Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoX: @0xpipimd→ original

Framework da DeepSeek para agentes de IA chega a 280 mil estrelas, e o ciclo do agente é um plugin

A DeepSeek abriu o framework para agentes de IA DeepSeek Harness (dsh), que já ultrapassou 280 mil estrelas no GitHub. Normalmente, esses sistemas têm um ciclo central que chama o modelo e executa as ferramentas. No dsh, o ciclo, o adaptador de modelo e a memória são plugins substituíveis sobre o framework Cordis, então o comportamento do agente pode ser alterado sem fazer um fork do projeto. Para quem desenvolve agentes de programação, é um exemplo pronto de arquitetura para estudar.

Processado por IA de X: @0xpipimd; editado por Hamidun News
Framework da DeepSeek para agentes de IA chega a 280 mil estrelas, e o ciclo do agente é um plugin
Fonte: X: @0xpipimd. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalX: @0xpipimd ↗
Editor-chefe
Dado-chave #1Licença MIT, mas o projeto ainda está em developer preview: as APIs podem mudar
Dado-chave #2O log da sessão guarda todos os eventos, incluindo as tentativas que falharam
Dado-chave #3Oferece perfis de execução web, headless e SDK

Se você já construiu seu próprio agente de programação, sabe no que ele costuma virar. No centro fica um grande ciclo: ele chama o modelo, executa as ferramentas, mantém o estado e distribui as tarefas. Com o tempo, novas condições são enfiadas nesse ciclo, e mexer nele passa a dar medo. A DeepSeek publicou o framework DeepSeek Harness (abreviado como dsh), que é estruturado de outra forma. De acordo com um post no X, o projeto já reúne mais de 280 mil estrelas no GitHub.

O ciclo do agente como peça substituível

Na maioria dos runtimes para agentes existe um executor central. Ele cuida de tudo ao mesmo tempo: conversa com o modelo, executa as ferramentas, controla o estado e coordena as tarefas. No dsh não há um monólito assim. O framework é construído sobre o Cordis, um framework de plugins em que as capacidades são montadas a partir de serviços compartilhados, eventos tipados e gerenciamento de ciclo de vida.

Pense em um kit de montar em vez de um brinquedo pronto. O adaptador de modelo, o sistema de memória e o próprio ciclo do agente são plugins separados. Quer outro provedor de LLM? Você o conecta por meio da interface comum. Quer que o agente planeje os passos de outra forma? Troca o plugin do ciclo, sem fazer fork do projeto inteiro.

A descrição lista as partes principais:

  • adaptadores de modelos com interface comum para diferentes provedores de LLM;
  • execução de ferramentas com acesso restrito e controle de execução configurável;
  • sessões persistentes;
  • orquestração de subagentes, tarefas e trabalho delegado;
  • ambientes de execução: execução local e sandboxes substituíveis;
  • extensão por plugins sem reescrever o ciclo.

O histórico da sessão separado do contexto do modelo

A solução mais prática diz respeito ao histórico. O log da sessão guarda os eventos, e a conversa que o modelo enxerga pode ser reconstruída a partir desse log. Por isso, as tentativas malsucedidas e canceladas permanecem no registro, mas não entram automaticamente no contexto do modelo.

Isso resolve um problema conhecido. O agente tenta um comando, ele falha e o agente tenta de novo. Se todas as falhas fossem levadas para o prompt, o contexto incharia e o modelo passaria a se apegar aos próprios erros. No dsh, há um registro completo para depuração, e o modelo recebe apenas o que você decidir mostrar a ele. Para analisar incidentes, reproduzir falhas e economizar tokens, essa separação é útil.

Há ainda outro detalhe: o framework oferece diferentes perfis de execução: web, headless e SDK. O mesmo motor pode ficar por trás de uma interface web, rodar em segundo plano em um servidor ou ser incorporado à sua própria aplicação.

O que fazer com isso e quais são as ressalvas

Para o desenvolvedor, o projeto tem dois valores. O primeiro é didático. Se você estuda como se engenheiram os frameworks de agentes, dá para ver como execução, ferramentas, memória e orquestração se conectam por meio de eventos e plugins. O segundo é prático: a licença MIT permite usar o código em produtos comerciais e adaptá-lo às suas necessidades.

As ressalvas são estas:

  • O projeto continua em developer preview, ou seja, a API e o comportamento podem mudar. Construir produção sobre ele hoje é arriscado.
  • O número de estrelas indica a atenção da comunidade, não a confiabilidade. Para isso, são necessários testes próprios.
  • A fonte da notícia é um post no X, e não um anúncio oficial. Os detalhes sobre o Cordis, os perfis de execução e o tratamento do histórico devem ser conferidos no repositório deepseek-ai.
  • A arquitetura baseada em plugins dá flexibilidade, mas cobra seu preço em complexidade. Mais partes móveis significam mais pontos de integração onde algo pode quebrar.

A conclusão prática é simples. Se você está projetando seu próprio agente, observe como o dsh separa o log de eventos do contexto do modelo. Essa ideia pode ser adotada mesmo que você não pretenda usar o framework. Se quer alterar o comportamento do agente sem fazer fork, teste em um protótipo pequeno quão confortável é escrever um plugin de ciclo. Isso mostrará se a abordagem atende às suas tarefas enquanto a API ainda não estiver estabilizada.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre O ciclo do agente como peça substituível?

Na maioria dos runtimes para agentes existe um executor central. Ele cuida de tudo ao mesmo tempo: conversa com o modelo, executa as ferramentas, controla o estado e coordena as tarefas. No dsh não há um monólito assim. O framework é construído sobre o Cordis, um framework de plugins em que as capacidades são montadas a partir de serviços compartilhados, eventos tipados e gerenciamento de ciclo de vida. Pense em um kit de montar em vez de um brinquedo pronto.

O que se sabe sobre O histórico da sessão separado do contexto do modelo?

A solução mais prática diz respeito ao histórico. O log da sessão guarda os eventos, e a conversa que o modelo enxerga pode ser reconstruída a partir desse log. Por isso, as tentativas malsucedidas e canceladas permanecem no registro, mas não entram automaticamente no contexto do modelo. Isso resolve um problema conhecido. O agente tenta um comando, ele falha e o agente tenta de novo. Se todas as falhas fossem levadas para o prompt, o contexto incharia e o modelo passaria a se apegar aos próprios erros.

O que fazer com isso e quais são as ressalvas?

Para o desenvolvedor, o projeto tem dois valores. O primeiro é didático. Se você estuda como se engenheiram os frameworks de agentes, dá para ver como execução, ferramentas, memória e orquestração se conectam por meio de eventos e plugins. O segundo é prático: a licença MIT permite usar o código em produtos comerciais e adaptá-lo às suas necessidades. As ressalvas são estas: O projeto continua em developer preview, ou seja, a API e o comportamento podem mudar. Construir produção sobre ele hoje é arriscado.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…