DeepSeek Harness: đáng chú ý ở quyền kiểm soát agent hơn cuộc đua viết code

Các chế độ có ích khi chúng thu hẹp đúng loại công việc cần làm, thay vì được hiểu như những cấp độ chất lượng. Theo phần mô tả tính năng của XDA, DeepSeek Harness có các bộ plugin sau:

Giảm số thành phần có thể làm phép thử dễ giải thích hơn, nhưng không tự chứng minh rằng kết quả sẽ nhanh hoặc chính xác hơn. Người dùng cần chọn theo loại công việc, rồi kiểm tra bằng dự án thực tế của mình, thay vì mặc định chế độ nhiều công cụ nhất là phù hợp nhất.

Khả năng dùng lại chỉ dẫn dự án cũng giúp giảm công chuyển đổi. XDA ghi nhận Harness đọc cả CLAUDE.md lẫn AGENTS.md, dùng PowerShell trên Windows và bash trên các nền tảng khác. Tuy vậy, đọc được cùng tệp hướng dẫn không đảm bảo hai agent sẽ diễn giải giống nhau; những yêu cầu quan trọng vẫn cần được kiểm tra qua kết quả chạy test và phần thay đổi trong Git.

Kết quả giống nhau ở một thay đổi nhỏ cho thấy chưa cần model đắt hay một quy trình phức tạp để hoàn tất mọi tác vụ, nhưng không đủ để tuyên bố hai công cụ ngang nhau. XDA dùng hai bản sao mới của cùng dự án Flask, mỗi agent chỉ làm việc trong thư mục được giao. Yêu cầu gồm chạy bộ test sẵn có, thêm GET /api/ping trả JSON với status là ok, bổ sung test rồi chạy lại.

Theo cấu hình XDA công bố, DeepSeek Harness dùng V4.1 Flash 1017, Standard, Workspace Write và High reasoning; Claude Code dùng Opus 5.5 High với Auto mode. Đây là so sánh hai cấu hình mặc định khác nhau, không phải phép đo tách riêng chất lượng harness khi giữ nguyên model.

Số liệu: XDA-Developers, 15 giây so với 21 giây trên cùng tác vụ Flask với hai cấu hình mặc định.

DeepSeek Harness hoàn thành sớm hơn trong lượt chạy này, còn cả hai tạo ra cùng mã nguồn; chưa có cơ sở để mở rộng kết luận sang sửa lỗi đa tệp hoặc dự án lớn.

Token tổng cũng không phải hóa đơn. Giá phụ thuộc model, cách tính token cache và token đầu ra, trong khi tỷ lệ cache cao chỉ mô tả một phần của lượt gọi. Vì không có đối chiếu hóa đơn tương ứng, lấy số token trong bảng để kết luận công cụ nào tiết kiệm hơn sẽ vượt quá điều phép thử chứng minh.

Việc không xuất hiện hộp xin phép chỉ mô tả hành vi ở tác vụ và cấu hình này. Nó không xác nhận agent bị giới hạn an toàn trước mọi lệnh khác, cũng không nói rằng công cụ nào không có cơ chế phê duyệt. Với một dự án thật, kiểm tra quyền thực thi cần tách khỏi kiểm tra chất lượng code.

Khả năng kiểm tra từng hành động đáng giá hơn một đoạn tổng kết nghe hợp lý sau khi công việc kết thúc. Trajectory đặt lịch sử thực thi vào một giao diện có thể đọc được, gồm các lần gọi công cụ và ngữ cảnh trao đổi. Khi bản sửa không đúng, người dùng có cơ hội xác định agent đã đọc nhầm tệp, thiếu thông tin hay chạy sai bước.

Đây là khác biệt về khả năng quan sát, không phải bằng chứng DeepSeek Harness luôn suy luận tốt hơn. Nhật ký cho phép đối chiếu điều agent nói với điều công cụ thực sự trả về, nhưng người kiểm tra vẫn phải hiểu dự án để nhận ra một kết luận sai. Dễ xem lịch sử có thể rút ngắn việc chẩn đoán; nó không bảo đảm bản sửa đúng.

Claude Code cũng có log, nên không thể mô tả đối thủ như một công cụ hoàn toàn không lưu dấu vết. Điểm khác trong trải nghiệm được đối chiếu là Trajectory hiện trực tiếp trong phiên làm việc, còn bản tổng kết mặc định của Claude Code ngắn hơn và phần chi tiết cần tìm trong tệp JSON. Với người thường xuyên phải tìm nguyên nhân agent đi sai hướng, cách trình bày này là lợi thế thực dụng.

Nhật ký chi tiết đồng thời tạo thêm dữ liệu cần bảo vệ. Ngữ cảnh có thể chứa nội dung tệp hoặc đầu ra lệnh không nên chia sẻ rộng, vì thế quyền truy cập log cần được xem xét cùng quyền truy cập kho mã, thay vì coi nó chỉ là thông tin chẩn đoán vô hại.

Quyền riêng tư là điểm cần xử lý trước khi đưa một kho mã nhạy cảm vào DeepSeek Harness. Giao diện chạy trên máy không có nghĩa toàn bộ xử lý cũng diễn ra ở máy: nếu model nằm ở dịch vụ API, nội dung cần cho lượt suy luận vẫn đi tới dịch vụ đó.

XDA ghi nhận telemetry và analytics bật mặc định, cùng tùy chọn trong Settings để tắt tải nhật ký phiên khi dùng API model chính thức. Những mục còn lại cần điều chỉnh trong cordis.patch.yml, gồm desktop-product-telemetry, product-analytics và session-telemetry-otel. Tắt tải nhật ký phiên không nên được hiểu là đã tắt tất cả các nhóm thu thập dữ liệu.

Các thiết lập này cũng không đồng nghĩa với một cuộc kiểm toán lưu lượng mạng. Nguồn thử nghiệm không thực hiện phân tích gói tin, vì thế chưa thể xác nhận chỉ từ ảnh cài đặt rằng không còn kết nối nào gửi dữ liệu ra ngoài. Với doanh nghiệp, yêu cầu bảo mật cần được kiểm tra bằng chính sách mạng và phạm vi dữ liệu cho phép, không dừng ở trạng thái công tắc.

Hỗ trợ model cục bộ mở ra lựa chọn kiểm soát đường đi dữ liệu tốt hơn, nhưng vẫn cần xét cấu hình endpoint và các plugin đang bật. Một mô hình chạy trong mạng nội bộ chỉ giải quyết lớp suy luận; quyền chạy lệnh và các luồng telemetry là những lớp riêng. Kiến trúc mở khiến chúng có thể kiểm tra và điều chỉnh, chứ không khiến chúng tự an toàn.

Chi phí đáng cân nhắc của DeepSeek Harness nằm ở việc vận hành, không phải phí mua phần mềm. Kho mã chính thức dùng giấy phép MIT; người dùng tại Việt Nam có thể cài qua Node.js với lệnh npx @deepseek-ai/dsh web. Theo README, Web UI mặc định ở http://127.0.0.1:3080, còn việc gọi model thương mại vẫn phụ thuộc tài khoản API được cấu hình.

Với nhóm muốn chuyển nhà cung cấp khi nhu cầu thay đổi, tách model khỏi harness có thể giảm công chuyển quy trình. Các chỉ dẫn dự án và cách xem lịch sử không nhất thiết phải được xây lại chỉ vì đổi endpoint. Tuy nhiên, model khác vẫn có thể gọi công cụ khác đi, nên giữ nguyên harness không đồng nghĩa giữ nguyên chất lượng đầu ra.

Mặt hạn chế rõ nhất là độ ổn định của nền tảng. DeepSeek vẫn đánh dấu dự án là developer preview và cảnh báo có thay đổi phá vỡ tương thích. Một nhóm nhỏ không có người phụ trách công cụ nội bộ có thể mất nhiều thời gian xử lý nâng cấp hơn mức tiết kiệm được từ việc tự tùy biến.

Cách đánh giá phù hợp là bắt đầu ở kho mã có thể phục hồi, giữ thay đổi trong nhánh riêng, kiểm tra phần diff và chạy lại bộ test của dự án. Chỉ sau khi quy trình đó ổn định mới nên cân nhắc mở rộng phạm vi sử dụng. Đó là lựa chọn triển khai, không phải kết luận rằng phần mềm đã sẵn sàng cho mọi môi trường sản xuất.