Harnais IA : la définition et le cas DeepSeek Harness

C'est quoi un harnais pour l'IA ?

Un harnais IA, aussi appelé harnais agentique (agent harness en anglais), est la couche logicielle qui entoure un modèle de langage pour le transformer en agent IA opérationnel. Il regroupe l'accès en lecture aux données de l'entreprise, la liste des outils que le modèle a le droit d'appeler, la mémoire de la session en cours, les droits d'exécution accordés (ce que le modèle peut modifier seul, sans validation humaine) et l'isolation technique (sandbox) qui empêche une erreur de sortir du périmètre autorisé. Le modèle raisonne. Le harnais décide ce qu'il a le droit de voir et ce qu'il a le droit de faire.

Concrètement, un harnais contient toujours ces cinq briques :

• L'accès en lecture : quelles bases, quels fichiers, quels systèmes le modèle peut consulter.
• Les outils appelables : les fonctions concrètes qu'il peut déclencher (chercher un dossier, envoyer un email, modifier une ligne).
• La mémoire de session : ce que le modèle garde en tête entre deux actions d'une même tâche.
• Les droits d'exécution : ce qu'il peut faire seul, et ce qui exige une validation humaine.
• L'isolation (sandbox) : le périmètre technique qui contient les erreurs si le modèle se trompe.

Sans ces cinq briques, un modèle de langage répond à des questions. Avec elles, il devient un agent IA qui agit.

Qu'est-ce que DeepSeek a réellement publié avec DSH ?

DSH n'est pas lié au seul modèle DeepSeek. Il supporte nativement plusieurs fournisseurs : DeepSeek, Anthropic, OpenAI, Bedrock, Vertex, Azure, et des endpoints personnalisés. Le harnais et le modèle sont deux choses distinctes, et DeepSeek le prouve en rendant son propre harnais compatible avec les modèles concurrents.

Trois choix techniques méritent d'être notés. La gestion du contexte se fait par un journal de session en ajout seul (append-only) : tout ce que le modèle voit doit pouvoir être reconstruit depuis ce flux, ce qui rend la session traçable après coup. L'isolation est native par système d'exploitation : bwrap et Landlock sur Linux, Seatbelt sur macOS, listes de contrôle d'accès par session sur Windows. Si l'isolation n'est pas disponible, DSH échoue explicitement avec une erreur SANDBOX_UNAVAILABLE, plutôt que d'exécuter en silence hors du bac à sable. DSH peut déléguer à des sous-agents IA, y compris en appelant d'autres CLI d'agents IA comme Claude Code ou Codex en sous-processus.

Le positionnement est direct. DeepSeek décrit Claude Code et Codex comme des agents IA de codage largement fermés et opinionés, avec des workflows fixes. DSH inverse la logique : le harnais est décomposable et recomposable, pièce par pièce.

"Tout est un plugin" : qu'est-ce que ça change vraiment ?

Le principe fondateur de DSH tient en trois mots : "Everything is a plugin". Le modèle, le sandbox, les outils, la boucle agentique, la planification et l'interface sont tous des plugins interchangeables, montés sur un micro-noyau nommé Cordis.

Le modèle devient une pièce parmi d'autres, pas le centre du système. On peut faire tourner le même harnais avec DeepSeek un jour, un autre fournisseur le lendemain, et un modèle interne le mois suivant, sans reconstruire l'infrastructure autour. La question qui compte se déplace. Elle n'est plus "quel modèle je choisis", elle devient "qu'est-ce que je branche dessus".

C'est un renversement de priorité, pas un détail d'architecture. Choisir un modèle est une décision qui se refait tous les six mois, au rythme des sorties de nouvelles versions. Construire l'accès aux données réelles de l'entreprise, les droits d'exécution et les intégrations métier est une décision qui structure durablement le système.

Qu'est-ce que ça change pour une entreprise qui n'a pas de DSI ?

C'est là que l'annonce sort du cercle technique. Prenons trois métiers concrets.

Un cabinet comptable qui veut qu'un agent IA prépare les déclarations de TVA n'est pas bloqué par le choix du modèle. Il est bloqué par l'accès aux relevés bancaires réels, aux factures classées, et par la question de savoir si l'agent IA a le droit de valider seul une écriture ou seulement de la proposer.

Une entreprise de dépannage qui veut qu'un agent IA qualifie les appels entrants et propose un créneau n'est pas bloquée par le modèle. Elle est bloquée par l'accès à l'agenda réel des techniciens, à l'historique client, et par la question de savoir si l'agent IA a le droit de confirmer un rendez-vous seul ou doit toujours passer par un humain.

Une agence immobilière qui veut qu'un agent IA réponde aux demandes de visite n'est pas bloquée par le modèle. Elle est bloquée par l'accès au mandat réel du bien, à la disponibilité du vendeur, et par la question de savoir si l'agent IA peut envoyer une confirmation de rendez-vous seule.

Dans les trois cas, le blocage est le même : l'accès aux données réelles et les droits d'action. Jamais le modèle. Le modèle est la partie qui se déprécie et se remplace tous les six mois. Le harnais est la partie qui se capitalise, parce qu'il encode les connexions aux systèmes réels de l'entreprise, ses règles métier et ses limites d'autonomie. Ce qu'un harnais bien construit rend explicite (qui a accès à quoi, qui a le droit de faire quoi), la plupart des entreprises ne l'ont même pas encore formalisé pour leurs propres équipes humaines.

DSH est-il prêt pour la production ?

Non, et DeepSeek le dit lui-même. C'est une developer preview avec des ruptures de compatibilité annoncées. Les contrats de plugins sont encore instables. Aucune pull request externe n'est acceptée à ce stade, ce qui veut dire que la licence MIT ne se traduit pas encore par une gouvernance réellement ouverte. La chaîne de dépendances npm n'est pas éprouvée. Et la hausse des prix API de V4-Pro annoncée à partir du 16 août 2026 relativise l'argument "DeepSeek, c'est le coût cassé".

Un chiffre circule pour illustrer l'écart de performance entre harnais : un même modèle obtiendrait 58% de réussite avec un harnais contre 81,8% avec un autre, selon un ordre de grandeur rapporté par SFEIR citant une étude d'avril 2026. Ce n'est pas un benchmark mesuré par mes soins, donc à prendre comme un signal directionnel, pas comme une donnée établie. Mais le sens de la tendance est clair : le harnais pèse autant, sinon plus, que le modèle sur le résultat final. MindStudio documente la même mécanique côté harnais de codage.

Comment installer et lancer DeepSeek Harness ?

Je suis passé par la voie courte, une seule commande, sans installation préalable :

npx @deepseek-ai/dsh web

Pour lire le code du noyau et écrire mes propres plugins, je suis ensuite passé par les sources :

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

Dans les deux cas, DSH démarre une interface web sur http://127.0.0.1:3080 et l'ouvre dans le navigateur. Le flag --no-open empêche cette ouverture automatique. À la première connexion, l'interface demande une clé API DeepSeek.

Trois points ne sont pas documentés publiquement à ce jour, et je préfère le dire plutôt que recopier ce que des sites tiers affirment sans se recouper : la version minimale de Node.js exigée, le nom exact d'une éventuelle variable d'environnement pour la clé API, et la liste des systèmes d'exploitation officiellement supportés. Sur ces trois sujets, les sources secondaires se contredisent frontalement entre elles.

dsh --profile web --dump-config

import type { Context } from '@deepseek-ai/cordis'

export const name = 'hello'

export function apply(ctx: Context) {
  console.log('hello from my first plugin')
}

- name: './hello.ts'

Ce que j'ai branché dedans

J'ai porté SilverBackBase en plugins natifs de ce harnais. L'agent IA qui en sort est spécialisé sur un seul métier, l'analyse lead-gen : il lit l'attribution multi-touch, les positions locales, le comportement dans les pages, la mémoire business du client et l'historique des actions déjà tentées. C'est le marketeur agentique rendu concret, dans une architecture où chaque couche a son rôle. Et c'est un chantier en phase de test, pas un produit en production.

ctx.tools.register(defineTool({
  name: "sbb_clients",
  description:
    "Liste les clients du workspace SilverBackBase avec leur project_id, leur domaine et l'etat du "
    + "tracking Trail. A appeler quand on ignore quels clients existent, ou pour verifier une couverture.",
  parameters: {},
  output: {
    schema: { type: "array", items: CLIENT_SHAPE },
    render: (_args, value) => [{
      type: "text",
      text: value.length === 0
        ? "Aucun client dans ce workspace."
        : value.map(line).join("\n"),
    }],
  },
  isConcurrencySafe: () => true,
  async execute(_args, exec) {
    return listClients(exec.signal);
  },
}));

- id: tool-ralph
  disabled: true
- id: tool-workflow
  disabled: true
- insert:
    - id: sbb-gateway
      name: '@silverbackbase/dsh-gateway'
- insert:
    - id: sbb-persona
      name: '@silverbackbase/dsh-persona'
      inject: [systemPrompt]
- insert:
    - id: sbb-clients
      name: '@silverbackbase/dsh-clients'
      inject: [tools, sbbGateway]
    - id: sbb-trail
      name: '@silverbackbase/dsh-trail'
      inject: [tools, sbbGateway]

L'exercice à faire pour une tâche donnée

Le harnais n'est pas un concept abstrait à comprendre plus tard. C'est un exercice à faire maintenant, sur une tâche précise qu'un agent IA devrait pouvoir exécuter dans l'entreprise. Trois lignes suffisent :

1. Les données réelles qui manquent à l'IA pour faire cette tâche correctement (quel système, quel fichier, quelle base).
2. Les outils qu'elle devrait pouvoir consulter pour vérifier une information avant d'agir.
3. Ce qu'elle a le droit de modifier seule, et ce qui doit repasser par une validation humaine.

Ces trois lignes, c'est le harnais. Le modèle qu'on branche derrière est, de loin, la décision la moins importante des trois.