Harness

El 13 de agosto de 2026, la página de lanzamiento de «DeepSeek Harness» presenta la ecuación que fija el término: agente es igual a modelo más harness, siendo el modelo lo que DeepSeek llama el alma del agente, y el harness lo que le permite leer su entorno, invocar herramientas y seguir funcionando en condiciones reales. Addy Osmani, Shubham Saboo y Sokratis Kartakis cuantifican esa división en su whitepaper de Google de mayo de 2026: modelo ~10%, harness ~90%, donde ese 90% cubre instrucciones, herramientas y «MCP», sandboxes, orquestación, hooks y observabilidad. Su evidencia es un resultado de benchmark: en Terminal Bench 2.0, cambiar solo el harness llevó a un agente de fuera del Top 30 al Top 5. Su conclusión, "most agent failures are configuration failures", desplaza la calidad del agente lejos de la elección del modelo.

Bill Chen y Brian Fioca, del equipo Applied AI de OpenAI, habían planteado la misma descomposición en noviembre de 2025, dividiendo un agente en interfaz de usuario, modelo y harness, y sosteniendo que el harness es la parte subestimada: absorbe los hábitos de entrenamiento de cada modelo (la tendencia a leerlo todo antes de actuar), la latencia, la compactación de contexto, la integración de herramientas y el sandboxing. La respuesta de OpenAI fue posicionar «Codex» como un agente integrado de modelo más harness, en lugar de como un modelo, y decirles a los desarrolladores que no reconstruyan esa capa cada vez.

La respuesta de DeepSeek tiene la forma opuesta: un harness definido por composición de plugins y un único registro de solo anexado (append-only log), liberado bajo MIT la misma semana en que cambió su precio de inferencia. Ambas posturas tratan al harness como el activo duradero mientras los modelos se suceden.