DeepSeek предоставляет доступ к инструментам поиска, работы с файлами, OCR и голосовому вводу через API для разработчиков

Платформа DeepSeek Harness, ориентированная на создание и эксплуатацию агентов искусственного интеллекта, достигла отметки в 1,54 миллиона ежедневных пользователей. Кроме того, она обрабатывает впечатляющие 92,1 триллиона токенов каждые 24 часа, согласно официальным данным, опубликованным китайским стартапом в сети X.

Этот заметный прогресс был значительно стимулирован недавним выпуском версии платформы для компьютеров. В настоящее время DeepSeek Harness имеет 5,48 миллиона активных ежемесячных пользователей и регистрирует в среднем 261 ежедневный запрос на человека.

За короткое время количество ежедневных активных пользователей выросло на 545%. Параллельно потребление токенов подскочило до 92,1 триллиона в день, что представляет собой рост на 306%. Токены определяются как основные единицы, используемые моделями ИИ для обработки и генерации информации. Среди моделей, способствовавших этому расширению, выделяется V4.5-Flash.

Сообщество разработчиков также играет решающую роль в этом росте. Harness уже предоставляет почти 35 тысяч сторонних плагинов, около 30 тысяч из которых размещены на GitHub. Примерно 59% активных пользователей используют или разрабатывают хотя бы одно расширение для автоматизации рабочих задач.

Известная аббревиатурой DSH, DeepSeek Harness функционирует как структура с открытым исходным кодом, предназначенная для управления автономными агентами. Такие системы способны выполнять функции на компьютере без необходимости вмешательства человека на каждом этапе процесса.

С девизом «всё — это плагин» платформа позволяет внешним разработчикам интегрировать инструменты и функциональность в свою среду. Амбиция состоит в том, чтобы превратить Harness во что-то похожее на операционную систему, предназначенную для агентов искусственного интеллекта, где различные расширения усиливают возможности помощника.

Важно отметить, что представленные показатели относятся исключительно к экосистеме Harness и не включают пользователей традиционного чата DeepSeek. Более того, эти данные нельзя напрямую сравнивать с метриками других помощников, поскольку они используют разные периоды измерения. Например, ChatGPT сообщает о более чем 1,2 миллиарде еженедельных пользователей, а Claude также остается одним из ведущих сервисов в отрасли.

Для дальнейшего развития экосистемы стартап объявил о создании эксклюзивного маркетплейса для поиска и установки плагинов. Эта инициатива также предусматривает предоставление стимулов как независимым разработчикам, так и компаниям, заинтересованным в создании инструментов для платформы.

Программа поощрения будет включать предоставление бесплатных вычислительных кредитов, называемых грантами токенов, а также техническую поддержку. Благодаря этим мерам DeepSeek стремится стимулировать производство новых расширений и увеличить участие третьих сторон в разработке Harness.

Команда DeepSeek Harness сделала общедоступным dsh-superagent — исследовательский прототип, который принимает запросы на разработку через GitHub и, при желании, через Feishu. Агент выполняет работу в отдельных сессиях и возвращает результаты, например, в виде запросов на слияние (pull requests) в исходный диалог.

Этот прототип настроен вокруг одного репозитория GitHub и функционирует как пакет для DeepSeek Harness. Он преобразует авторизованные запросы в рабочие задачи, выделяет для каждой задачи собственный рабочий каталог и сессию агента, а также предоставляет веб-панель для отображения вопросов, требующих внимания человека.

Проект исследует возможности кодирующих агентов по выполнению длительных задач с меньшей потребностью в координации со стороны человека. Реализация, которая была опубликована, возникла в результате ежедневного рабочего процесса команды и доступна под лицензией MIT.

Команда DeepSeek Harness опубликовала описание своего проекта, который они назвали Супер-агент. Этот агент спроектирован как постоянно действующая система, которая одновременно продвигает несколько задач, самостоятельно ищет работу и восстанавливается после сбоев. Соответствующий исследовательский прототип был выпущен на GitHub под лицензией MIT, как сообщили китайские технологические СМИ.

Репозиторий dsh-superagent-prototype представляет собой пакет проактивного кодирующего агента, предназначенного для работы с одним репозиторием GitHub в рамках экосистемы DeepSeek Harness. Агент отслеживает активность в GitHub, а также опционально в Feishu. Когда авторизованный пользователь запрашивает выполнение задачи, агент создает рабочий элемент, обрабатывает его в своей сессии и каталоге, а затем отвечает в исходном диалоге, например, через создание запроса на слияние (pull request).

В сопроводительной документации подчеркивается, что данный код является исследовательским, а не официальным продуктом DeepSeek, и некоторые концепции, описанные в документе, еще не реализованы.

Архитектура системы

Основная концепция построена на двухслойной архитектуре. Сессия маршрутизатора (Router) принимает всю человеческую активность из разных каналов, но сама не выполняет работу и может даже не иметь инструмента Bash. Задачи делегируются изолированным сессиям рабочих агентов (Worker), которые выполняют работу параллельно, используя полный набор инструментов, и отправляют отчеты обратно Маршрутизатору, минуя общение с пользователями.

Каждый Рабочий агент подписывается на интересующие его ветки, такие как обсуждение в чате или запрос на слияние, что позволяет последующим событиям поступать непосредственно к нему, не проходя через Маршрутизатор. Система функционирует на основе событий: триггерами выступают сообщения в чатах, электронные письма, комментарии к обзорам и результаты непрерывной интеграции (CI), которые сначала фильтруются детерминированным кодом, а затем моделью.

Команда также разделила состояние агента и среды выполнения, чтобы агент мог оставаться активным в облаке, взаимодействуя с локальными машинами пользователя. Дополнительно используется внешняя сессия Наблюдателя (Watchdog), которая контролирует, добиваются ли Рабочие агенты реального прогресса. В внутренней группе пользователей команда установила правило: экземпляр должен молча воспроизводить заявленные ошибки и сообщать о них только после того, как найдет простое решение, иногда открывая запрос на слияние до того, как кто-либо отметит проблему.

В ходе предварительных испытаний на синтетических нагрузках, включавших около 300 сообщений и примерно 20 запросов на работу, Супер-агент завершил половину задач за 12,4 минуты, а 95% — за 15,7 минут. Эти показатели превзошли результаты, достигнутые одной сессией с инструментом под-агента, хотя и потребовали больше кешированных токенов. Без прямого направления последующих событий к Рабочим агентам решения Маршрутизатора увеличились примерно на 30%, а пакетная обработка при высокой нагрузке снизила время вывода одного решения Маршрутизатора с 6,4 секунд до 1,6 секунды. Команда назвала эти результаты предварительным ориентиром.

Среди нерешенных вопросов, перечисленных командой, — масштабирование Маршрутизатора, долгосрочная память, межагентное взаимодействие и риск внедрения подсказок (prompt-injection) в случае, если облачный агент получает доступ к учетным данным на локальных устройствах.