O czym jest ten film
- DeepSeek zbudował i udostępnił jako open source własny harness agenta kodującego, który w tydzień zebrał 165 tysięcy gwiazdek na GitHubie.
- Filozofia jest odwrotna niż w Claude Code czy Codeksie: brak przywiązania do jednego modelu i pełny dostęp do wnętrza agenta.
- Absolutnie wszystko w tym systemie jest wtyczką — od przycisków w interfejsie po elementy samej pętli agenta.
- Wtyczki można włączać i wyłączać, instalować z marketplace’u albo pisać samemu.
- Wbudowany tryb twórcy (creator mode) prowadzi użytkownika przez tworzenie własnych wtyczek — harness rozbudowuje sam siebie.
- Widok trajektorii pokazuje każdą akcję agenta wraz ze źródłem, czyli wtyczką, która ją wywołała — poziom audytowalności rodem z platform observability.
- Tryb orkiestratora pozwala delegować zadania do Claude Code i Codeksa jako podagentów.
- Przykłady rozszerzeń: most wizyjny dla modeli tekstowych (ModLens) oraz autorska wtyczka pobierająca liczbę gwiazdek repozytorium.
- Autor jasno mówi, że narzędzie jest surowe — widać usterki w wywołaniach narzędzi i we wtyczkach, także tych wbudowanych.
- Teza końcowa: w ciągu roku–dwóch optymalne będzie właśnie takie maksymalnie konfigurowalne podejście, niekoniecznie akurat w wykonaniu DeepSeeka.
Redakcyjne tłumaczenie
Nowy gracz na rynku harnessów
Wydaje się, że minęło sporo czasu, odkąd pojawił się jakikolwiek nowy harness agenta kodującego — ale właśnie doszedł nam nowy zawodnik. DeepSeek zbudował i udostępnił jako open source własny harness, który w ciągu zaledwie tygodnia zebrał 165 tysięcy gwiazdek.
(Informacja dodatkowa: „harness” to warstwa spinająca model językowy z narzędziami, uprawnieniami i pętlą działania agenta — to ona decyduje, jak agent czyta pliki, uruchamia polecenia i podejmuje kolejne kroki. Claude Code i Codex to właśnie harnessy, nie modele.)
Owszem, jest to rzecz surowa i nieoszlifowana — o tym też porozmawiamy. Ale doceniam w tym projekcie jedno: jest dokładną odwrotnością agentów takich jak Claude Code czy Codex. Tam jesteś zamknięty w konkretnym zestawie modeli i nie masz żadnego dostępu do wnętrza agenta — nie dostosujesz absolutnie niczego. A jeśli jest coś, czego jestem pewien, to tego, że przyszłość programowania z AI prowadzi przez harnessy, na których da się budować i które da się dostosowywać możliwie najłatwiej. To, co stworzył DeepSeek, jest skrajną wersją tej idei.
Najbliższy krewny: Pi
Najbliższym odpowiednikiem jest Pi — agent kodujący, o którym wielokrotnie mówiłem na kanale. Nadal fantastyczne narzędzie. Ich pierwotne motto brzmiało: „Agentów kodujących jest wiele, ale ten jest mój”. Chodziło o stworzenie czegoś maksymalnie minimalistycznego i łatwego do rozbudowy poprzez rozszerzenia. Agent samorozszerzalny.
Harness DeepSeeka ma bardzo podobną filozofię, tylko posuniętą jeszcze dalej. Dosłownie wszystko, co składa się na ten interfejs i na sam harness pod spodem, jest zbudowane z wtyczek. To wtyczki napędzają całość — to składalne jednostki, które zszyte razem tworzą cały system. Każdą z nich można włączyć i wyłączyć. Można wejść do marketplace’u wtyczek i zainstalować narzędzia firm trzecich. Można też bardzo łatwo napisać własne.
I dlatego nazywam to przyszłością programowania z AI. Im bardziej agenci stają się zdolni i im łatwiej jest nam budować własne rozwiązania, tym mniej chcemy polegać wyłącznie na czymś, co po prostu działa prosto z pudełka, jak Codex czy Claude. Czasem to wygodne — cała moc od razu pod ręką. Ale coś takiego, gdzie bierzesz fundament i dobudowujesz na nim rzeczy dopasowane do własnego procesu, zaprowadzi cię ostatecznie znacznie dalej.
W tym materiale chcę szybko przejść przez harness DeepSeeka: jak zacząć, dlaczego jest tak mocny, i oczywiście jakie ma kompromisy — bo jest naprawdę nieoszlifowany.
Dlaczego to ma znaczenie już teraz
Nie mówię ci, żebyś od razu przeskakiwał z Claude’a, Codeksa czy Pi na harness DeepSeeka. Ale to zasługuje na naszą uwagę, bo — zapamiętaj moje słowa — właśnie ten typ harnessu bardzo szybko stanie się dla ciebie rozwiązaniem optymalnym. Wysłuchaj mnie chwilę, myślę, że to szybko zaskoczy.
Jesteśmy już w punkcie, w którym samoewoluujące oprogramowanie jest pod wieloma względami całkiem realne. Skoro agenci kodujący budują dziś oprogramowanie bardzo autonomicznie, to konsekwentnie realne staje się też to, żeby agent kodujący rozwijał sam siebie. To właśnie idea agenta samorozszerzalnego — to ona uczyniła Pi tak popularnym na początku tego roku.
Żeby jednak praca agenta nad samym sobą była maksymalnie sensowna, potrzebny jest jakiś fundamentalny szkielet. Coś, co daje wytyczne i standard: jak dokładać nowe komponenty funkcjonalności i jak wyłączać istniejące, gdy agent testuje warianty i przebudowuje własny proces oraz własną pętlę pod twój workflow i twoje repozytoria. Dokładnie to buduje tu DeepSeek. Ich system wtyczek jest tak drobnoziarnisty, jak tylko się da — komponenty funkcjonalności prowadzą nie tylko nowe narzędzia, które dobudowujemy nad agentem, ale też sam mechanizm działania harnessu. To lubię w tym najbardziej.
Najlepsze jest to, że wcale nie musisz pisać tych wtyczek samodzielnie. Jest wbudowany tryb twórcy (creator mode), który prowadzi cię przez tworzenie wtyczki dla dowolnej funkcjonalności, jaką potrafisz opisać. Harness w wersji open source jest więc od początku przygotowany do tego, żeby rozbudowywać sam siebie za ciebie.
Uruchomienie i konfiguracja
Żeby postawić harness, wystarczy zainstalować go z NPM albo uruchomić ze źródeł. Link do repozytorium GitHuba będzie w opisie, wraz z README. Jeszcze łatwiejszy sposób — i tak właśnie zrobiłem — to podać ten adres URL swojemu Claude Code i powiedzieć: „zainstaluj to i postaw webowy interfejs”.
To, co widzicie na ekranie, działa lokalnie na moim komputerze. To nie jest żaden zdalny serwis — wszyscy moi agenci pracują lokalnie.
Modele konfiguruje się w zakładce Models. Można wpisać klucz API DeepSeeka albo OpenRoutera, żeby dostać dostęp do domyślnego modelu platformy, czyli DeepSeek V3.1. Oczywiście da się dodać dowolnego dostawcę. Chcesz innych modeli i innych providerów — droga wolna. Nie jesteś przywiązany do żadnego konkretnego modelu, w przeciwieństwie do innych agentów kodujących. To jedna z tych dużych zalet, o których mówiłem.
Gdy model jest skonfigurowany, zaczynasz nową sesję. Praca z harnessem przypomina inne agenty kodujące — składalny system pod spodem jest wyjątkowy, ale sposób interakcji jest dość standardowy. Wygląda to po prostu jak dobrze znane Claude.ai czy ChatGPT.
Są za to różne tryby. Tryb standardowy to zwykła sesja agenta kodującego z uprawnieniami, które można skonfigurować — albo z trybem YOLO. Tryb twórcy służy do budowania własnych wtyczek, żeby harness mógł się ulepszać. Jest też tryb orkiestratora, w którym można wywoływać innych agentów kodujących — Claude Code czy Codeksa — jako podagentów.
Materiał sponsorowany
Sponsorem dzisiejszego odcinka jest Qwak od Tethera — darmowa i otwartoźródłowa platforma lokalnego AI. Daje cały lokalny ekosystem AI w jednej instalacji NPM.
Pokażę, co się z tego buduje. Mam tu aplikację desktopową zrobioną w Qwaku, która odpytuje bazę bankową zwykłym angielskim. Dokładnie ten rodzaj rzeczy, który chce się mieć w stu procentach lokalnie. Jako model mam Qwen3 4B, jako bazę do RAG-a — SQLite, wszystko na mojej maszynie. Pytam o pięciu klientów z Frankfurtu z największym zadłużeniem, Qwen3 generuje zapytanie, mogę je jeszcze zatwierdzić przed wykonaniem, i dostaję odpowiedź. Nic nie opuszcza mojego komputera — jestem w tej chwili w trybie samolotowym i wszystko dalej działa.
Qwak to nie kolejny sposób uruchamiania lokalnych modeli w stylu Ollamy czy LM Studio. To cały ekosystem: kilkanaście możliwości za jedną instalacją NPM — generowanie tekstu, RAG, fine-tuning, generowanie obrazu i wideo, mowa. Można wnieść dowolne otwarte modele, DeepSeeka czy Qwena, dowolny plik GGUF. Mają też własne modele i fine-tuning metodą LoRA, który da się uruchomić na telefonie.
To rozwiązanie dla każdego, kto buduje aplikację desktopową lub mobilną z AI w środku. A dla banku albo kancelarii, gdzie dane prawnie nie mogą opuścić budynku, to jedyny sposób, żeby cokolwiek wdrożyć. Licencja Apache 2.0, zero kluczy API, modele leżą po prostu na dysku. Nic nie zostanie zlimitowane ani przecenione mi spod nóg. Link w opisie — jeśli uznacie to za równie fajne co ja, zostawcie im gwiazdkę na GitHubie.
Wszystko jest wtyczką
Sporo już przetestowałem, więc pokażę parę rzeczy z istniejących rozmów.
Pierwsza sprawa: każda pojedyncza akcja, którą tu widzicie — wstrzyknięcie kontekstu, wywołanie narzędzia, zadanie nam pytania — to osobna wtyczka zbudowana nad harnessem. Wszystko, co widzicie na moim ekranie i na waszym, jest wtyczką. Nawet ten przycisk. Nawet załączanie plików. To pojedyncze wtyczki, które można dostosować, a nawet wyłączyć, gdyby z jakiegoś powodu były niepotrzebne.
W ustawieniach lista wtyczek to wszystko, co jest wbudowane w projekt open source, a marketplace to wtyczki firm trzecich plus te, które sami zbudowaliśmy.
Widok trajektorii
Przy każdej rozmowie mamy też widok trajektorii — kompletnie się w nim zakochałem. Nigdy nie widziałem czegoś takiego w agencie kodującym. Wygląda jak element platformy do obserwowalności AI, w stylu LangFuse czy LangSmith.
(Informacja dodatkowa: LangFuse i LangSmith to narzędzia do śledzenia i debugowania działania aplikacji opartych na LLM-ach — pokazują krok po kroku, co model zrobił i dlaczego.)
Widzisz każdy element pętli agenta — którą również możesz dostosowywać — wraz z akcją i jej dokładnym źródłem. Klikam na wstrzyknięcie kontekstu, jedno z trzech, przechodzę do źródła i widzę, skąd się wzięło: ta konkretna akcja w pętli agenta pochodzi z wtyczki systemowego promptu DSH, jednej z tych dostarczanych razem z projektem open source. Tak samo mogę wejść w narzędzie i sprawdzić jego źródło. Tu akurat delegowałem zadanie do Claude Code — o tym za chwilę.
Uwielbiam tę audytowalność. Pokazuje też, że mamy dostęp do wnętrza agenta, jakiego przy innych agentach kodujących naprawdę nie ma. Nawet Pi nie daje takiego stopnia szczegółowości.
Delegowanie do podagentów
Wracając do rozmowy: chcę pokazać delegowanie do podagentów. Wystarczy powiedzieć, że chcę użyć podagenta Claude Code, i pewne prace przekazuję Claude Code. To samo mogę zrobić z Codeksem.
To świetna sprawa, bo owszem, DeepSeek to dobry model, a ten harness sam z siebie potrafi sporo, ale czasem chcesz się oprzeć na mocy, którą tamte agenty mają prosto z pudełka. Mówię więc, że chcę do tego użyć podagenta — system deleguje zadanie wywołaniem narzędzia, przetwarza to, co wróciło, i po prostu kontynuuje rozmowę. Dokładnie tak samo działa to z Codeksem: niech Codex napisze mi tę funkcję w Pythonie.
Wiem, że to naiwne przykłady — testuję po prostu harness — ale rozumiecie ideę: możesz wbudowywać różnych agentów kodujących w większe workflow uruchamiane z tego harnessu. I jak pewnie już zgadujecie, użycie Codeksa i Claude Code jako podagentów to po prostu wtyczki. Wchodzę na listę wtyczek, szukam Codeksa — jest, subagent Codex. Szukam Claude’a — subagent Claude Code. Wszystko jest wtyczką.
Most wizyjny i własna wtyczka
Kolejny przykład: sam DeepSeek nie potrafi przetwarzać obrazów. Jeśli chcemy w rozmowie pracować z PNG-iem albo JPEG-iem, potrzebujemy wywołania narzędzia, które sięgnie do innego modelu, umiejącego to przetworzyć, i zwróci nam opis. I jak się domyślacie — wchodzę tym razem do marketplace’u, bo to wtyczka zewnętrzna, i mamy do tego ModLens, „most wizyjny dla modeli tekstowych”.
Jeszcze jeden przykład. W tej rozmowie bardzo łatwo pobieram liczbę gwiazdek dowolnego repozytorium GitHuba — jest do tego wywołanie narzędzia, repo stats. Gdy wejdę w ustawienia i zainstalowane wtyczki, repo stats tam jest. Ścieżka jest na moim ekranie mikroskopijna, ale to ścieżka lokalna — bo repo stats to wtyczka, którą sam napisałem.
Zrobiłem to tak: nowa sesja, tryb twórcy, i po prostu napisałem: „zbuduj mi wtyczkę, żebym mógł łatwo pobierać liczbę gwiazdek dowolnego otwartoźródłowego repozytorium GitHuba”. Nie będę tu przechodził przez cały proces, ale harness zadaje pytania doprecyzowujące, buduje wtyczkę razem ze mną, a potem sam ją instaluje, więc od razu mam ją na liście. Proste.
Wiem, że to nadmiernie uproszczony przykład i sama wtyczka nie jest specjalnie użyteczna — ale jestem pewien, że wasza wyobraźnia już pracuje nad tym, jak można ten harness rozszerzyć.
„Szkoda, że nie mogę cię naprawić”
Zakładam, że jesteś podobny do mnie: używasz agentów w rodzaju Claude Code czy Codeksa i przez większość czasu działają dobrze. Ale mam wrażenie, że solidnie raz dziennie trafia się ta jedna wkurzająca rozmowa — model jest zdecydowanie zbyt rozwlekły, coś przycina przy podagentach albo workflow, albo agent zwyczajnie odbija w jakąś dziwną stronę. I wtedy myślisz: „cholera, gdybym mógł cię po prostu naprawić”.
Nie da się naprawić Claude Code ani Codeksa. Możesz próbować ustawiać wszystko regułami, ale nigdy nie jest to naprawdę idealne. Przy harnessie DeepSeeka możesz to zrobić realnie: modyfikować albo tworzyć wtyczki zmieniające nawet wewnętrzną pętlę agenta. To właśnie pozwala optymalizować harness w czasie pod twoje konkretne workflow.
To zdecydowanie większa inwestycja czasu, żeby doprowadzić go do porządku, ale zwróci się z nawiązką — bo dochodzisz do punktu, w którym twój agent kodujący razem z tobą albo twoim zespołem działa jak dobrze naoliwiona maszyna.
Czy to naprawdę się opłaca
Mimo wszystko to uczciwe pytanie: czy warto zaczynać od czegoś tak minimalistycznego, skoro wszystko, czego potrzebujesz, musisz dobudować jako wtyczki i komponenty?
Uważam, że tak — zwłaszcza że budowanie tych komponentów staje się coraz łatwiejsze. Mamy harness, który rozumie samego siebie, więc jest naprawdę samorozszerzalny. Ale przynajmniej na razie rozumiem, jeśli wolisz coś gotowego, jak Claude, albo coś bardziej rozbudowanego i dopracowanego, jak Pi.
Dojdziemy jednak do momentu, w którym nieposiadanie czegoś maksymalnie dopasowanego przestanie mieć sens. W ciągu najbliższego roku, dwóch to będzie rozwiązanie optymalne. Nie wiem, czy akurat harness DeepSeeka, ale coś w tym rodzaju. Dlatego już teraz warto rozumieć, jak taki system działa i co w ogóle znaczy, że agent jest samorozszerzalny.
Zastrzeżenie
Chcę też powtórzyć, że harness DeepSeeka jest zdecydowanie nieoszlifowany. Przeglądając te rozmowy, zobaczycie sporo drobnych usterek w wywołaniach narzędzi i w różnych wtyczkach — także tych wbudowanych w projekt open source. Nie jest to więc rzecz doskonała, ale już teraz warto się jej przyjrzeć. Nie bez powodu ma 165 tysięcy gwiazdek na GitHubie. To jest przyszłość programowania z AI.
To wszystko na dziś. Jeśli materiał się przydał i chcesz więcej o agentach samorozszerzalnych i o kodowaniu z AI w ogóle — łapka i subskrypcja mile widziane. Do zobaczenia w następnym odcinku.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Harness jest ważniejszy niż model
Na czym polega: DeepSeek wypuścił nie model, lecz warstwę spinającą model z narzędziami i pętlą działania. To ona decyduje o jakości pracy agenta, a w Claude Code i Codeksie jest zamknięta.
Jak stosować: Oceniając agenta kodującego, pytaj nie tylko „jaki model”, ale „ile z pętli agenta mogę zmienić”. Jeśli często walczysz z zachowaniem agenta, otwartość harnessu jest ważniejsza niż benchmark modelu.
Na co uważać: Otwartość ma cenę — surowy harness plus dobry model wypadnie gorzej niż dopracowany harness z tym samym modelem, dopóki nie zainwestujesz w konfigurację.
2.Wszystko jako wtyczka daje realną kontrolę
Na czym polega: W harnessie DeepSeeka każdy element — przyciski, załączanie plików, wstrzykiwanie kontekstu, wywołania narzędzi — to osobna wtyczka, którą można podmienić lub wyłączyć.
Jak stosować: Zamiast obchodzić irytujące zachowanie regułami w pliku instrukcji, znajdź odpowiadającą mu wtyczkę i wyłącz albo przepisz. Zacznij od wyłączania rzeczy zbędnych — to najtańsza zmiana.
Na co uważać: Wyłączenie wbudowanego komponentu może po cichu zepsuć inne, które na nim polegają. Zmieniaj po jednej rzeczy i sprawdzaj efekt w widoku trajektorii.
3.Brak przywiązania do dostawcy modelu
Na czym polega: Wystarczy klucz DeepSeeka lub OpenRoutera, żeby ruszyć na DeepSeek V3.1, ale można podpiąć dowolnego dostawcę i dowolny model.
Jak stosować: Traktuj to jako zabezpieczenie przed zmianami cen i limitów u jednego dostawcy oraz jako pole do testów — ten sam workflow na dwóch modelach, porównanie kosztu i jakości.
Na co uważać: Wtyczki i prompty bywają strojone pod konkretny model. Zmiana modelu to nie przełącznik — po podmianie przetestuj kluczowe ścieżki od nowa.
4.Widok trajektorii jako narzędzie diagnostyczne
Na czym polega: Każda akcja agenta jest pokazana wraz ze wskazaniem wtyczki, która ją wywołała — poziom wglądu znany z platform observability, a nie z agentów kodujących.
Jak stosować: Gdy agent zachowa się dziwnie, nie zgaduj — otwórz trajektorię, znajdź konkretną akcję i przejdź do jej źródła. To zamienia „model coś pokręcił” w konkretny, naprawialny komponent.
Na co uważać: Wgląd w źródło nie tłumaczy jeszcze, dlaczego model podjął daną decyzję — pokazuje, skąd wzięła się dana akcja, a nie co siedziało w rozumowaniu.
5.Tryb twórcy — agent pisze własne rozszerzenia
Na czym polega: Creator mode prowadzi przez tworzenie wtyczki na podstawie opisu w języku naturalnym, zadaje pytania doprecyzowujące i sam ją instaluje.
Jak stosować: Zbierz przez tydzień listę powtarzalnych ręcznych czynności (jak autorskie repo stats) i zamień je kolejno na wtyczki. Bariera wejścia jest niska, więc opłaca się zacząć od drobiazgów.
Na co uważać: Wtyczka wygenerowana przez model to kod działający z twoimi uprawnieniami. Przeczytaj, co powstało, zanim wpuścisz to do codziennego obiegu — zwłaszcza gdy sięga do sieci lub do systemu plików.
6.Delegowanie do Claude Code i Codeksa jako podagentów
Na czym polega: Tryb orkiestratora pozwala w ramach jednej sesji przekazać część pracy dojrzalszym agentom, a potem kontynuować rozmowę na podstawie tego, co wróciło.
Jak stosować: Trzymaj tani, konfigurowalny harness jako warstwę sterującą, a najtrudniejsze fragmenty implementacji deleguj do mocniejszego agenta. Da się stopniowo migrować bez rezygnowania z narzędzi, które już działają.
Na co uważać: Płacisz wtedy za dwa systemy naraz i mnożysz punkty awarii. Każde przekazanie zadania to też utrata części kontekstu — instrukcje dla podagenta muszą być samowystarczalne.
7.Samorozszerzalność wymaga szkieletu
Na czym polega: Żeby agent mógł sensownie modyfikować sam siebie, potrzebuje standardu dodawania i wyłączania funkcjonalności. Drobnoziarnisty system wtyczek jest właśnie takim standardem.
Jak stosować: Jeśli budujesz własnego agenta wewnętrznie, zaprojektuj granicę komponentu, zanim zaczniesz pozwalać modelowi cokolwiek dopisywać. Bez tego „samorozwój” kończy się nieutrzymywalnym kodem.
Na co uważać: Autor przedstawia to jako kierunek, nie jako coś, co dziś działa bez nadzoru. Nie zostawiaj agenta bez rewizji tego, co dopisał do własnej pętli.
8.Narzędzie jest surowe — świadomie
Na czym polega: Autor kilkakrotnie zaznacza usterki w wywołaniach narzędzi i wtyczkach, także tych wbudowanych, mimo 165 tysięcy gwiazdek w tydzień.
Jak stosować: Potraktuj to jako projekt do nauki i eksperymentów na poboczne zadania, nie jako podstawowe narzędzie na produkcji. Zarezerwuj na to konkretny, ograniczony budżet czasu.
Na co uważać: Liczba gwiazdek to miara zainteresowania, nie dojrzałości. Nie buduj na tym krytycznego procesu zespołowego przy obecnej stabilności.
9.Instalacja przez istniejącego agenta
Na czym polega: Zamiast ręcznej instalacji z NPM lub ze źródeł autor po prostu podał adres repozytorium Claude Code i kazał postawić interfejs webowy. Całość działa lokalnie.
Jak stosować: To wygodny wzorzec dla każdego nowego narzędzia open source — oszczędza czytania README i debugowania środowiska.
Na co uważać: Pozwalasz wtedy agentowi wykonywać instalacyjny kod z sieci. Rób to na piaskownicy albo przynajmniej z włączonym zatwierdzaniem poleceń, a nie w trybie YOLO na maszynie roboczej.
10.Inwestycja w dopasowanie zwraca się z opóźnieniem
Na czym polega: Autor wprost mówi, że doprowadzenie takiego harnessu do porządku to większy nakład czasu, ale prowadzi do agenta dopasowanego do konkretnego zespołu i konkretnych repozytoriów.
Jak stosować: Decyduj na podstawie częstotliwości bólu. Jeśli ta „jedna wkurzająca rozmowa dziennie” powtarza się w tym samym miejscu, to jest kandydat na wtyczkę. Jeśli problemy są rozproszone i przypadkowe, zostań przy gotowym narzędziu.
Na co uważać: Konfigurowanie narzędzi bywa formą prokrastynacji. Ustal z góry, ile godzin na to przeznaczasz, i mierz, czy realnie skróciło to czas pracy — a nie tylko poprawiło samopoczucie.