A DeepSeek acaba de elevar o nível do desenvolvimento de agentes de Inteligência Artificial com o lançamento do DeepSeek Harness (dsh), um runtime open-source focado em modularidade, rastreabilidade e desacoplamento de infraestrutura.
A proposta é permitir que desenvolvedores construam e experimentem agentes de IA sem ficarem presos a frameworks monolíticos ou a combinações específicas de modelos, ferramentas e provedores.
O DeepSeek Harness utiliza uma arquitetura baseada em micro-kernel, separando o núcleo responsável pela execução do agente dos modelos de IA, ferramentas e demais componentes da infraestrutura.
# publicidade
Entre os principais recursos apresentados estão a possibilidade de trocar modelos e ferramentas por meio de arquivos de configuração, logs unificados para rastreamento das execuções e diferentes modos de operação para atender a casos de uso específicos.
A versão inicial, identificada como 0.1, apresenta quatro modos principais de execução: Standard, Code, Minimal e Creator.
Arquitetura desacoplada: o fim dos frameworks monolíticos?
O principal diferencial do DeepSeek Harness está em sua filosofia de arquitetura.
Em muitos frameworks para agentes de IA, o loop de execução, os modelos utilizados, as ferramentas disponíveis e a infraestrutura acabam fortemente conectados. Isso pode dificultar a substituição de componentes e tornar a experimentação mais complexa.
O dsh busca resolver esse problema utilizando uma arquitetura de micro-kernel.
Na prática, o núcleo do sistema é responsável por coordenar a execução do agente, enquanto outros componentes podem ser adicionados, substituídos ou configurados de forma independente.
Isso significa que um desenvolvedor pode, por exemplo, trocar o modelo utilizado pelo agente ou modificar o conjunto de ferramentas disponíveis sem precisar alterar profundamente o restante da aplicação.
A configuração pode ser realizada por meio de arquivos como YAML e JSON, permitindo definir o comportamento e os componentes utilizados pelo runtime.
Essa abordagem pode facilitar especialmente o processo de experimentação, no qual equipes frequentemente precisam testar diferentes modelos, provedores e ferramentas antes de definir uma arquitetura definitiva.
Quatro modos de execução para diferentes agentes
A versão 0.1 do DeepSeek Harness introduz quatro modos de execução voltados para diferentes necessidades.
Standard é voltado para fluxos gerais de execução de agentes, oferecendo uma configuração mais completa para tarefas comuns.
Code é direcionado para tarefas relacionadas ao desenvolvimento de software e execução de fluxos baseados em código.
Minimal reduz a complexidade da execução, oferecendo uma estrutura mais simples para cenários que não exigem todos os recursos disponíveis.
Já o modo Creator é voltado para fluxos mais flexíveis e personalizados, permitindo adaptar o comportamento do runtime para diferentes tipos de aplicações.
A existência desses modos permite que o mesmo runtime seja utilizado desde experimentos simples até fluxos mais estruturados de agentes autônomos.
Rastreabilidade e depuração avançada
Outro ponto importante da proposta é a rastreabilidade das execuções.
À medida que agentes de IA passam a executar múltiplas etapas, utilizar ferramentas externas e delegar tarefas para outros agentes, entender como uma decisão foi tomada se torna um desafio.
O DeepSeek Harness busca reduzir esse problema registrando os eventos da execução em uma trajetória unificada.
Isso permite analisar com mais facilidade o comportamento do agente e identificar em qual etapa determinado problema ocorreu.
Entre os recursos de rastreamento estão:
Logs de eventos append-only, permitindo manter um histórico completo da execução para auditoria.
Registro de métricas relacionadas ao uso de tokens, facilitando a análise de custos e eficiência.
Monitoramento de chamadas realizadas por sub-agentes, permitindo acompanhar fluxos mais complexos.
Capacidade de replay de execuções, que pode ajudar na reprodução e depuração de problemas técnicos.
Essa abordagem é especialmente relevante para engenheiros de Machine Learning e equipes que precisam avaliar como diferentes modelos respondem aos mesmos prompts, ferramentas e condições de execução.
Uma alternativa para a caixa-preta dos agentes
Um dos desafios atuais dos sistemas baseados em agentes é a dificuldade de compreender exatamente como uma tarefa foi executada.
Quando um agente falha, o problema pode estar no modelo, no prompt, na ferramenta utilizada, no contexto fornecido ou na interação entre diferentes sub-agentes.
Sem rastreamento adequado, identificar a origem do problema pode exigir uma investigação complexa.
Ao centralizar os eventos em uma trajetória de execução, o DeepSeek Harness busca transformar o comportamento do agente em algo mais observável.
Isso não significa necessariamente eliminar todos os problemas relacionados à interpretação dos modelos, mas oferece uma infraestrutura mais adequada para analisar, comparar e reproduzir execuções.
A mudança de paradigma na infraestrutura de IA
O lançamento também reflete uma tendência crescente no desenvolvimento de infraestrutura para Inteligência Artificial: a busca por sistemas mais desagregados, ou unbundled.
Em vez de depender de plataformas fechadas que determinam simultaneamente o modelo, o runtime, as ferramentas e o fluxo de execução, desenvolvedores passam a buscar arquiteturas nas quais cada componente possa ser escolhido de forma independente.
Nesse modelo, uma equipe pode selecionar o modelo mais adequado para determinada tarefa, utilizar ferramentas próprias e substituir componentes sem reconstruir toda a infraestrutura.
A ideia é semelhante ao que aconteceu em outras áreas da engenharia de software, nas quais arquiteturas modulares substituíram gradualmente sistemas excessivamente monolíticos.
Com o DeepSeek Harness, a DeepSeek aposta que o futuro dos agentes de IA pode estar menos em frameworks fechados e mais em runtimes capazes de conectar diferentes modelos, ferramentas e infraestruturas.
Para desenvolvedores, o resultado pode ser uma maior liberdade para experimentar, otimizar custos e adaptar agentes às necessidades específicas de cada projeto.
