DeepSeek Harness (dsh): Installation, Headless-Ausführung, 3-Modell-Benchmark

Veröffentlicht
18 August 2026
Aktualisiert
16 September 2026
Von
Jacob Lloyd — mit KI-Unterstützung geschrieben, im Nachhinein
Lesezeit
15 Min. Lesezeit

Kurz gesagt: DeepSeek hat einen kostenlosen, quelloffenen „Coding-Agenten“ veröffentlicht: ein Programm, das Ihr Projekt liest, Dateien bearbeitet und Befehle für Sie ausführt, ähnlich wie Claude Code. In diesem Artikel zeige ich, wie ich ihn auf meinem Linux-PC installiert, automatisch starten lassen, sowohl auf DeepSeeks Cloud-Modelle als auch auf ein Modell auf meiner eigenen Hardware ausgerichtet und anhand von 5 kleinen realen Programmieraufgaben getestet habe. Alle 15 Läufe waren erfolgreich, die Cloud-Läufe kosteten ein paar Cent, und es gibt ein paar scharfe Kanten.

Sechs Sekunden, Datei erstellt, Programm ausgeführt, Antwort ausgegeben, Exit-Code 0. Das ist, was DeepSeek Harness (dsh) mit der ersten Aufgabe tat, die ich ihm gab. DeepSeek veröffentlichte es am 13. August 2026 als MIT-lizenzierten Coding-Agenten, der auf einer Idee aufbaut: Alles ist ein Plugin, einschließlich des Modell-Adapters, der Werkzeuge, der Sandbox und der Agenten-Schleife selbst. Ich installierte es in derselben Woche, richtete es auf DeepSeeks Cloud-Modelle und auf ein Modell auf meinem eigenen GPU-Rig aus und ließ es eine kleine Aufgabensuite durchlaufen. Hier ist, was das erforderte, was es kostete und wo es wehtat.

tl;dr

  • Was es ist: ein Agent der Claude-Code-Klasse (liest und bearbeitet Dateien, führt Shell-Befehle aus, führt einen Plan, startet Subagenten), ausgeliefert als npm-Paket. Er hat eine Web-Oberfläche auf 127.0.0.1:3080 und einen Headless-Modus, der eine Antwort ausgibt und beendet – das ist der für Skripte gebaute Teil.
  • Was es kostet: die Software ist kostenlos. Mein 5-Aufgaben-Benchmark kostete etwa 3¢ auf V4-Flash und etwa 7¢ auf V4-Pro zu Spitzenpreisen, und nichts auf dem lokalen Modell.
  • Das Ergebnis: 15/15 bestanden über V4-Flash, V4-Pro und ein lokales Gemma-4-26B auf Version 0.1.0-rc.7, 43 bis 56 s für die gesamte Suite. Bei einer echten Aufgabe (eine 290-seitige Website bauen und Link-Check durchführen) bemerkte er außerdem unaufgefordert, dass mein Runbook veraltet war.
  • Was Sie brauchen: Node.js plus einen DeepSeek-API-Schlüssel oder einen beliebigen OpenAI-kompatiblen Server. Ich habe beides verwendet.
  • Der Haken: es ist eine Entwicklervorschau. Die README warnt, dass zwischen Versionen Dinge kaputtgehen, also pinnen Sie die Version und testen Sie nach Upgrades erneut.

Aktualisierung vom 16.09.2026: Die hier beschriebenen Tests wurden im August mit Version 0.1.0-rc.7 durchgeführt. Mittlerweile nutze ich Version 0.1.5-rc.1; deren README listet ebenfalls SDK- sowie ACP-Profile auf. Außerdem habe ich am 09.09.2026 Reasonix – den anderen im Artikel verglichenen Coding-Agenten – aus meinem Setup entfernt; dieser Vergleich existiert nun nur noch als kurze historische Anmerkung am Ende des Textes.

Der Weg – von Grundlegendem bis Fortgeschrittenem

Die Schritte 1 bis 3 helfen Ihnen dabei, in etwa zehn Minuten einen funktionierenden Agenten einzurichten. Die Schritte 4 und 5 machen ihn außerdem für andere Software nutzbar.

Was am Ende herauskommt

Der Modus, den ich tatsächlich nutze, ist der headless-Modus. Aus einem Projektordner heraus:

$ cd ~/scratch/dsh-demo
$ dsh --profile headless "Create fizz.py that prints FizzBuzz for 1..15 and run it; reply with the program output only."

1
2
Fizz
4
Buzz
…
FizzBuzz
$ echo $? 0

Die dreifachen Backticks stammen von dsh selbst – es hat seine Antwort in ein Markdown-Code-Fragment eingebettet. Es schreibt nichts außerhalb des Ordners, in dem man es gestartet hat (der Standard-Berechtigungsmodus ist workspace-write). Es gibt lediglich die finale Nachricht auf stdout aus und speichert jeden Lauf, sodass man ihn später in der Web-Oberfläche öffnen und alle ausgeführten Befehle sowie die Anzahl der verwendeten Tokens einsehen kann.

Der beste Beweis dafür war eine echte Aufgabe – keine bloße Übung. Ich wies dsh auf den Quellcode-Ordner dieser Website hin und bat es, das Projekt-Handbuch zu lesen, den Build sowie die Link-Überprüfung durchzuführen und anschließend einen Bericht zu erstellen – ohne jegliche Bearbeitungen oder Veröffentlichungen. In 53 Sekunden las es das Handbuch, führte den richtigen Befehl aus und lieferte folgenden Bericht: 290 Seiten, 1.752 Bilder, keine kaputten Links sowie die Build-Zeit. Ohne dazu aufgefordert worden zu sein, wies es außerdem darauf hin, dass im Handbuch noch von „288 Seiten“ die Rede war – ein Abweichungshinweis. Genau solche unkritischen Aufgaben übertrage ich jetzt ohne Nachdenken an dsh.

Die Browser-Oberfläche verfügt über das übliche Layout aus dem Jahr 2026: Sitzungen links, Chat in der Mitte sowie eine Einstellungsseite für Modelle. Eine gute Gewohnheit: Man fügt den API-Schlüssel auf dieser Einstellungsseite ein – nicht in einer Konfigurationsdatei.

Die dsh-Web-Oberfläche eingebettet in eine Chat-App: Eine abgeschlossene Sitzung ‚Create and run hello.py‘ zeigt die Schritte Context injection, Think, Write und Bash, die Antwort ‚hello from dsh‘ sowie eine Statistikzeile mit Anzahl der Durchläufe, Schritten, Latenz und Cache-Trefferquote; darunter eine Statusleiste mit dem Zustand „Running“, einem Dropdown-Menü für das Modell (eingestellt auf DeepSeek-V4-Flash) sowie den Buttons Start, Restart und Stop
Die dsh-Web-Oberfläche (im August aufgenommen; eingebettet in meine eigene Chat-App). Eine abgeschlossene Sitzung zeigt die Abfolge der Schritte (Think → Write → Bash) sowie eine Statistikzeile pro Durchlauf. Die untere Leiste stellt die Steuerung meiner App für den systemd-Dienst sowie das Standard-Modell dar – sie gehört nicht zu dsh.

Schritt 1: Installation (dauert zwei Minuten)

Es handelt sich dabei um ein einziges npm-Paket. Ich verwende ein privates Node-Präfix für Agenten-Tools, sodass nichts im Systemverzeichnis landet – was auf einem immutablen Fedora-Desktop wie meinem der einzig sinnvolle Ort dafür ist. Die normale globale Installation erfolgt mit demselben Befehl:

npm install -g @deepseek-ai/dsh
dsh --version          # 0.1.0-rc.7 when I benchmarked it
dsh web                # starts the UI, prints http://127.0.0.1:3080

Öffnen Sie die entsprechende URL, gehen Sie zu Einstellungen → Modelle, fügen Sie Ihren DeepSeek-Schlüssel ein und speichern Sie die Einstellungen. Dadurch wird die Datei ~/.dsh/.credentials.yaml erstellt (Berechtigungen: 0600). Das Modell funktioniert anschließend sofort – ohne Neustart. Falls Sie dies automatisieren möchten: Die Datei ist ein gewöhnliches YAML-Mapping (DEEPSEEK_API_KEY: sk-…). Ich habe meine Konfiguration aus einer Umgebungsdatei übernommen, die bereits von meinen anderen Diensten genutzt wird; dadurch taucht der Schlüssel weder im Shell-Verlauf noch in Unit-Dateien auf.

Zwei Dinge sollten Sie vor dem Weitermachen wissen:

  • Die Telemetrie ist standardmäßig deaktiviert. Ohne gesetzten Wert für DSH_TELEMETRY_MODE bleibt sie ausgeschaltet. Ich habe die mitgelieferte Konfiguration überprüft – der OTLP-Exporter existiert zwar, ist aber nicht aktiviert.
  • Der Sandbox-Modus ist real, aber eingeschränkt. Im Standardmodus sind Schreibvorgänge auf das Verzeichnis beschränkt, aus dem das Programm gestartet wurde. Lesvorgänge hingegen nicht – das steht auch in der Dokumentation klar. Starten Sie das Programm daher nicht aus Ihrem Home-Verzeichnis für reale Aufgaben; verwenden Sie außerdem keine Ordner, die sensible Daten enthalten.

Schritt 2: Als Dienst ausführen

Die Web-Oberfläche ist ein lang laufender Node-Prozess. Ich wollte, dass er nach dem Login startet – ohne Terminal und ausschließlich an den Loopback-Interface gebunden. Eine systemd-Unit mit dem Parameter --user erledigt das:

# ~/.config/systemd/user/dsh-web.service
[Unit]
Description=DeepSeek Harness web UI (dsh web) on 127.0.0.1:3080
After=network.target

[Service]
WorkingDirectory=%h
Environment=DSH_HOME=%h/.dsh
# Use the path from `which dsh`. systemd does not allow comments at the end of a line.
ExecStart=/usr/local/bin/dsh web --host 127.0.0.1 --port 3080
Restart=on-failure
RestartSec=3

[Install]
WantedBy=default.target
systemctl --user daemon-reload
systemctl --user enable --now dsh-web.service
curl -s -o /dev/null -w "%{http_code}\n" http://127.0.0.1:3080/   # 200

WorkingDirectory legt den Standard-Arbeitsverzeichnisbaum der Oberfläche fest; dennoch muss man vor der Eingabe ein Arbeitsverzeichnis auswählen. Das ist ein guter Standardwert. Auch die CLI lehnt --host 0.0.0.0 ab; die Entwickler erklären, dass das Binden an alle Schnittstellen „vorerst absichtlich nicht unterstützt“ wird. Die Oberfläche verfügt überhaupt keinen Login – da stimme ich zu. Falls Sie sie von einem anderen Rechner aus nutzen müssen, stellen Sie ein authentifizierendes Reverse-Proxy davor oder nutzen Sie den Browser des Hosts über Remote-Desktop; genau das mache ich auch.

Schritt 3: Modelle in einer einzigen YAML-Datei – werden dynamisch nachgeladen

~/.dsh/settings.yaml enthält das Standardmodell sowie alle zusätzlichen Anbieter. dsh liest diese Datei vor der nächsten Anfrage erneut ein – daher ist kein Neustart oder erneutes Einloggen nötig. Meine Konfiguration sieht so aus:

agent-default-model:
  provider: deepseek-official
  model: deepseek-v4-flash          # or deepseek-v4-pro

llm-deepseek:
  reasoningEffort: high             # off | low | high | max

# A local OpenAI-compatible server (mine is llama.cpp-based on a GPU rig).
llm-pi-ai:
  providers:
    local-rig:
      displayName: Local GPU rig
      apiKeyEnv: LOCAL_RIG_PLACEHOLDER_KEY    # a reference, not a value
      api: openai-completions
      baseURL: http://my-gpu-rig:1234/v1      # your server's address
      defaultContextWindow: 65536
      models:
        - id: unsloth/gemma-4-26B-A4B-it-qat-GGUF/gemma-4-26B-A4B-it-qat-UD-Q4_K_XL
          name: Gemma 4 26B-A4B (rig)

Zwei Details haben mich jeweils zehn Minuten gekostet:

  • apiKeyEnv ist lediglich ein Verweis – niemals ein Literal. dsh löst diesen Verweis aus .credentials.yaml oder der Umgebung auf. Ein lokaler Server ohne API-Schlüssel benötigt dennoch irgendeinen Zertifikatswert, da der OpenAI-kompatible Client auf ein Bearer-Token besteht. Geben Sie daher einen beliebigen Platzhalterwert unter diesem Namen in .credentials.yaml an.
  • Die Provider-ID (local-rig im Beispiel) bleibt dauerhaft erhalten, sobald Sitzungen darauf verweisen. Um sie umzubenennen, müssen Sie einen neuen Provider hinzufügen.

Da die YAML-Datei die gesamte Schnittstelle darstellt, besteht das „Umstellen auf ein lokales Modell“ lediglich aus zwei Zeilen Änderungen – diese können von jedem Skript oder Agenten vorgenommen werden. Ich nutze dies, um einfache Aufgaben an ein kostenloses lokales Modell zu senden und komplexe Probleme an das V4-Pro-Modell weiterzuleiten, ohne sonst etwas anpassen zu müssen.

Schritt 4: Rufen Sie es aus Ihrer eigenen Software auf

Das offizielle Paket verfügt über keine Terminal-Benutzeroberfläche (TUI). Auf npm gab es zwar Drittanbieter-Plugins für eine TUI, doch im August waren diese erst vier Tage alt und enthielten fehlerhafte Abhängigkeiten vom Typ workspace:*. Ich werde auf einem Familien-Server kein ungeprüftes Paket ausführen, das Shell-Zugriff bietet. Als ich dsh daher in meine eigene Chat-App integrierte, nutzte ich die Funktionen, die das offizielle Paket bereitstellt:

  • Headless-Jobs mit festgelegter Argumentliste ausführen. Mein Server startet dsh --profile headless "…"; dabei wird die Aufgabe als einzelnes Element in der Argumentliste übergeben und keine Shell genutzt. Somit ist eine Aufgabe wie ; rm -rf / lediglich Text. Es werden jeweils nur ein Jobs ausgeführt, und es wird ein kurzer Verlauf der Ergebnisse gespeichert.
  • Modelle wechseln, indem man agent-default-model in settings.yaml ändert. Ein Neustart ist dazu nicht erforderlich.
  • Die Web-Benutzeroberfläche per iframe einbetten, falls gewünscht; dabei werden keine Header gesendet, die das Laden des Frames blockieren könnten.

Eine Regel, die man unbedingt befolgen sollte: Alles muss hinter dem Admin-Login Ihrer App geschützt sein. Ein Headless-Job bedeutet schließlich die Ausführung beliebigen Codes – behandeln Sie daher den Befehl „Aufgabe ausführen“ genauso wie einen Shell-Befehl.

Der Benchmark: 5 Aufgaben, 3 Modelle, 15/15

Das ist nicht wissenschaftlich: Fünf kleine Aufgaben, die ich wirklich einem Coding-Agenten übertragen würde. Für jede Aufgabe wird ein neuer Arbeitsordner angelegt; anschließend prüft ein Skript, ob die Datei existiert und ausführbar ist, ob die Tests erfolgreich verlaufen – ohne dass die Testdatei selbst verändert wird – sowie ob nach dem Umbenennen keine Verweise auf den alten Dateinamen mehr vorhanden sind. Die Gesamtzeit umfasst den gesamten Prozess, einschließlich eines System-Prompts mit etwa 7.500 Tokens. Die Token-Zählungen stammen aus dem eigenen Sitzungsprotokoll von dsh.

AufgabeV4-FlashV4-ProGemma-4-26B (lokal, Rechner)
Antwort „PONG“ geben (Bootvorgang + ein Aufruf)✅ 2,1 s✅ 2,8 s✅ 13,2 s*
FizzBuzz schreiben und ausführen✅ 5,3 s · 2 Werkzeuge✅ 8,4 s · 2 Werkzeuge✅ 4,9 s · 2 Werkzeuge
Zwei Fehler beheben, damit die Unit-Tests erfolgreich sind (Tests bleiben unverändert)✅ 11,7 s · 8 Werkzeuge✅ 15,8 s · 7 Werkzeuge✅ 10,4 s · 8 Werkzeuge
Einen Codebestand aus 6 Modulen zusammenfassen (<150 Wörter)✅ 8,9 s · 9 Werkzeuge✅ 10,9 s · 7 Werkzeuge✅ 12,1 s · 7 Werkzeuge
Eine Funktion in 3 Dateien sowie den zugehörigen Tests umbenennen – Ergebnis: erfolgreich✅ 15,1 s · 14 Werkzeuge✅ 18,2 s · 12 Werkzeuge✅ 12,2 s · 11 Werkzeuge
Gesamtzeit43 s56 s53 s
Anzahl der Tokens (Eingabe / aus Cache / Ausgabe)42,6k / 136k / 4,5k41,4k / 107k / 3,2k40,5k / 237k / 5,6k
Kosten bei Spitzenpreisen (außerhalb der Spitzenzeiten halb so hoch)≈ $0,027≈ $0,072$0 (nur Stromkosten)

*Erster Aufruf nachdem das Modell im System geladen wurde; die späteren Aufrufe zeigen eine höhere Geschwindigkeit. Version 0.1.0-rc.7, 2026-08-18. Die Preise an diesem Tag stammen von DeepSeeks Preisseite: Flash: 0,014 $ / 0,44 $ / 1,32 $ pro Million Tokens (Cache-Treffer / -Fehler / Ausgabe); Pro: 0,044 $ / 1,32 $ / 3,96 $. Das Benchmark-Skript war nur ein Provisorium und wurde inzwischen gelöscht; daher kann ich nicht bestätigen, ob die Wortzählung korrekt erfolgte.

Was die Tabelle zeigt:

  • Beim Prompt-Caching entstehen geringere Kosten. Jede Aufgabe verbraucht etwa 7,5k Tokens an System-Prompt-Daten – doch nach dem ersten Schritt besteht der Großteil davon aus Cache-Lesevorgängen, die nur etwa 3 % der normalen Kosten verursachen. Mehrstufige Aufgaben bleiben daher kostengünstig – weil das System diesen Prompt-Präfix stabil hält.
  • Pro benötigte weniger Tool-Aufrufe für dasselbe Ergebnis (12 statt 14 beim Umbenennen). In diesem Testlauf war Flash schneller und etwa ein Drittel günstiger – weshalb es weiterhin meine Standardwahl blieb.
  • Das lokale Modell hielt mit. Gemma-4-26B (ein Mixture-of-Experts-Modell mit 4 Milliarden aktiven Parametern, Q4-Quantisierung; betrieben via llama.cpp auf zwei RTX 5090-Grafikkarten) meisterte alle Aufgaben. Es nutzte mehr gecachten Kontext (237k Tokens gegenüber 136k bei Flash), doch die Gesamtzeit blieb konkurrenzfähig. Zum ersten Mal war ein lokales Modell hier eine echte Alternative – und keine bloße Spielerei. Allerdings sagen fünf kleine Aufgaben noch nichts über die Umstrukturierung von 40 Dateien aus.

Die Entscheidungsregel, zu der ich gekommen bin: Flash für alltägliche Aufgaben und alles, was per Skript erledigt werden kann; Pro, wenn eine Aufgabe mit weniger und besseren Schritten erledigt werden muss; und das lokale Modell, wenn es billig ist, die Aufgabe erneut auszuführen – und dabei nicht ins Ausland geschickt werden muss.

Der Spaß-Test: Baue mir ein Spielzeug!

Ich wollte außerdem sehen, wie das Modell mit einer offenen, kreativen Aufgabenstellung umgeht: „Erstelle eine interaktive Pixel-Art-Version des Logos dieser Seite. Mit Vanilla JS – überall einbettbar. Beim Überfahren mit der Maus soll etwas passieren; beim Klick etwas Cooles. Keine Abhängigkeiten – teste es selbst.“ Das ist das Ergebnis – und es ist live verfügbar (später trat es im Pixel-Art-Widget-Showdown gegen zwei andere Ergebnisse an):

Fahre mit der Maus darüber – dann klicke darauf. Die Pixel fließen vom Cursor weg und springen anschließend zurück. Ein Klick zerstört das Logo in einzelne Pixel, die sich danach wieder zu ihrem ursprünglichen Bild zusammensetzen. Auch Touch-Eingaben funktionieren; außerdem wird prefers-reduced-motion berücksichtigt.
Vier Aufnahmen des Pixel-Logo-Widgets: Ruhezustand, Pixel werden beim Überfahren mit der Maus beiseitegedrängt; nach einem Klick entsteht eine cyanfarbene Wolke aus Pixeln; schließlich kehren die Pixel in ihre ursprüngliche Form zurück
Ruhezustand → Abstoßung durch den Cursor → Zerstörung des Logos → Wiederherstellung – alles aufgezeichnet mit headless Chromium. 61 FPS, keine Fehler in der Konsole – und das Logo setzt sich tatsächlich wieder zusammen.

So verliefen die Versuche:

  • Versuch 1 (V4-Flash): Ein 10-minütiger Endlosschleifen-Zyklus – es wurden keine Dateien erstellt. Die Aufgabenstellung erlaubte sowohl handgezeichnete als auch prozedural generierte Bitmaps; das Modell entschied sich für eine manuelle Zeichnung einer 40×40-Bitmap in seinem „Denkprozess“. Dabei geriet es in eine Endlosschleife: Das Protokoll enthielt Hunderte von Zeilen mit ################ und ..... Nach etwa 10 Minuten wurde die Sitzung aufgrund des Zeitlimits beendet. Kosten: etwa 2¢. Lektion: Lass ein Modell niemals selbst Pixel zeichnen.
  • Versuch 2 (V4-Flash): Die Aufgabenstellung wurde geändert in „Erstelle das Logo aus Geometriedaten – keine Bitmaps erlaubt“. Es dauerte 25 Minuten; am Ende waren alle gewünschten Ergebnisse vorhanden. Das Modell benötigte 100 Schritte, 201 Werkzeugaufrufe sowie insgesamt 172.000 Ausgabe-Token (davon 123.000 für die „Denkprozesse“). Zudem wurden 16,3 Millionen Cache-Lese-Token verbraucht – Kosten: etwa 49¢ bei maximalen Tarifen. Es erstellte eine 399 Zeilen umfassende Datei ll-pixel-logo.js mit einer globalen API sowie passenden data--Optionen; außerdem eine Demo-Seite, eine README-Datei, ein Node-Unit-Test für den Rasterisierer sowie – ohne Aufforderung – ein Playwright-Skript, das die Demo in drei verschiedenen Größen fotografiert. Kurz vor Erreichen des Zeitlimits wurde die Sitzung beendet; der Exit-Code lautete „Timeout“, obwohl die Arbeit bereits abgeschlossen war. Exit-Codes können in beide Richtungen fehlerhaft sein.
  • Das Kunstwerk: Der Ring sowie die beiden schrägen „Ls“ erinnern auf den ersten Blick an das echte Logo – allerdings wirken sie etwas klobiger und „zickzack-artiger“. Vor einer tatsächlichen Nutzung würde ich noch etwa zehn Minuten damit verbringen, die entsprechenden Parameter zu optimieren. Das habe ich jedoch nicht getan; was Sie sehen, ist also unverändert.
  • Die Einbettung: Es genügte eine einzige Zeile Code, um das Widget hier einzubinden – schließlich erlaubt die CSP der Seite lediglich script-src 'self', und das Widget stellt keinerlei Netzwerkanfragen. Genau das war in der Aufgabenstellung gefordert – und es wurde erfüllt.
  • Eine Nachbearbeitung: dsh erstellte die Ausgabedateien mit den Berechtigungen 0600. Mein Deploy-Skript kopierte diese Berechtigungen auf den Webhost; daraufhin gab es auf der Live-Seite Fehlercode 403 – bis ich chmod 644 ausführte. Stellen Sie immer die Berechtigungen aller Dateien ein, die Sie aus einem dsh-Workspace kopieren.

Fallstricke

  • Es handelt sich um eine Entwickler-Vorschau – das steht auch im README. Ich habe 0.1.0-rc.7 drei Tage nach rc.6 installiert. Profile, Konfigurationsschlüssel sowie die Plugin-Struktur können sich ändern. Fixieren Sie die Version in allen Automatisierungsskripten und führen Sie nach jedem Upgrade einen Smoke-Test durch.
  • Im Headless-Modus gibt es keine Ausgaben bis zum Abschluss des Vorgangs. Nichts wird an stdout ausgegeben; daher wirkt ein langer Task so, als wäre er hängengeblieben. Lesen Sie das Sitzungsprotokoll (~/.dsh/sessions/…/session.jsonl.zstd, im zstd-Format komprimiertes JSONL) oder beobachten Sie den Vorgang in der Web-UI. Der Exit-Code 0 bedeutet „der Durchlauf wurde abgeschlossen“, nicht „der Task war erfolgreich“ – prüfen Sie daher das Ergebnis.
  • Im Headless-Modus gibt es keinen --model-Parameter. Das Standardmodell wird aus settings.yaml gelesen; ändern Sie es dort (die Einstellungen werden dynamisch nachgeladen) oder in der Web-UI.
  • Bei „keyless“-lokalen Servern ist ein Platzhalter-Anmeldeinformationswert erforderlich; außerdem sind Provider-IDs dauerhaft. Siehe Schritt 3.
  • Die Web-UI verwendet absolute Pfade (/assets/…, /api). Daher können Sie sie nicht einfach unter einem Unterpfad hinter Ihrem eigenen Reverse-Proxy einbinden, ohne die Pfade umzuschreiben. Besser: Integrieren Sie die UI in Ihre Anwendung oder weisen Sie ihr eine eigene Hostnamen zu.
  • Die Sprache der UI richtet sich nach Ihrem Browser. Die mitgelieferte index.html enthält lang="zh-CN"; zuerst sehen Sie ein Dialogfeld mit der „Internal Testing Notice“. Klicken Sie auf „Continue“ – danach war die Oberfläche bei mir komplett auf Englisch.
  • Beim Installieren werden Postinstall-Skripte ausgeführt (node-pty, koffi, protobufjs); npm weist darauf hin. Mir fielen keine bösartigen Elemente auf – dennoch handelt es sich um native Code-Kompilierung in Ihrem Installationsverzeichnis. Das ist ein weiterer Grund, lieber ein privates Installationsverzeichnis zu verwenden als das systemweite.
  • Node-Version: Für rc.7 war Node 22.19+ bzw. 24 erforderlich; ältere LTS-Versionen ließen sich nicht ausführen. Prüfen Sie dazu bitte das README der jeweiligen Version.

Historischer Hinweis: dsh neben Reasonix

Im August nutzte ich dsh parallel zu Reasonix, einem Terminal-Agenten von Drittanbietern. Die Aufteilung war einfach: Reasonix war eine TUI, die ich öffnete, wenn ich direkt mit dem Agenten interagieren wollte; dsh hingegen wurde von meinen anderen Programmen verwendet. Am 2026-09-09 habe ich Reasonix aus meiner Konfiguration entfernt – seither ist dsh mein Haupt-Coding-Agent. Falls Sie zwischen beiden wählen müssen: Der entscheidende Unterschied besteht darin, dass dsh ein headless-Modus besitzt, bei dem pro Befehl genau eine Antwort sowie ein Exit-Code zurückgegeben werden – ideal zum Scripten. Eine TUI hingegen setzt voraus, dass ein Mensch am Keyboard sitzt.

Wohin mich das führt

Der Headless-Modus ist die ideale Form für einen Coding-Agenten, den andere Softwareprogramme aufrufen können: ein Befehl, eine Antwort, ein Exit-Code sowie ein Protokoll, das man überprüfen kann. Die Auswahl des Modells erfolgt über YAML – das aufrufende Skript entscheidet also, welches Modell für die jeweilige Aufgabe geeignet ist. Falls Sie bereits einen lokalen Modellserver betreiben, probieren Sie gern dieselben fünf Aufgaben aus. Der gesamte Aufwand besteht lediglich aus zehn Cent an API-Gebühren sowie einem temporären Ordner.

Verwandte Projekte: DeepSeek Everywhere (Integration von DeepSeek in Claude Code sowie ein Agenten-Stack), Kimi K3 als Coding-Agent (dieselben fünf Aufgaben, im September erneut mit dsh ausgeführt), bench-llm sowie dessen Nachfolger CrucibleForge (eine ernsthaftere Bewertung lokaler Modelle als in diesem Beispiel), sowie Reasonix (der Terminal-Agent, den ich vor dsh verwendet habe; mittlerweile außer Betrieb).


← Mehr KI & lokale LLMs