Harness

La page de lancement de «DeepSeek Harness», datée du 13 août 2026, porte l'équation qui ancre le terme : agent égale modèle plus harnais, le modèle étant ce que DeepSeek appelle l'âme de l'agent, le harnais étant ce qui lui permet de lire son environnement, d'appeler des outils et de continuer à fonctionner dans des conditions réelles. Addy Osmani, Shubham Saboo et Sokratis Kartakis chiffrent cette répartition dans leur livre blanc Google de mai 2026 : modèle ~10 %, harnais ~90 %, ces 90 % couvrant les instructions, les outils et le «MCP», les sandboxes, l'orchestration, les hooks et l'observabilité. Leur preuve tient en un résultat de benchmark : sur Terminal Bench 2.0, le seul remplacement du harnais a fait passer un agent d'en dehors du Top 30 au Top 5. Leur conclusion, "most agent failures are configuration failures", déplace la qualité de l'agent loin du choix du modèle.

Bill Chen et Brian Fioca, de l'équipe Applied AI d'OpenAI, avaient formulé la même décomposition en novembre 2025, découpant un agent en interface utilisateur, modèle et harnais, et soutenant que le harnais est la partie sous-estimée : il absorbe les habitudes d'entraînement propres à chaque modèle (la tendance à tout lire avant d'agir), la latence, la compaction du contexte, l'intégration des outils et le sandboxing. La réponse d'OpenAI a consisté à positionner «Codex» comme un agent intégré, modèle et harnais réunis, plutôt que comme un simple modèle, et à dire aux développeurs de ne pas reconstruire cette couche à chaque fois.

La réponse de DeepSeek prend la forme inverse : un harnais défini par la composition de plugins et un unique journal en ajout seul, offert sous licence MIT la même semaine où sa tarification d'inférence a changé. Les deux positions traitent le harnais comme l'actif durable, pendant que les modèles se renouvellent.