริ่มจาก API ของโมเดล ดู [คู่มือ DeepSeek V4-Pro API](https://apidog.com/th/blog/how-to-use-deepseek-v4-pro-0813-api?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) สำหรับ endpoints, model IDs และตัวอย่าง request

Harness ทั่วไปมักเป็นแบบ monolithic: agent loop, model client, tools และ session storage อยู่ในแอปเดียวกัน ปรับ config ได้บ้าง แต่เปลี่ยนส่วนประกอบหลักได้จำกัด

DeepSeek Harness ใช้แนวคิด “ทุกอย่างเป็นปลั๊กอิน” บนเฟรมเวิร์ก **Cordis** ซึ่งอธิบายการออกแบบไว้ในเอกสาร *A Programming Paradigm for Spatiotemporal Composability* ในทางปฏิบัติ หมายความว่าส่วนประกอบหลักต่อไปนี้สามารถสลับหรือขยายได้:

แนวทางนี้เหมาะเมื่อทีมต้องการทดลอง เช่น

ข้อแลกเปลี่ยนคือพื้นที่ที่อาจพังมีมากขึ้น โดยเฉพาะในช่วง developer preview ปลั๊กอินหรือ config อาจใช้ไม่ได้หลังอัปเดตเวอร์ชัน จึงควร pin เวอร์ชันและทดสอบใน sandbox ก่อน

รัน Web UI ในเครื่องด้วยคำสั่งเดียว:

```
npx @deepseek-ai/dsh web
```

คำสั่งนี้เปิด UI ที่:

```
http://127.0.0.1:3080
```

หากไม่ต้องการให้เปิดเบราว์เซอร์อัตโนมัติ:

```
npx @deepseek-ai/dsh web --no-open
```

หากต้องการ build จาก source:

```
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web
```

หลังเปิด UI ให้ทำตามลำดับนี้

กำหนด key ในหน้า Settings โดย credentials จะถูกเก็บใน:

```
   $DSH_HOME/.credentials.yaml
```

ไฟล์ config หลักจะเก็บเพียง reference ไปยัง credentials

คลิก **Choose workspace** แล้วเลือกไดเรกทอรีโปรเจกต์ที่ต้องการให้ agent ทำงานด้วย

ขั้นตอนนี้จำเป็น เพราะ dsh ต้องรู้ขอบเขตไฟล์ที่อนุญาตให้เข้าถึงก่อนเริ่ม session

เมื่อ agent ต้องเขียนไฟล์หรือรัน shell command UI จะแสดง prompt ตาม permission policy ที่ใช้งานอยู่ อย่าอนุมัติโดยไม่ตรวจสอบ diff และคำสั่ง โดยเฉพาะเมื่อทำงานกับ repository สำคัญ

`dsh web`

เป็น shorthand ของ:

```
dsh --profile web
```

แต่ละ profile อยู่ใน:

```
$DSH_HOME/profiles/<name>
```

สำหรับ automation หรือ CI ให้ใช้ headless mode:

```
dsh --profile headless "ตรวจสอบ test ที่ล้มเหลวและเสนอการแก้ไข"
```

โหมดนี้จะรัน session ครั้งเดียว พิมพ์ผลลัพธ์ แล้วออก เหมาะสำหรับสคริปต์ที่ควบคุมขั้นตอนอนุมัติและการนำผลลัพธ์ไปใช้เอง

คำสั่งที่มีประโยชน์เพิ่มเติม:

```
# แสดง config ที่ประกอบแล้ว
dsh --dump-config

# แสดง config ค่าเริ่มต้น
dsh --dump-default-config

# จัดการปลั๊กอินของ profile
dsh plugin
```

ดูรายการ CLI ฉบับเต็มได้ที่ [CLI README](https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/cli/README.md)

DeepSeek เป็นค่าเริ่มต้น และ V4-Pro คือโมเดลหลักที่เปิดตัวพร้อม harness

หากกำลังประเมินค่าใช้จ่าย DeepSeek ได้ทำให้ส่วนลดช่วงนอกเวลาทำการเป็นแบบถาวร ดูรายละเอียดได้ใน [บทความลดราคา DeepSeek V4-Pro](https://apidog.com/th/blog/deepseek-v4-pro-permanent-price-cut?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) และเอกสาร API อย่างเป็นทางการที่ [api-docs.deepseek.com](https://api-docs.deepseek.com)

อย่างไรก็ตาม dsh ไม่ได้จำกัดเฉพาะโมเดล DeepSeek เพราะ model adapter เป็นปลั๊กอิน โดยมี 2 แนวทางหลัก

มี provider ในตัวสำหรับ:

แต่ละ provider มีรูปแบบจัดการ credentials ของตัวเอง

คุณสามารถเพิ่ม endpoint ที่เข้ากันได้กับ OpenAI ลงใน:

```
$DSH_HOME/settings.yaml
```

โดยระบุ base URL, environment variable สำหรับ API key และรายการโมเดล วิธีนี้ใช้ได้กับทั้ง cloud API, gateway ภายใน และ runtime ที่รันในเครื่อง

แต่ละ session จะบันทึกโมเดลที่ใช้ตั้งต้นไว้ ทำให้สลับโมเดลระหว่างโปรเจกต์ได้โดยไม่ทำให้ประวัติเซสชันสับสน

ดูรูปแบบ config ได้ใน [คู่มือ providers](https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/user/guide/providers.md) หรือดูตัวอย่าง YAML สำหรับ custom endpoint ใน [วิธีรันโมเดลใดๆ ใน DeepSeek Harness](https://apidog.com/th/blog/run-any-model-in-deepseek-harness?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation)

ค้นหาปลั๊กอินผ่าน [GitHub topic dsh-plugin](https://github.com/topics/dsh-plugin) และติดตามการพูดคุยผ่าน GitHub Discussions หรือ Discord

ภายในหนึ่งสัปดาห์หลังเปิดตัว มีความต้องการหลัก 3 กลุ่ม

**Desktop wrappers** — เช่น `deepseek-harness-desktop`

ที่ใช้ Tauri และ `dsh_desktop`

สำหรับ Windows ซึ่งห่อ Web UI เป็น native app

โปรเจกต์เหล่านี้เป็นของชุมชน ไม่ใช่ DeepSeek โดยตรง จึงต้องตรวจสอบ source code ก่อนให้สิทธิ์เข้าถึง API keys

**Capability plugins** — เช่น `dsh-context`

และ `dsh-vision-router`

สำหรับขยาย context หรือ routing ของเซสชัน

ควรตรวจสอบ dependency และ permission ของปลั๊กอินเช่นเดียวกับแพ็กเกจ third-party อื่น

**MCP support** — ณ เวลาที่เขียน dsh core ยังไม่มี MCP แบบ native

มีปลั๊กอินชุมชนชื่อ `dsh-mcp-manager`

ที่เพิ่มการตั้งค่า MCP server ทั้ง remote HTTP และ local stdio รวมถึง OAuth, static token และเครื่องมือในรูปแบบ:

```
  mcp__<name>__*
```

การตั้งค่า server รายโปรเจกต์อยู่ในไดเรกทอรี `.dsh`

ของ workspace

จุดสำคัญคือ dsh ไม่ได้ “รองรับ MCP แบบ native” ใน core ณ ตอนนี้ แต่สามารถใช้ MCP ผ่านปลั๊กอินของชุมชนได้

Coding agent จะสร้างโค้ดตามสิ่งที่มันเข้าใจจาก codebase, เอกสาร และ specification ที่เข้าถึงได้ หาก API implementation ไม่ตรงกับ spec agent อาจสร้าง integration บนสัญญาที่ผิด และปัญหาจะไปปรากฏตอน runtime

แนวทางที่ใช้งานได้จริงคือ ตรวจสอบ API surface ก่อนให้ agent แก้โค้ด:

[Apidog](https://apidog.com?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) ช่วยครอบคลุม workflow นี้ ตั้งแต่จัดการ OpenAPI, ทดสอบ endpoint และเปิด mock server เพื่อให้ agent อ้างอิง contract ที่ถูกต้อง แม้ backend จะยังเปลี่ยนแปลงอยู่

หากต้องการให้ dsh เข้าถึง API specification ผ่าน MCP ให้ใช้ [Apidog MCP Server](https://apidog.com/th/blog/apidog-mcp-server?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) ร่วมกับปลั๊กอิน `dsh-mcp-manager`

:

`dsh-mcp-manager`

สำหรับตัวอย่างการให้ agent เรียก API tests ผ่าน CLI ดู [การใช้ Apidog CLI ใน DeepSeek Harness](https://apidog.com/th/blog/apidog-cli-in-deepseek-harness?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation)

หากต้องการเตรียม API ก่อนทดลอง agent ให้ [ดาวน์โหลด Apidog](https://apidog.com/download?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) แล้วนำเข้า specification ของโปรเจกต์ก่อน

แนวทางที่ปลอดภัยสำหรับนักพัฒนาส่วนใหญ่คือ ใช้ agent เดิมกับงาน production ต่อไป แล้วทดลอง dsh ใน side project หรือ repository ที่แยกออกมา เมื่อเข้าใจ behavior, permission model และปลั๊กอินที่ต้องใช้แล้ว ค่อยตัดสินใจนำไปใช้ใน workflow หลัก

หากต้องการเปรียบเทียบกับ Claude Code โดยตรง ดู [DeepSeek Harness vs Claude Code](https://apidog.com/th/blog/deepseek-harness-vs-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation)

ตัว harness ฟรีและเป็นโอเพนซอร์สภายใต้ MIT license แต่โมเดลที่เรียกใช้ยังมีค่าใช้จ่ายตามผู้ให้บริการ API ที่ตั้งค่าไว้

หากใช้ model adapter กับโมเดลที่โฮสต์ในเครื่อง คุณอาจไม่ต้องจ่ายค่าการใช้งานต่อโทเค็น ดูการตั้งค่าได้ที่ [วิธีรันโมเดลใดๆ ใน DeepSeek Harness](https://apidog.com/th/blog/run-any-model-in-deepseek-harness?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation)

ไม่ใช่ DeepSeek เป็นค่าเริ่มต้น แต่ model adapter เป็นปลั๊กอิน dsh รองรับ provider ใน catalog เช่น Anthropic, OpenAI, Bedrock, Vertex และ Azure รวมถึง endpoint ที่เข้ากันได้กับ OpenAI ผ่าน `settings.yaml`

ความปลอดภัยขึ้นอยู่กับ permission policy และการอนุมัติของคุณ dsh กำหนดให้เลือก workspace ก่อนเริ่ม session และจะแจ้งเตือนเมื่อมี action ที่ต้องอนุมัติ

อย่างไรก็ตาม dsh ยังเป็น developer preview และปลั๊กอินชุมชนเป็น third-party code ที่อาจเข้าถึง API keys ได้ ควรตรวจสอบปลั๊กอินก่อนติดตั้ง และเริ่มใช้งานกับ repository ที่ไม่สำคัญก่อน

โมเดลคือส่วนที่ให้เหตุผลและสร้างข้อความ ส่วน harness คือชั้นที่ทำให้โมเดลทำงานกับระบบจริงได้ เช่น:

Agent สองตัวสามารถใช้โมเดลเดียวกันแต่ให้ผลต่างกันมาก หาก harness, tools, context policy และ permission model ต่างกัน