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
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.
- 21 de nov. de 2026Chefe do Hugging Face promete defender a IA aberta após saída de Huang da Nvidia
- 21 de nov. de 2026Epoch AI, por imagens de satélite: data center da Huawei é 14 vezes mais fraco que o Colossus 2
- 21 de nov. de 2026Receita da nuvem de IA da Baidu sobe 94% para 8,2 bilhões de yuans, mas total cai 1%
- 21 de nov. de 2026CoreWeave treinou o DeepSeek-V3 671B em 17,65 minutos na Vera Rubin — 2,7 vezes mais rápido que a GB200
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.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.