Ну я рассматриваю сценарий что в какой то момент купол накроет нас и только и останутся что локальные модели.
В целом это спор из разряда ведро или огрызок
У каждого свой взгляд, я просто не любитель подхода когда “мы за вас тут все решили пользуйтесь так”
Я в какой-то момент удивился даже, что локальные модели не такие уже и плохие
Ну и сейчас это воспринимается больше как хобби — посмотреть в локальные модели по экспериментировать с ними
Но рабочии задачки на локальных моделях пока не поделаешь — в кодексе у меня как-то эпик автономно закрывался из 23х задач в 23х репозиториев, с локальными моделями пока такое недоступно
Локальные модели хорошо работают для простых задач типа написать код по плану и т.д.
У меня еще хорошо сработал кейс теггирования/разбития по альбомам изображений из immich
молотило долго, но качество хорошее получилось
DeepSeek Harness под микроскопом: разбираем код открытого аналога Claude Code без хайпа
Релиз агентного каркаса от DeepSeek Harness (DSH) — собрал более 130 000 звезд на GitHub за считанные дни. Но если заглянуть внутрь опубликованного пакета @deepseek-ai/dsh вместо чтения маркетингового README, открывается совершенно иная инженерная картина.
Разбираем реальную архитектуру, скрытые компромиссы и то, готов ли DSH заменить закрытый стек Claude Code в продакшене.
Что показал аудит кодовой базы:
1. 359 МБ зависимостей и 196 микро-пакетов
Установка чистого пакета вытягивает 255 директорий зависимостей, из которых 196 находятся под скоупом @deepseek-ai. Это не просто агентный CLI, а тяжеловесный микро-фреймворк: в веб-профиле по умолчанию собирается и монтируется 133 плагина.
2. Парадокс адаптеров: запуск Claude внутри DeepSeek
Под капотом DSH использует мульти-провайдерную библиотеку от минималистичного агентного фреймворка Pi. Из коробки доступно 36+ облачных провайдеров (Anthropic, Bedrock, Vertex AI, Azure). Это значит, что внутри харнесса от DeepSeek можно нативно запускать тот же Claude 3.5 Sonnet.
При этом готового пресета под локальные рантаймы вроде Ollama или LM Studio нет — локальный сервер нужно конфигурировать вручную через кастомный openai-completions шлюз.
3. Неизменяемый аудит-лог (Главный плюс)
Главная архитектурная находка проекта — строгий append-only журнал сессий. В рантайме зашит инвариант: любое действие, контекст или решение модели должно быть на 100% воспроизводимо из лога. Для enterprise-систем, где нужно понимать причину каждого сбоя агента в проде, это эталонный паттерн.
4. Налог на токены и дублирование контекста
Модульность «Everything is a Plugin» имеет обратную сторону — высокий базовый расход токенов на схемы и описания тулов. Кроме того, модуль инструкций независимо считывает и инжектит в промпт и CLAUDE.md, и AGENTS.md. Если они синхронизированы в репозитории, системные правила дублируются дважды. В тестах холодный контекст задачи в DSH может раздуваться до ~47k токенов против ~4.5k у легковесных решений.
Стоит ли переходить прямо сейчас?
Для архитектора DSH интересен как эталонная архитектура наблюдаемости и модульности агентных систем. Однако в версии 0.1 переносить продакшен-воркфлоу преждевременно:
• Интерфейсы плагинов нестабильны и будут ломаться;
• Накладные расходы на токены из-за схем 130+ плагинов утяжеляют каждый шаг;
• Накопленные настройки и привычки работы с Claude Code не переносятся автоматически.
Вердикт:
DeepSeek показал мощный архитектурный фундамент, доказав, что агентный харнесс важнее самой модели. Но пока это инструмент для экспериментов и заимствования паттернов аудита, а не готовая замена устоявшимся инструментам.
Читайте также в MAX
#AIArchitecture deepseek #ClaudeCode #AIAgents #AgentHarness #DevEx #SystemDesign #OpenSource #LLM #MLOps
Некогда такого не было и вот опять, как эти китайцы посмели накрутить звезды на ровном месте (опять)?! 
Вот нравится мне DSH)
В опенкоде почему-то похуже дипсик 4.1 работает в плане кэша
Можно попросить его, он создаст любой плагин. Например встроенный доступ к разным пк, где установлены dsh.