DEV Community: TechNotes

DeepSeek Harness Desktop: приложение для Windows и Mac, установка и плагины

TechNotes — Mon, 05 Oct 2026 07:00:01 +0000

До 30 сентября DeepSeek Harness запускали командой npx @deepseek-ai/dsh web в терминале, интерфейс открывался в браузере на локальном адресе. Нужны были Node.js, терминал и pnpm для первой установки плагина. Для новичка это барьер. 30 сентября вышла десктопная версия: скачать установщик, поставить, войти в аккаунт.

Что это за программа

DeepSeek Harness, коротко dsh, — агентный харнесс. Он связывает языковую модель с инструментами: агент читает и правит файлы в папке, запускает команды, выходит в сеть, строит план и готовит отчёт.

Код открыт под лицензией MIT. Репозиторий создан 13 августа 2026 года, к началу октября у него 243 тысячи звёзд и 29 тысяч форков. Девиз — «Everything is a Plugin».

На фреймворке Cordis собраны модель, инструменты, песочница, хранилище сессий, интерфейс и цикл агента. Поэтому поведение меняется без правки исходников, и за полтора месяца вырос каталог сторонних дополнений.

Две официальные сборки и неофициальная третья

На странице deepseek.com/harness есть кнопки для macOS на Apple и Windows 64 бита. Размеры сняты запросом заголовков к серверу загрузок.

Сборка	Файл	Размер
Windows x64	`dsh-latest-windows-x64.exe`	289 МБ
macOS, Apple Silicon	`dsh-latest-macos-arm64.dmg`	370 МБ
macOS, Intel	`dsh-latest-macos-x64.dmg`	386 МБ

Все три файла датированы 29 сентября, выпуск — 0.2.0-rc.2. Сборки для Intel на странице загрузки нет, хотя файл лежит на сервере. В журнале выпуска для неё указана починка: неверная подпись встроенного Node, из-за чего при запуске падали офисные навыки. Эту сборку проверяют меньше.

Что лежит внутри установщика

Оболочка — Electron вокруг того же веб-интерфейса. README называет её тонкой и такой же по поведению, как веб-версия. Большой вес объясняется просто: внутрь упаковали всё сразу.

Слоёв четыре:

dsh с полным деревом зависимостей в подписанном архиве приложения;
Node.js (исполняемый файл Electron) и pnpm для установки плагинов;
отдельный Python с numpy, pandas, python-docx, python-pptx, openpyxl, Pillow, lxml, XlsxWriter;
три офисных навыка по умолчанию: Word, презентации, Excel.

Установка на Windows

Мастер установки классический, в конце галочка «запустить после установки». Программа оказывается в AppData\Local\Programs\DeepSeek Harness. Запущенное приложение блокирует установку, выйти придётся через трей.

После старта в трее появляется значок: одиночный щелчок показывает окно, меню умеет открыть или выйти. Крестик окно не закрывает, а прячет, при первом закрытии будет подтверждение и объяснение, что задачи продолжаются. Alt+F4 и «Закрыть окно» на панели задач действуют так же.

Установка на Mac

Открываете образ и перетаскиваете значок в «Программы». В скриптах есть подпись и нотаризация Apple, поэтому предупреждения о неизвестном разработчике быть не должно. Красная кнопка и ⌘W прячут окно, приложение остаётся в Dock и работает. Значка в строке меню нет, окно возвращается щелчком по Dock, полный выход — ⌘Q.

Правка 0.2.0-rc.2 решила старую проблему: GUI-программы macOS не видели переменные из ~/.zshrc и ~/.zprofile, поэтому агент не находил инструменты Homebrew и настройки прокси. При старте запускается оболочка входа, забирает окружение и передаёт его агенту, терминалам и плагинам. Таймаут — десять секунд, дальше перебираются zsh, bash и sh. Правки в файлах оболочки подхватятся после полного перезапуска.

Первый запуск и рабочее окно

Войти можно в аккаунт DeepSeek через системный браузер или вставить ключ API с platform.deepseek.com. Третья кнопка — «настроить позже», но вопрос вернётся при следующем запуске. С версии 0.1.7-rc.2 после входа идёт знакомство: информация о лимите, вопрос о назначении, выбор подробности показа хода работы. Прерванное знакомство продолжают позже.

Работа начинается с выбора папки, без неё поле ввода недоступно. Свежая установка создаёт папку по умолчанию и пустую сессию, первый запрос можно отправить сразу. Слева сессии с группировкой по папкам, закреплением, архивацией и фильтрацией.

Внизу поле ввода с выбором модели, уровня рассуждения и режима агента. Режимов четыре: стандартный, «создатель» для разработки плагинов, PTC и минимальный с урезанным набором.

Окно закрыли, а агент работает

Закрытие окна работу не останавливает: страница и сервер продолжают жить, задачи выполняются. Вернувшись, вы получите ту же сессию, черновик и положение прокрутки. Если агент работает, ждёт подтверждения или очередь сообщений не пуста, выход спросит подтверждение и перечислит, что прервётся. Без работы приложение выходит молча.

Права: песочница и подтверждения

Это два независимых рычага. Режим песочницы задаёт, куда команды агента могут писать, а политика подтверждений — о чём агент обязан спросить. В интерфейсе всё собрано в один переключатель с готовыми наборами.

Первый набор разрешает запись только в рабочую папку и временный каталог, на остальное спрашивает разрешение. Второй снимает ограничения и вопросы, его название — danger-full-access.

Обновления идут своим чередом

Проверка запускается при старте и дальше примерно раз в десять минут, ничего не скачивает и окон не открывает. О новой версии сообщает строка аккаунта в левом нижнем углу.

Установка ручная: щелчок, загрузка с процентами, проверка файла, окно с кнопками установки и перезапуска. При работающих задачах появится предупреждение: остановиться и обновиться или отложить. На Windows программа закроется и откроется сама, вручную запускать не нужно.

Чего стоит опасаться

Плагин работает с правами пользователя. Каталог awesome-dsh-plugin предупреждает: плагин читает файлы, пользуется ключами, ходит в сеть. Подтверждения инструментов на код плагина не распространяются, а попадание в каталог не значит проверку безопасности.

Незнакомый плагин ставьте там, где нет ключей. Сборочные скрипты зависимостей подчиняются правилам pnpm, окна «разрешить ли» для них нет, и это записано в списке известных ограничений.

Кому ставить уже сейчас

Тем, кто останавливался на слове «терминал»: установщик снимает этот порог. Офисные навыки и предпросмотр документов полезны вне программирования: разобрать таблицу, собрать отчёт, свести папку документов в один файл. Вторая аудитория — те, кто уже работает с dsh из терминала: сессии общие, команда ставится из меню, а фоновые задачи без открытой вкладки браузера удобнее.

В полном материале есть разбор работы с командной строкой и общего дома, часть про сеть и прокси, а также про плагины и с чего начать.

Текст подготовлен с использованием искусственного интеллекта.

Opus 5.5, Fable 5.1, GPT-6, DeepSeek и Grok: цены и скорость

TechNotes — Sat, 03 Oct 2026 01:01:05 +0000

Осень 2026 года выдалась самой плотной за историю этой гонки. За четыре недели вышли модели от четырёх лабораторий, и выбрать между ними по рекламным таблицам уже не получается. Ниже — что и когда выпустили, почему цифры производителей стоит делить и насколько быстро модели решают задачи на самом деле.

Календарь релизов уместился в один месяц

1 сентября 2026 года Anthropic выпустила Claude Fable 5.1. Через два дня OpenAI показала GPT-6 Astra. 10 сентября DeepSeek выпустила V4.1 Flash без презентации, а 21 сентября xAI выпустила Grok 4.7.

Следующий день оказался самым плотным: 22 сентября Anthropic выпустила Claude Opus 5.5, а OpenAI — GPT-6 Sol и GPT-6 Luna. 28 сентября вышла Claude Sonnet 5.5, 29 сентября — GPT-6.1 Sol. GPT-6.1 Astra OpenAI в ожидавшийся день так и не выпустила.

Таблицам производителей верить можно только грубо

Цифры компаний выгодны их собственным моделям, и причины просты: выбор тестов, уровень рассуждения, собственная обвязка. Один и тот же тест в разных обвязках даёт разные числа. Terminal-Bench 4.0 для Grok 4.7 — 37,6 % у xAI против 33 % у Artificial Analysis. Сравнивать по таблицам разных компаний можно, но результат будет грубым.

Скорость печати: разрыв почти в четыре раза

По данным Artificial Analysis на 3 октября 2026 года лидирует DeepSeek V4.1 Flash — 224 токена в секунду. Дальше идут Claude Sonnet 5.5 (140), GPT-6 Luna (125), DeepSeek V4 Pro (109), Claude Opus 5.5 на максимальном уровне (93), Grok 4.7 (79), Claude Fable 5.1 (68), GPT-6.1 Sol (61). Замыкает список GPT-6 Astra с 54 токенами в секунду.

Время до первого слова расходится ещё сильнее

Здесь разброс куда драматичнее. Обе модели DeepSeek отвечают за 1–2 секунды, Grok 4.7 — за 43. GPT-6 Luna доходит до первого токена за 133 секунды, Claude Fable 5.1 — за 187, GPT-6.1 Sol — за 282, GPT-6 Astra — за 319. Claude Sonnet 5.5 тратит 444 секунды, а Claude Opus 5.5 на максимальном уровне — 689 секунд.

Сколько часов чистой печати уходит на весь прогон

Если поделить выходные токены прогона индекса на скорость печати, картина такая (оценка по данным Artificial Analysis, 3 октября 2026). Claude Sonnet 5.5: 420 млн токенов при 140 токенов/с — около 840 часов. Примерно столько же у Grok 4.7. Claude Opus 5.5 и Claude Fable 5.1 — около 780 часов, DeepSeek V4 Pro — около 410, GPT-6 Astra и GPT-6.1 Sol — около 300 часов.

Это именно оценка, а не замер: запросы идут параллельно, скорость меняется со временем.

Тест BitsMinds: качество против минут

22 сентября 2026 года BitsMinds прогнали Opus 5.5, Fable 5.1 и GPT-6 Astra на трёх заданиях: развязка шоссе в SVG, ярмарка у моря, страница запуска ракеты. По одной попытке на максимальном рассуждении.

Качество: Opus 5.5 — 10 очков, Fable — 9, Astra — 8. По времени развязка заняла у Opus 59 минут, у Fable 26, у Astra 16. Ярмарка: 63, 35 и 27 минут. Ракета: 77, 49 и 28 минут. Opus рассуждал около часа до первой строки кода, а Astra оказалась быстрее более чем вдвое в каждом раунде.

DataCamp: дешёвая итерация против одного долгого круга

DataCamp сравнил Opus 5.5 и GPT-6 Sol на клоне «Тетриса» с переворотом гравитации каждые 20 секунд. Механику правильно сделали обе модели, но подошли к ней по-разному.

Sol: 6 ходов, 9 вызовов инструментов, 5 баллов из 5, 26 центов
Opus: 3 хода, 2 вызова инструментов, 4,3 балла, 87 центов

Sol быстро пробовала и исправляла, Opus долго думал и писал сразу. Итог: у Sol выше балл и втрое ниже цена.

Одна модель и одна задача могут отличаться в пять раз

Grok 4.7 на средней задаче индекса выдаёт 81 тысячу выходных токенов. При 188 токенах/с в день выхода это около семи минут. При 40 токенах/с через четыре дня — больше получаса. При нынешних 79 токенах/с — около семнадцати минут.

Быстрее решает и лучше решает — это разные модели

Если нужен результат с первой попытки и вы готовы ждать, берите Opus 5.5 на высоком рассуждении. Если нужен рабочий вариант за четверть часа и дешевле, смотрите на GPT-6 Astra и GPT-6.1 Sol. А если задача поддаётся итерациям, Sol обойдётся втрое дешевле одного долгого круга Opus.

Что делать с этими числами дальше, зависит от вашего сценария: в полной версии есть прейскурант API за миллион токенов, разбор кэша на длинной сессии, сравнение подписок, а также инструкции, как проверить модели на своих задачах и как с этим работать из России.

Текст подготовлен с использованием искусственного интеллекта.

SEO-плагины на DeepSeek Harness: что переезжает из Claude Code, а что нет

TechNotes — Tue, 22 Sep 2026 23:22:38 +0000

Год подряд SEO-плагины к нейросети значили для меня только одну связку: Claude Code и несколько MCP-серверов — Search Console, DataForSEO, выгрузки краулера. Модель сама забирает цифры, а не сочиняет их. Потом DeepSeek показал свой агентный харнесс DeepSeek Harness, коротко dsh, и стало интересно: реально ли перетащить туда весь набор и платить по тарифам DeepSeek, не переучиваясь и не трогая проекты.

Коротко — да, и почти без потерь. Подробности ниже, по слоям.

Что такое dsh простыми словами

Это запускатель профилей. Профиль — выстроенная стопка плагинов, сверху ваш слой настроек, файл cordis.patch.yml внутри папки профиля. Сразу в комплекте веб-интерфейс, headless для одиночных заданий и режимы под автоматизацию. Устанавливается из npm, пакет @deepseek-ai/dsh.

Сразу оговорюсь: сейчас это версия 0.1.5, релиз-кандидат. Документация хорошая, но на боевых задачах я бы рядом держал привычный клиент — мало ли что поменяется от версии к версии.

SEO-набор в любом харнессе складывается из трёх слоёв: где брать данные, по каким правилам с ними работать, что делать, если модель свернула не туда. Пройду по каждому.

Первый слой — данные через MCP

За это отвечает плагин dsh-mcp-client. Одна запись — один сервер, без обёрток. Вот DataForSEO, запущенный у вас на машине:

- insert:
    - id: mcp-dataforseo
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: dataforseo
        transport: stdio
        command: npx
        args: ['-y', 'dataforseo-mcp-server']
        env:
          DATAFORSEO_LOGIN: !!js process.env.DATAFORSEO_LOGIN
          DATAFORSEO_PASSWORD: !!js process.env.DATAFORSEO_PASSWORD

Облачные серверы, те же Ahrefs или Semrush, подключаются похоже: вместо stdio пишете transport: streamable-http и адрес. Ключи кладутся в переменные окружения, в файл профиля их совать не надо.

Удобная мелочь: названия инструментов совпадают с Claude Code — mcp__dataforseo__.... Всё, что у вас привязано к этим именам, будь то правила разрешений или привычные формулировки заданий, едет без правок.

А теперь то, что выяснится лучше до переезда:

Мост пропускает только инструменты. Ресурсы MCP и готовые подсказки (prompts) не работают. Если ваш сервер Search Console отдаёт отчёты ресурсами, модель их не увидит.
На вызов стоит таймаут — 60 секунд по умолчанию. Объёмная выгрузка выдачи сразу по куче ключей может не влезть. Поле toolCallTimeoutMs это чинит.
Сервер не поднялся — харнесс всё равно стартует, просто без его инструментов, с ошибкой в логе. Для ночного прогона такая тишина опасна: задание отработает, но без данных. Поставьте failOnStartupError: true, чтобы падало открыто.

Второй слой — правила живут в навыках

Сервер приносит цифры, но не знает ваших порядков: какой длины заголовки, что делать с дублями, по чему разводить фразы на разные посадочные. Раньше это лежало в длинной подсказке, которую каждый сочинял на свой лад. В dsh под это есть навыки — те же skills, что в Claude Code.

Навык — это папка с файлом SKILL.md либо просто файл <имя>.md в одном из корней, которые харнесс просматривает:

.dsh/skills в корне проекта;
.agents/skills там же;
$DSH_HOME/skills — общие навыки пользователя.

Сверху у файла шапка с обязательными полями name и description. По описанию модель понимает, когда навык включить, а тело подгружает только в этот момент. Вот пример:

---
name: semantika-klastery
description: "Разбор выгрузки Вордстата на группы под посадочные страницы"
---
1. Читай выгрузку целиком, не кусками.
2. Фразы на одну страницу, только если выдача по ним совпадает.
3. В конце сверь число строк на входе и на выходе. Не сошлось — задача не сделана.

Третий пункт я теперь вставляю в каждую пакетную задачу. Модель умеет тихо переварить сто строк из пятисот и отчитаться, будто всё готово. Счётчик на входе и выходе ловит такое куда надёжнее, чем вчитывание в отчёт.

Две мелочи в плюс. Тело навыка перечитывается при каждой загрузке, так что правило можно подправить прямо посреди работы, без перезапуска. И вторая: папку .claude/skills харнесс по умолчанию не просматривает. Если навыки уже там, пропишите её в customSkillDirs, копировать не нужно.

Третий слой — хуки как страховка

Главное, что я вынес из года работы с плагинами: первые месяц-два модели не даём права записи. Она смотрит и предлагает, а меняет человек. В Claude Code это решается хуками, и тут приятный момент: у dsh есть мост dsh-hooks-claude-code, он исполняет ваш готовый hooks.json без переписывания.

- insert:
    - name: '@deepseek-ai/dsh-hooks-claude-code'
      config:
        configPath: ./.claude/hooks.json
        projectDir: .

Основные события работают: PreToolUse может запретить вызов инструмента или попросить подтверждение, PostToolUse — вернуть модели результат с замечанием, Stop — вынудить сделать ещё шаг, если проверка не сошлась. Хук «не трогай CMS без меня» и хук «не заканчивай, пока счётчики не сойдутся» переносятся как есть. Одно ограничение: мост берёт только командные хуки — те, что запускают внешнюю программу.

Ночной аудит без интерфейса

Для регулярных задач есть профиль headless: одно задание, один ответ, выход.

dsh --profile headless "Сверь страницы из карты сайта с кодами ответа и закрытием в robots. Итог — таблица."

Такую строку нетрудно повесить в планировщик раз в неделю. Задача стартует в текущей папке — там лежат навыки проекта, — а сессия сохраняется. Утром открываете и смотрите, что агент делал и где сбился.

Где зарыта экономия

DeepSeek дешевле не только по прайсу. У агента, который подолгу сидит в одном проекте, почти весь вход — это повторное чтение кэша: инструкции, описания инструментов, история шагов. А кэш у DeepSeek стоит копейки, тем более вне пиковых часов.

У MCP есть и другая сторона: описания всех инструментов подключённого сервера уходят в каждый запрос. Полсотни инструментов на сервере — постоянная надбавка на каждом шаге. Пока список не трогают, эта часть не меняется и уходит в кэш. Стоит серверу обновить набор инструментов — кэш сбивается с этого места и дальше.

Отсюда простое правило: не подключайте всё сразу. Держите отдельный профиль под семантику и отдельный под технический аудит, в каждом только нужные серверы. Для dsh это ложится само собой: профиль и есть такая стопка.

Что в итоге

Переезд SEO-набора на DeepSeek Harness — это скорее перенос файлов, чем переделка:

MCP-серверы заводятся одной записью, имена инструментов те же, что в Claude Code;
навыки — тот же формат SKILL.md, старую папку достаточно указать в настройках;
хуки из hooks.json работают через мост, если они командные;
не переезжают ресурсы MCP и готовые подсказки — проверьте, не висит ли на них что-то важное;
для регулярных отчётов есть headless, для разных задач — разные профили.

Осталось разобраться с тем, чего харнесс не решает: модель подаёт строки, а не выводы. Что развивать, от чего отказаться и что сказать клиенту — это по-прежнему решаете вы.

Текст подготовлен с использованием искусственного интеллекта.

DeepSeek напрямую или через подписку Ollama: что выгоднее харнессу

TechNotes — Mon, 21 Sep 2026 06:14:36 +0000

Сравнивать DeepSeek и Ollama как два разных продукта бессмысленно: внутри обоих работает одна и та же модель — DeepSeek-V4-Pro. Разница в том, за что вы платите. У DeepSeek вы оплачиваете только токены по факту. У Ollama — подписку за 20 долларов, внутри которой 60 долларов расхода. И есть деталь, которую обычно замечают в последнюю очередь: время суток, когда запускаются задачи.

За токен берут одинаково, но с оговорками

Прайс на модель у обоих поставщиков совпадает до долей цента. За миллион токенов:

вход при попадании в кэш: DeepSeek — $0,003 вне пика, Ollama — $0,022;
вход при промахе кэша: $0,15 против $0,66;
выход: $0,60 против $1,98;
подписка: у DeepSeek её нет, у Ollama — $20 в месяц, включая $60 расхода.

Обе цифры — базовые ставки, без пиковых коэффициентов. И здесь DeepSeek вне пика берёт ровно в два раза меньше Ollama. Главное слово — «вне пика». У DeepSeek удвоенный тариф действует в окна 01:00–04:00 и 06:00–10:00 UTC по будням, всё остальное — включая выходные — считается по половине. У Ollama пик наступает в 12:00–18:00 UTC по будням.

Какую часть счёта делает кэш

Цена за миллион токенов мало что говорит, если не разобраться, каких токенов в работе больше. Агент, который долго трудится над одним репозиторием, почти всё время читает кэш: инструкции, историю шагов, файлы, которые модель видит в каждом новом вызове. Свежего текста на входе немного, и он целиком уходит в промахи кэша.

Я взял журнал своих сеансов: на 75 миллионов прочитанных токенов пришлось около 250 тысяч новых. Кэш покрывает 99,7% входа. Четырёхкратная разница в цене кэша бьёт по счёту заметнее, чем любая надбавка на выходе.

Расписание решает больше, чем прайс

Переведу окна в московское время. Пик DeepSeek — с четырёх до семи утра и с девяти до часа дня. Пик Ollama — с трёх до девяти вечера. И это важно: вечер — как раз то время, когда за такую работу садятся. Рабочий день у сервера уже закончился, а у вас — только начался.

Выходит, что в самые активные часы по Москве один и тот же запрос у Ollama стоит вчетверо дороже на кэше, вдвое — на несбитом кэше и вдвое — на выходе. Модель ни при чём: проигрывает расписание.

Харнесс сам ведёт учёт по каждому сеансу: прочитанный кэш, новые входные токены, выход. Умножаете на тариф нужного окна — и правило видно сразу. Длинные автономные задачи, где агент подолгу крутит один контекст, дешевле запускать не когда вам удобно, а когда маршруту дёшево. За месяц разница в расписании набегает на ещё одну подписку.

Считать надо сеанс, а не токен

Куда полезнее смотреть не на цену миллиона токенов, а на стоимость одного сеанса харнесса. Возьму реальные цифры из журнала запусков: за один сеанс агент прочитал из кэша 75 миллионов токенов, добавил 250 тысяч новых на входе и выдал 250 тысяч на выходе.

DeepSeek вне пика: 75x0,003 + 0,25x0,15 + 0,25x0,60 = $1,01
Ollama в пик:      75x0,022 + 0,25x0,66 + 0,25x1,98 = $2,43

Два доллара сорок три против одного — при той же работе и той же модели. За сорок вечерних сеансов в месяц разница составит около 57 долларов. Подписка Ollama не спасает: она просто упаковывает расход — 60 долларов включённого использования внутри 20 долларов платы.

Что ещё даёт подписка

Подписка Ollama — это не одна модель. В тот же счёт входят Kimi, GLM, Qwen, Mistral, и расход по ним идёт из общего пула. Если харнессу нужны разные модели под разные задачи, один счёт удобнее пяти отдельных. У DeepSeek в прайсе одна семья моделей, зато никаких подписок и обязательств.

Лимиты тоже отличаются. У Ollama на Pro — три одновременных запроса, дальше они встают в очередь, а при переполнении их могут отклонить. У DeepSeek на V4-Pro заявлено 500 одновременных обращений, на Flash — 2500. Одиночному агенту это незаметно, конвейеру из субагентов — критично.

Как это встаёт в харнесс

DeepSeek цепляется родным маршрутом deepseek-official: усилия рассуждения, режим мышления, распознавание картинок у Flash и сжатие контекста включаются из коробки. Ollama подключается вторым провайдером через pi-ai — интерфейс, совместимый с OpenAI. Идентификатор модели прописывается в настройках руками, а набор возможностей ограничен тем, что отдаёт площадка.

Проверил на своём конфиге: маршрут ollama-cloud собран, ключ на месте, но модели DeepSeek на текущем плане отвечают отказом 402 — до оплаты подписки работают только gpt-oss, gemma и nemotron. Это важно для сравнения: подписку включают до начала расчётов, иначе мерить нечего.

Вывод

Когда сеансы идут днём и вечером по Москве, прямая оплата у DeepSeek дешевле — иногда в разы, потому что пик Ollama бьёт точно в рабочие часы. Подписка Ollama выигрывает в другом: десяток открытых моделей на одном счёте и предсказуемая плата за месяц. Сравнивать нужно не прайсы, а собственное расписание — в этом споре оно весит больше цены токена.

Разложу по ситуациям:

один агент, работа по московскому дню и вечеру — прямая оплата DeepSeek;
конвейер из субагентов — DeepSeek: у Ollama на Pro три одновременных обращения;
несколько открытых моделей в одном счёте — подписка Ollama;
жёсткий потолок расходов в месяц — подписка: 20 долларов платы и 60 включённого расхода;
ночные и выходные прогоны — DeepSeek вне пика.

Оба маршрута спокойно живут в харнессе рядом: родной deepseek-official и второй провайдер через совместимый интерфейс. Держать оба и переключаться по часам — не хитрость, а обычная калькуляция: маршрут выбирают не по вкусу, а по расписанию.

Полная версия: https://habr.com/ru/articles/1084484/

Текст подготовлен с использованием искусственного интеллекта.

DeepSeek Harness: агент, который целиком собран из плагинов

TechNotes — Sun, 20 Sep 2026 12:00:03 +0000

DeepSeek Harness (dsh) — открытый агентский харнесс от DeepSeek AI. Внешне это просто ещё одна команда для запуска моделей, но внутри — конструктор. Здесь плагинами служит всё: хранение сеансов, песочница, сжатие контекста и даже сама модель.

Любая часть системы подключается как плагин

Харнесс работает на Cordis, а его архитектура описана в статье о пространственно-временной композируемости. Идея проста: приложение не пишут монолитным кодом, а собирают из слоёв-патчей. Профиль — это список бандлов плюс ваш cordis.patch.yml, и каждый новый слой может отменить или дополнить предыдущий. Поэтому команда dsh --dump-config печатает всё итоговое дерево: сразу видно, какой бандл что добавил.

Профили заменяют режимы

Одна и та же команда умеет разное. Разницу задаёт профиль, а не флаг:

dsh web — локальный веб-интерфейс на http://127.0.0.1:3080;
dsh --profile headless "задача" — один свежий сеанс, ответ в вывод и выход: подходит для CI;
dsh --profile sdk — JSON-RPC для внешних клиентов;
dsh --profile acp — тот же агент внутри редактора.

Профиль живёт в отдельной папке, а патчи перезагружаются на лету: поправили плагин — изменение подхватилось без перезапуска. Свой набор добавляется командой dsh plugin --profile web add.

Агенты внутри агента

Харнесс умеет запускать других агентов, и это не одна кнопка, а несколько разных механизмов:

субагенты работают в фоне, у каждого свой контекст: родитель продолжает работу и получает результат, когда тот готов;
наследник контекста — субагент, который видит уже состоявшийся разговор, для задач «продолжи и проверь»;
workflow — JavaScript-сценарий, который сам раскидывает десятки субагентов по фазам, конвейером или с барьером: оркестрация описана кодом, а не диалогом;
ralph — цикл свежих агентов по одному неизменному заданию, где рабочая папка служит долговременной памятью.

Инструменты подбираются под задачу

Базовый набор тоже собран из плагинов, каждый можно выключить: чтение и правка файлов, поиск по репозиторию, фоновые задания, веб-поиск и загрузка страниц, подключение внешних серверов по MCP, «скиллы» — папки с инструкциями, которые агент подгружает по надобности.

Песочница и сеансы

Файловые операции ограничены песочницей: workspace-write пускает только в рабочую папку. Отказ выглядит не как падение, а как честная пометка «доступ запрещён» — её можно показать человеку и попросить прав побольше. Границу при этом называют заранее: где-то агент спрашивает на каждое опасное действие, а где-то действует сам.

История сеанса пишется в файл и переживает перезапуск: сеанс можно возобновить, сжать, посмотреть, сколько он съел токенов. Долгая цель живёт в состоянии сеанса, а не в голове модели.

Что это меняет для команд

Для небольшой команды DSH снимает вопрос «свой агент или готовый сервис»: готовые сервисы дают фиксированный набор функций, а харнесс — конструктор. Можно начать с одного профиля, а потом добавлять плагины по мере появления задач: сегодня — публикация статей, завтра — разбор конкурентов, послезавтра — автоматическая выгрузка метрик.

Отдельно стоит сказать про прозрачность. Каждый вызов инструмента, каждое изменение файла и каждый переход состояния попадают в журнал. Это не «логи для отладки», а рабочий инструмент: когда агент ошибается, видно, на каком шаге и почему. И это же делает возможной честную цену: если шаг не понадобился, его видно в журнале, а не в счёте.

Наконец, DSH не заставляет переезжать целиком. Профиль можно собрать под одну задачу и держать рядом с привычными инструментами: агент по ключу ходит в ваш сервис, забирает результат и возвращает его туда, где вы работаете.

Как это выглядит на практике

Мы собрали цепочку из четырёх плагинов:

Четыре шага: от брифа до человеческого текста

FrameFactory формирует бриф: темы, заголовки, план статьи и чек-лист.
Prompt-Polish переписывает черновой запрос, убирая повторы и делая формулировки короче.
Improve-Prompt показывает diff до отправки — важные термины и ссылки остаются нетронутыми.
Detector-Remover добавляет разговорные обороты и лёгкую стилистическую неровность, чтобы текст реже срабатывал на AI-детекторах.

С чего начать

Если хочется попробовать DSH на одной задаче, порядок такой. Сначала ставится сам харнесс и запускается dsh web — этого достаточно, чтобы увидеть базовый набор плагинов. Потом добавляется один-два плагина под задачу: например, для работы с текстом — генерация брифа и полировка запроса. И только после этого имеет смысл думать про субагентов и workflow: они раскрываются там, где задач уже много и они повторяются.

Важно не пытаться собрать «идеальный профиль» заранее. Профиль — это не конфигурация на годы, а рабочий набор: сегодня он один, завтра вы добавили плагин, послезавтра убрали лишнее. Патчи перезагружаются на лету, так что цена ошибки низкая: неудачный слой можно откатить, а не переписывать всё заново.

И ещё одно: DSH не прячет модель. Если вам нужен конкретный провайдер или конкретная модель, это тоже плагин. Значит, можно сравнить два варианта на одной и той же задаче, не переписывая агента.

Зачем это нужно

DSH — не «CLI для LLM», а среда, где агент собирается под задачу: свои инструменты, свои политики, свои профили. Самое ценное здесь — не набор готовых функций, а то, что любую из них можно заменить своей: харнесс не диктует, как устроен агент, а даёт его собрать. Проект открыт под MIT и находится в developer preview — ломающие изменения обещаны прямо в README.

Код и документация: github.com/deepseek-ai/DeepSeek-Harness.

Текст подготовлен с использованием искусственного интеллекта.

Xiaomi MiMo: триллион параметров, из которых работает четыре процента

TechNotes — Tue, 15 Sep 2026 18:49:27 +0000

Пока все следили за гонкой закрытых моделей, Xiaomi довела линейку MiMo до триллиона параметров — и опубликовала веса под лицензией MIT. Разбираю, что там внутри и почему это важно.

Это не одна модель, а целое семейство

MiMo — не отдельный чекпойнт, а зонтик для нескольких моделей. Под ним выходили рассуждающая MiMo-7B (май 2025), зрение MiMo-VL, аудио MiMo-Audio, модель для роботов и машин MiMo-Embodied, разреженные MoE поколения V2 и V2.5. Общего у них — имя и команда, а не архитектура. Полтора года путь выглядел так:

май 2025 — MiMo-7B, 25 трлн токенов, обучение с нуля ради рассуждений;
июнь 2025 — MiMo-VL-7B: картинки, видео, OCR, интерфейсы;
декабрь 2025 — MiMo-V2-Flash: 309 млрд всего, 15 млрд активных;
апрель 2026 — V2.5 и V2.5-Pro, уже под MIT;
июнь 2026 — UltraSpeed и больше тысячи токенов в секунду.

Работает не только с текстом

MiMo-V2.5 — нативная омнимодальность: 310 млрд параметров всего, 15 млрд активных, плюс визуальный энкодер на 729 млн и аудиоэнкодер на 261 млн. На вход модель принимает текст, картинки, видео и звук, на выходе выдаёт текст и вызовы инструментов. Рядом живут MiMo-V2.5-ASR — распознавание речи под Apache 2.0 — и семейство TTS: синтез, голос по описанию и клонирование по короткой записи.

Триллион, из которого реально работает 4%

Флагман MiMo-V2.5-Pro — это разреженная смесь экспертов: 1.02 трлн параметров всего и 42 млрд активных на каждый токен. Семьдесят слоёв, 384 эксперта, из которых для каждого токена выбираются восемь. Контекст — до 1 048 576 токенов, веса открыты под MIT.

Внимание с окном в 128 токенов

Самое интересное — как удешевили длинный контекст. 60 слоёв из 70 смотрят только на 128 предыдущих токенов, и лишь 10 — на весь контекст. Чтобы дешёвое окно не роняло качество, добавили обучаемый «сток внимания»: голова вправе не тратить вероятность на бесполезных соседей и «сбросить» её в пустоту.

Учителей много, ученица одна

Пост-тренировка держится на MOPD: несколько моделей-специалистов — математика, код, терминал, поиск, безопасность — дают токенные подсказки одной ученице на её собственных траекториях, а не на чужих ответах. Рядом работает R3: маршрутизация экспертов, записанная на инференсе, повторяется при обучении — без этого обучение MoE разъезжается.

Тысяча токенов в секунду

Конфигурация UltraSpeed: веса экспертов сжимают в MXFP4, добавляют спекулятивное декодирование DFlash и «живучие» ядра TileRT. На одном узле из восьми GPU получается больше тысячи токенов в секунду. Триллион весов в четыре бита — это около 510 ГБ, и всё это надо где-то держать.

Что это значит

Xiaomi показала: открытые веса — уже не удел семимиллиардных моделей. Но «open-weight» точнее, чем «open source»: веса есть, а данных и всего пайплайна обучения — нет. И ещё одно: миллион токенов в карточке не обещает одинаковой точности на всей длине — в GraphWalks модель держала ненулевой результат на миллионе, а прошлое поколение там резко проседало. Хостинг V2 Xiaomi погасила 30 июня 2026 года и попросила клиентов перейти на V2.5, но скачанные веса это не отменяет.

Модель и карточка: mimo.xiaomi.com. Код и веса: github.com/XiaomiMiMo.

Полная версия: https://habr.com/ru/articles/1082686/

Текст подготовлен с использованием искусственного интеллекта.

Bluetooth на хакинтоше: что купить и как подключить

TechNotes — Sun, 13 Sep 2026 01:36:00 +0000

Конфигурация такая: i5-13600KF, Gigabyte Z690 UD DDR4, RX 5700 XT, macOS 13.4.1, OpenCore 1.0.7, SMBIOS iMacPro1,1. На плате нет встроенного блютуза — как и на большинстве десктопных сборок. Адаптер придётся покупать отдельно, и вопрос только в том, какой. Граница между «заведётся сразу» и «не заработает никогда» проходит по чипу — ни цена, ни настройки её не сдвигают.

Главное правило: блютуз выбирается чипом

С Monterey работа с блютузом переехала из ядра в пользовательское пространство. Устройство отбирает демон bluetoothd через модуль bm3_usb, а перечень поддерживаемого зашит прямо в его бинарник.

Это подтверждается замером, а не только разговорами на форумах:

ioreg -w0 | grep USBTransport

В системе загружены все транспорты блютуза — и каждый висит с пометкой !matched. Кто именно их предоставляет, видно из вывода:

CSRBluetoothHostControllerUSBTransport      | provider: IOResources
BroadcomBluetoothHostControllerUSBTransport | provider: IOResources
IOBluetoothHostControllerUSBTransport       | provider: IOResources

Когда в поле провайдера стоит IOResources, а не IOUSBHostDevice, эти транспорты с USB-устройствами не сопоставляются вообще — никакие идентификаторы ситуации не изменят. Если прочесать все кексты в /System/Library/Extensions, под блютузом обнаружатся ровно две персоналии с USB-провайдером, обе внутри IOBluetoothFamily: «Bluetooth Entitlement» с idVendor: 1452 (это Apple) и конкретный хаб из Mac Pro 6,1.

Из этого следуют два вывода, которые сберегут вам вечер:

Инструкции в духе «откройте IOBluetoothFamily.kext/…/Info.plist и впишите свои VID и PID» — а они по-прежнему выпадают первыми в поиске — не работают по двум причинам: отбором устройства теперь занимается демон, а системный том начиная с Big Sur запечатан, так что редактировать там нечего. Именно поэтому и появился BlueToolFixup, который правит память, а не файлы.
Неподходящий чип не настроить. Он либо есть в списке демона, либо нет; промежуточного состояния не существует, и карта портов его не создаст.

Что купить

Рабочих вариантов четыре. Сразу уточню, откуда данные: лично я пока ни один из них не проверял — замена ещё в пути, — поэтому у каждой строки указан источник.

Вариант	Чип	Что ставить к нему	Откуда знаю
USB-донгл ASUS USB-BT400 и клоны	Broadcom BCM20702A0	`BlueToolFixup` + `BrcmPatchRAM3` + `BrcmFirmwareData`	Bluetooth 4.0, самый массовый рабочий вариант у хакинтошников
USB-донгл Laird BT851 (`04b4:f901`)	Cypress CYW20704	`BlueToolFixup`, прошивка зашита в донгл	отчёт на tonymacx86, август 2022, macOS 12.5: трекпад, AirPods, Handoff работают, AirDrop у автора не поднялся
Карта M.2 Intel AX200 / AX210 через переходник	Intel	`IntelBluetoothFirmware` + `IntelBTPatcher`, Wi-Fi закрывает `AirportItlwm`	проект OpenIntelWireless, сам не проверял
Карта BCM94360CD на переходнике PCIe	Broadcom	почти ничего, видится родной	с ним работают Continuity и AirDrop, но стоит заметно дороже

Как выбирать между ними:

Нужны только наушники, клавиатура и мышь — берите донгл на BCM20702A0. Это самый дешёвый путь, который точно заканчивается работающим блютузом, и половина сборок живёт именно на нём.

Нужны Handoff, AirDrop, разблокировка часами — только карта Broadcom с родными идентификаторами. Донгл этого не даст никогда: Continuity опирается на связку Wi-Fi и блютуза с одной поддерживаемой карты, так что блютуз отдельно проблему не решает. Это по руководству Dortania, своего замера у меня нет.

В сборке нет и Wi-Fi — AX210 закрывает обе задачи одной картой, ценой Continuity. Мне интереснее как раз этот вариант: в EFI уже лежит выключенный AirportItlwm.

Чего не брать: самые дешёвые донглы на CSR, 0a12:0001. macOS 13 отбраковывает их на этапе отбора устройства — проверено на этой машине, демон находит донгл, читает идентификаторы и следующей же строкой заявляет, что получить их не может:

[bm3_usb][GetProductAndVendorID] -- Found USB Device :
        idVendor = 0x0A12   idProduct = 0x0001   deviceClass = 0xE0
[bm3_usb][IOThreadFunc] -- USB -- Can't obtain vendorID and productID -- try again

Дальше цикл, Transport layer initialization failed и десятки перезапусков демона подряд. Ни кексты, ни карта портов, ни снятие с устройства чужих процессов отказ не двигают — он слово в слово тот же. Опознать такой донгл можно ещё в отзывах с фотографиями: у устройства, заявленного как Bluetooth 4.0, в свойствах стоит строка продукта BT2.0.

Три условия рабочего блютуза

Правильный чип — только первое из трёх. Остальные два делаются руками, и без них не заведётся даже верное железо.

Кекст ****BlueToolFixup обязателен всем на macOS 12 и новее. Лежит в релизах BrcmPatchRAM, кладётся в EFI/OC/Kexts и прописывается в config.plist последней записью, после Lilu, с MinKernel 21.0.0. Без него сторонние контроллеры игнорируются молча — ни ошибки, ни строки в журнале.

Прошивочные кексты по чипу. Броадкомам, которым прошивка заливается при каждом старте, нужны BrcmPatchRAM3 и BrcmFirmwareData. Интелам — IntelBluetoothFirmware и IntelBTPatcher. Cypress и родным картам Broadcom дополнительно не нужно ничего.

Порт, помеченный внутренним. Контроллер блютуза macOS берёт только с порта, у которого в карте портов стоит UsbConnector = 255. В моём UTBMap.kext это правится одним значением: у порта HS04, куда воткнут адаптер, 3 меняется на 255. Подействовало сразу — у устройства появилось Built-In: Yes, транспорт в профайлере сменился с UART на USB. И втыкать стоит в USB 2.0: блютуз-адаптеры — устройства Full Speed, скорость им не нужна, а перечисление на 2.0 ровнее.

После правок — ocvalidate на конфиг и перезагрузка.

Как проверить за пять минут

Три команды отвечают на вопрос «почему не работает» почти всегда. Вот их вывод на моей машине прямо сейчас — блютуз-железа в ней нет, и видно это по второму кадру:

Три команды: кекст, состояние контроллера, транспорты

Первая команда — жив ли кекст. kextstat | grep -iE "lilu|bluetool": если BlueToolFixup в списке нет, дальше идти незачем, дело в конфиге, а не в железе.

Вторая — состояние контроллера, system_profiler SPBluetoothDataType. Смотреть надо на две строки. Работает — настоящий Address и State: On. Не работает — Address: NULL и State: Off.

А вот строка, которая обманывает многих: Chipset: BCM_4350C2. Она показывается даже тогда, когда никакого блютуз-железа в машине нет вовсе — как на кадре выше. Это чип настоящего iMac Pro, зашитый в bluetoothd, который смотрит на SMBIOS; ACPI-устройства за ней нет. Не радуйтесь ей и не подбирайте под неё кексты.

Третья — транспорты в ioreg. Пока у нужного стоит !matched, контроллер не взят. Обратите внимание: транспортов там четыре, и загружены они всегда — само их присутствие ничего не обещает.

Подробности всегда в журнале демона. В zsh log — встроенная команда, звать надо по полному пути:

/usr/bin/log show --last 5m --predicate 'process == "bluetoothd"' --style compact

Строка Found USB Device там означает, что до отбора дело дошло; Transport layer initialization failed — что чип не взяли.

Чем закончилось у меня

Честно: блютуза в машине пока нет — кадры выше это и показывают. Донгл, купленный наугад на маркетплейсе, оказался тем самым CSR и поехал в мусор, карта AX210 ещё едет. Приедет — допишу, что из этого вышло.

Если у вас на Ventura или Sonoma работает USB-донгл, напишите в комментариях, какой именно — интересны чип и идентификаторы:

system_profiler SPUSBDataType | grep -A 6 -i bluetooth

Соберу из ответов список проверенного железа и вынесу в конец статьи. Примерно этого списка мне и не хватало в начале.

Текст подготовлен с использованием искусственного интеллекта.

Фотографии, которых никогда не было

TechNotes — Mon, 31 Aug 2026 07:18:58 +0000

Каждый день в сеть выкладывают миллионы снимков, и всё чаще среди них попадаются кадры, где фотограф не нажимал на кнопку — потому что ни камеры, ни места съёмки никогда не существовало. Долина на фото ниже выглядит как кадр из отпуска, но это работа нейросети: модель собрала её из миллиардов чужих пикселей и собственного представления о том, как выглядит «живописная долина после полудня».

Изображение: Wikimedia Commons, общественное достояние, сгенерировано Stable Diffusion.

Как отличить выдумку от снимка

Главный признак — слишком гладкое правдоподобие. Настоящая фотография всегда несёт случайный мусор: провода в углу кадра, смазанного прохожего, пересвеченное небо. Нейросеть же рисует мир, в котором никто не помешал кадру состояться. Присмотритесь к деталям:

текстуры повторяются: трава и листва местами выглядят как один и тот же штамп;
геометрия плывёт: линии заборов, перил и крыш изгибаются там, где обязаны быть прямыми;
свет красив, но невозможен: тени от соседних предметов падают в разные стороны.

Ни один признак по отдельности не приговор: странные пальцы встречаются и на честных снимках, а невозможно красивый свет — у терпеливых пейзажистов. Работает сумма: чем больше мелких странностей собирается в одном кадре, тем выше шанс, что перед вами генерация.

Один запрос — три разных леса

Насколько результат зависит от формулировки, видно по серии ниже. Автор просил у модели одно и то же: лес и синтоистское святилище. Менялся только негативный промт — список того, что модели рисовать запрещено. Убрал «зелёные деревья» — лес стал осенним. Запретил «круглые камни» — дорожка из валунов превратилась в аккуратную брусчатку.

Один запрос, три негативных промта: без ограничений, без зелёных деревьев, без круглых камней

Все пейзажи в этой заметке — общественное достояние, их сгенерировали энтузиасты и выложили в открытый архив. Ещё год-два, и отличать такие кадры на глаз станет невозможно. Тогда вопрос «настоящее ли это фото» будет решать не зрение, а привычка проверять источник — та же, что давно спасает нас от выдуманных цитат и переписанных заголовков.

Четыре шага из шума: как рисует нейросеть

TechNotes — Fri, 28 Aug 2026 00:27:14 +0000

Попросите нейросеть показать кота-космонавта — и через десять секунд получите картинку, хотя такой фотографии не существует. Генеративные модели не ищут готовое изображение и не собирают коллаж из чужих кусков. Они рисуют с нуля — из чистого случайного шума. Рассказываем, как это работает, без единой формулы.

Диффузионную модель обучают задом наперёд. Берут миллионы настоящих фотографий и постепенно засоряют их шумом, пока не останется только рябь. Модель следит за каждым шагом порчи и запоминает, как его обратить вспять. Генерация — та же порча, запущенная в обратную сторону. Получив случайную рябь и текстовую подсказку, модель шаг за шагом убирает шум и проявляет то, что вы просили. В слайдере ниже — четыре стадии одного кадра: от помех до заката в горах.

Именно поэтому два одинаковых ответа у нейросети не бывают: другой стартовый шум — другая картинка. И поэтому она путается в деталях вроде пальцев: модель не знает анатомии, она лишь помнит, как выглядят миллионы рук одновременно. Шум — это мрамор, из которого можно высечь что угодно. А ваша фраза — резец в руках скульптора.