DeepSeek Harness: Como a DeepSeek Usa Cordis para Redefinir Agentes de IA Autônomos

Parte 2 da série DeepSeek Harness: Kernel to Edge: Explorando o DeepSeek Harness (DSH), sua arquitetura 'tudo-é-um-plugin', como ele aproveita o Cordis por trás das cenas e como se compara ao OpenCode, Pi, LangGraph e CrewAI.

DeepSeek Harness: Kernel to Edge

Este artigo é Parte 2 de uma análise arquitetônica e prática em três partes:

1. Parte 1: Entendendo o Cordis: O Framework TypeScript Construído para Trocas Quentes de Tudo (primitivas de microkernel, composabilidade espaciotemporal, pilhas de limpeza reversas, ciclos de vida sem vazamentos).
2. Parte 2 (Este Artigo): DeepSeek Harness: Como o DeepSeek Usa o Cordis para Redefinir Agentes de IA Autônomos (O paradigma do meta-harness, Cordis como um kernel de agente, comparando DSH ao OpenCode e Pi).
3. Parte 3: Executando o DeepSeek Harness em uma GPU de 8GB: Ajuste de Contexto, Presets e Limites de Hardware (Implantação local prática com Ollama, Ornith-1.5, aritmética de VRAM, presets mínimos vs. padrão e TUI).

1. Introdução: Além da Cadeia de Prompt

No Parte 1, exploramos Cordis, o framework TypeScript leve criado por Shigma (Yifan Shi) que garante recarga quente sem tempo de inatividade e ciclos de vida de plugins limpos através de efeitos reversíveis.

Quando os desenvolvedores encontraram o Cordis pela primeira vez, a maioria o via principalmente como a base para o ecossistema de chatbots Koishi. Em 2026, DeepSeek AI adotou-o como o motor fundamental para DeepSeek Harness (dsh).

A DeepSeek optou por não construir sua estrutura de agentes em Python, evitando tanto bibliotecas genéricas de encadeamento de prompts quanto motores de interpretação de papéis opinativos.

Em vez disso, DeepSeek contratou Shigma, usou o Cordis como seu microkernel e publicou pesquisas fundamentando a abordagem ("Um Paradigma de Programação para Composabilidade Espaciotemporal", arXiv:2608.25512).

O resultado é DeepSeek Harness (DSH): uma estrutura de agente de código aberto construída sobre uma regra de design distinta:

"Não há núcleo privilegiado. Cada capacidade (o adaptador de modelo, o sandbox, as ferramentas, o log de sessão e até mesmo o loop do agente em si) é um plugin substituível."

Este artigo examina como o DeepSeek Harness usa o Cordis por trás das cenas, como sua arquitetura opera e como se compara a outras estruturas de agentes.

2. Por Que Chamar de "Harness"? (Desembaraçando a Terminologia)

Na indústria de software, a palavra "harness" se tornou uma das palavras-chave mais sobrecarregadas em IA. Dependendo de com quem você fala, um "harness" pode significar um executor de benchmark, um chatbot CLI ou uma estrutura complexa de múltiplos agentes.

Para entender o DeepSeek Harness, precisamos desembaraçar as três categorias distintas de harnesses que operam no ecossistema de IA hoje:

1. Categoria 1: Harnesses de Avaliação (Rigs de Benchmark):
   • Exemplos: executores de teste SWE-bench, fixtures HumanEval.
   • Propósito: Uma estrutura de teste rígida projetada para alimentar um problema a um modelo, executar um conjunto de testes em um contêiner Docker e relatar uma nota de aprovação/reprovação. Eles são rigs de teste, não tempos de execução de aplicações de produção.
2. Categoria 2: Harnesses de Aplicação / Codificação (Assistentes Interativos):
   • Exemplos: OpenCode, Agente de Codificação Pi, Claude Code.
   • Propósito: Ferramentas de desenvolvedor especializadas projetadas para programação em par interativa, com humanos no loop, em um terminal ou IDE. Elas vêm pré-configuradas com um conjunto fixo de ferramentas de desenvolvedor (read, edit, bash) rodando diretamente em sua máquina.
3. Categoria 3: Meta-Harnesses / Sistemas Operacionais de Agentes:
   • Exemplo: DeepSeek Harness (DSH).
   • Propósito: Um microkernel sem opiniões, sem cabeça. O DSH não pressupõe o que o agente está fazendo. Ele fornece uma estrutura de sistema operacional de baixo nível (isolamento de processos, fluxos de sessão apenas para adição e ciclos de vida de plugins reversíveis) sobre a qual você pode montar um harness de avaliação, um assistente de codificação interativo ou um pipeline de pesquisa autônoma simplesmente alterando um perfil de configuração.

Modelos como DeepSeek-R1 e DeepSeek-V3 requerem suporte substancial em nível de host para realizar trabalhos de múltiplas etapas:

1. Sandboxes de Execução: contêineres Docker, processos filhos e sistemas de arquivos isolados.
2. Interfaces Externas: busca na web, raspadores de documentação e APIs externas.
3. Persistência de Sessão: registro determinístico que grava o histórico de execução sem deriva de estado.
4. Políticas de Segurança: interceptores que validam comandos antes da execução.

A maioria das estruturas de agentes trata essas capacidades como utilitários periféricos. DeepSeek Harness trata o harness como um kernel de sistema operacional, fornecendo a estrutura estrutural necessária para executar modelos de forma autônoma sem processos órfãos, vazamentos de memória ou escapes de execução.

3. Por Que o DeepSeek Adotou o Cordis

Por que o DeepSeek escolheu o Cordis em vez de frameworks existentes em Python?

Limitações dos Frameworks de Agentes em Python

A maioria das ferramentas de agentes populares (LangChain, AutoGen, CrewAI) são escritas em Python. Embora o Python seja o padrão para treinamento de ML e operações de tensor, ele introduz fricção arquitetônica ao construir tempos de execução de agentes de longa duração:

• Memória Monotônica: O coletor de lixo do Python e o cache de módulo global dificultam a descarga dinâmica. Se um agente inicia um processo em segundo plano ou anexa um ouvinte de eventos, limpá-lo de forma limpa requer contabilidade manual.
• Alta Sobrecarga de Inicialização: As bibliotecas de agentes em Python muitas vezes levam segundos apenas para importar suas árvores de dependência.
• Gráficos Rígidos: Ferramentas como LangGraph modelam fluxos de trabalho como gráficos direcionados estáticos. Se um agente descobre no meio do caminho que precisa de uma nova ferramenta, adicionar essa ferramenta dinamicamente geralmente requer recompilação.