Продвинутый

DeepSeek Harness: Плагинная архитектура для AI-инструментов

Алексей Кузнецов
Алексей Кузнецов
Системный администратор2 ноября 2026 г.8 мин чтения

DeepSeek Harness превращает каждый компонент в плагин, позволяя гибко собирать AI-пайплайны с помощью простого интерфейса и расширяемой архитектуры.

DeepSeek Harness: Плагинная архитектура для AI-инструментов

DeepSeek Harness превращает каждый компонент в плагин, позволяя гибко собирать AI-пайплайны с помощью простого интерфейса и расширяемой архитектуры.

Введение

Что такое DeepSeek Harness

DeepSeek Harness — это фреймворк для сборки AI-инструментов на основе плагинной архитектуры. Он превращает каждый компонент AI-системы в самостоятельный плагин, что позволяет гибко собирать пайплайны из готовых блоков без необходимости переписывать код.

Если вам когда-либо приходилось вручную подключать LLM, парсеры, инструменты или системы памяти, вы знаете, как быстро это становится похожим на интеграцию через "мостик". DeepSeek Harness решает эту проблему: каждый компонент становится плагином, который можно подключить одним параметром конфигурации.

Основные концепции

  • Плагины как интерфейсы: Каждый плагин реализует единый контракт, что позволяет заменять реализации без изменения остального кода
  • Конфигурация как код: Пайплайн описывается YAML-файлом, который можно хранить в Git и контролировать через CI/CD
  • Расширяемость через плагины: Сообщество может писать плагины для специфических задач — от парсинга документов до интеграции с external API
  • Типобезопасность: Плагины проверяются статически, что предотвращает ошибки на этапе выполнения
yaml
# Пример конфигурации пайплайна
pipeline:
  name: "Document Analyzer"
  version: "1.0"
  
  plugins:
    - name: "DocumentLoader"
      type: "input"
      config:
        source: "s3://bucket/docs/"
        format: "pdf"
    
    - name: "TextExtractor"
      type: "processor"
      config:
        model: "tesseract"
        language: "en"
    
    - name: "Summarizer"
      type: "processor"
      config:
        model: "gpt-4"
        max_tokens: 500
    
    - name: "OutputWriter"
      type: "output"
      config:
        destination: "redis"
        key_prefix: "summary:"

Архитектура плагинов

DeepSeek Harness использует подход "компонент-плагин". Каждый плагин — это автономный модуль с:

  • Определением контракта: Какие данные он принимает и возвращает
  • Фабрикой конфигурации: Парсер YAML-конфигурации плагина
  • Хуковыми точками: Точки расширения для переопределения поведения
  • Инструментами мониторинга: Логирование, метрики и трейсинг
bash
# Установка плагина из репозитория
dsh plugin install gh:deepseek-plugins/document-ai

# Создание нового плагина
dsh plugin create --name="my-custom-tool" --type="processor"

Сравнение с традиционными подходами

Традиционный подходDeepSeek Harness
Ручное кодирование интеграцийКонфигурация через YAML
Жёстко связанная архитектураПлагины как автономные модули
Трудно тестировать отдельные компонентыКаждый плагин тестируется изолированно
Замена компонента требует переписывания кодаЗамена — это смена конфигурации

Если вы когда-либо писали скрипт, который "склеивал" несколько AI-инструментов вместе, вы поймёте, почему это раздражает. DeepSeek Harness делает этот процесс предсказуемым и повторяемым.

Пример использования: Анализ документооборота

Рассмотрим задачу: загрузить контракты из S3, извлечь текст, summarize ключевые пункты и сохранить результаты в базу данных.

python
# Пример плагина на Python
from dsh import plugin

@plugin(name="ContractProcessor", type="processor")
class ContractProcessor:
    async def process(self, data):
        # Извлечение текста из PDF
        text = await self.extract_text(data["file_path"])
        
        # Генерация сводки
        summary = await self.summarize(text)
        
        return {"summary": summary, "metadata": data.metadata}
    
    async def extract_text(self, path):
        # Реализация извлечения текста
        pass
    
    async def summarize(self, text):
        # Реализация суммирования
        pass

Где найти больше информации

DeepSeek Harness — это не просто ещё один фреймворк для AI-инструментов. Это платформа, которая делает сборку AI-систем предсказуемой, тестируемой и повторяемой — как сборка программного обеспечения. Если вам когда-либо приходилось "склеивать" AI-инструменты вручную, вы поймёте, почему это важно.

Архитектура плагинов

Архитектура плагинов

Принцип работы плагинов

DeepSeek Harness реализует архитектуру на основе плагина — каждый компонент системы регистрируется как самостоятельный плагин с определенным интерфейсом. Механизм работы включает три фазы:

  1. Регистрация — плагин внедряет себя в реестр через специальный декоратор register_plugin. Регистратор проверяет уникальность имени и совместимость интерфейсов.

  2. Загрузка — лоадер сканирует директорию plugins/ и загружает плагины в порядке зависимостей. Для каждого плагина создается экземпляр с инициализацией конфигурации из config/plugin_name.yaml.

  3. Интеграция — плагин регистрируется в конвейерном диспетчере, где его методы становятся доступными через

Настройка и расширение

Настройка и расширение

DeepSeek Harness — это модульная архитектура, которая превращает каждый компонент в плагин. Это позволяет собирать AI-пайплайны как конструктор: берешь нужные блоки, соединяешь их и получаешь работающую систему.

bash
# Инициализация нового плагина
mkdir deepseek-plugins
cd deepseek-plugins
cat > my-plugin/plugin.json << 'EOF'
{
  "name": "my-plugin",
  "version": "1.0.0",
  "description": "Пользовательский плагин для DeepSeek Harness",
  "entrypoint": "src/main.rs",
  "dependencies": []
}
EOF

Интеграция пользовательских плагинов

Подход DeepSeek Harness основан на простом интерфейсе плагинов. Каждый плагин — это отдельный Rust-крейт, который реализует Plugin трейт.

rust
// src/lib.rs плагина
use deepseek_harness::{Plugin, PluginContext};

pub struct MyPlugin;

impl Plugin for MyPlugin {
    fn name(&self) -> &str {
        "my-plugin"
    }
    
    fn version(&self) -> &str {
        "1.0.0"
    }
    
    fn execute(&self, context: &PluginContext) -> Result<String, Box<dyn std::error::Error>> {
        // Основная логика плагина
        let input = context.input.as_str();
        let processed = format!("[MyPlugin] Обработано: {}", input);
        
        // Передаем результат следующему плагину
        context.next(&processed)
    }
}

Конфигурация плагинов хранится в YAML-файле harness.yml:

yaml
# harness.yml
plugins:
  - name: "core-parser"
    enabled: true
    config:
      max_tokens: 1024
      model: "gpt-4"
  
  - name: "my-plugin"
    enabled: true
    config:
      threshold: 0.7
      output_format: "json"
  
  - name: "logger-plugin"
    enabled: true
    config:
      log_level: "info"
      file: "/var/log/deepseek.log"

Для загрузки пользовательских плагинов используется команда:

bash
# Загрузка и компиляция плагинов
cargo build --release
cp target/release/*.so ~/.config/deepseek/plugins/

# Активация плагинов через конфигурационный файл
deepseek-cli --config harness.yml --load-plugins

Мониторинг и отладка плагинов

Мониторинг плагинов в DeepSeek Harness основан на Prometheus-метриках. Каждый плагин может экспортировать свои показатели.

rust
// Метрики плагина
use prometheus::{IntCounter, Histogram};

pub struct PluginMetrics {
    pub executions: IntCounter,
    pub execution_duration: Histogram,
}

impl PluginMetrics {
    fn new() -> Self {
        Self {
            executions: IntCounter::new("plugin_executions_total", "Общее количество выполнений").unwrap(),
            execution_duration: Histogram::new(vec![0.001, 0.01, 0.1, 1.0]).unwrap(),
        }
    }
}

Экспорт метрик осуществляется через HTTP:

bash
# Запуск плагина с метриками
RUST_LOG=info ./target/release/my_plugin --metrics-port 9090

# Проверка метрик
curl http://localhost:9090/metrics

Для отладки используется встроенный дампер состояния:

bash
# Просмотр состояния всех плагинов
deepseek-cli --plugin-status

# Логирование выполнения плагинов
deepseek-cli --log-level debug --log-file /var/log/deepseek/debug.log

Отладочная консоль позволяет просматривать состояние каждого плагина в реальном времени:

bash
# Запуск консоли мониторинга
deepseek-monitor --port 8080

# Веб-интерфейс доступен по адресу http://localhost:8080
# Здесь отображаются:
# - Статистика выполнения плагинов
# - Графики производительности
# - Журналы ошибок
# - Конфигурация плагинов

Связанные материалы:

FAQ

Как добавить новый плагин?

Добавление нового плагина в Harness обычно сводится к трём шагам:

  1. Создайте плагинный класс — унаследуйте от DshPlugin (или CordisPlugin, если вы используете модуль cordis).
  2. Зарегистрируйте плагин — укажите его в конфигурации plugins в config.yaml.
  3. Подключите плагин к точке подключения — используйте аннотацию @Connects или укажите точку в конфигурации plugin-manifest.json.

Пример плагина

yaml
# plugins/my-plugin.yaml
plugin:
  name: "my-plugin"
  version: "1.0.0"
  entry: "MyPlugin"
  connects:
    - "ai-agent.tools"
python
# plugins/my_plugin.py
from dsh import DshPlugin

class MyPlugin(DshPlugin):
    def __init__(self):
        super().__init__("my-plugin")
        self.description = "Выполняет клеверирование данных перед отправкой"

    def execute(self, context: dict) -> dict:
        # Пример: добавляем временную метку к входящим данным
        context["processed_at"] = datetime.utcnow().isoformat()
        return {"result": "ok", "data": context}

Регистрация плагина в конфигурации

yaml
# config.yaml
plugins:
  - path: "plugins/my-plugin.yaml"
    enabled: true

Что такое точка подключения плагина?

Точка подключения — это именованный хук, который плагин может переопределить или расширить. Harness поддерживает несколько типов точек:

Тип точкиТипичное назначениеПример
ai-agent.toolsДоступные инструменты для AI-агентаПлагины, предоставляющие функции анализа, поиска или выполнения команд
ai-agent.hooks.preВыполняется перед основным циклом агентаЛогирование, проверка подлинности, фильтрация контекста
ai-agent.hooks.postВыполняется после завершения работы агентаСбор метрик, очистка ресурсов
ai-agent.middlewaresПлагины, изменяющие поток данныхТокенизация, нормализация, обогащение контекстных данных

Плагины подключаются к точке с помощью аннотации @Connects или записи в plugin-manifest.json. Когда агент выполняет свою работу, он запрашивает зарегистрированные плагины для каждой точки и вызывает их в определённом порядке (порядок определяется приоритетом, указанным в конфигурации).

Пример подключения к точке

python
# plugins/logging-plugin.py
from dsh import DshPlugin, Connects

@Connects("ai-agent.hooks.pre")
class LoggingPlugin(DshPlugin):
    def __init__(self):
        super().__init__("logging-plugin")
        self.description = "Регистрирует входящие запросы агента"

    def execute(self, context: dict) -> dict:
        logger.info(f"Agent executing: {context.get('query')}")
        return context

Где найти примеры плагинов?

Репозиторий Harness включает несколько демонстрационных плагинов, которые показывают различные модели использования:

Эти примеры находятся в репозитории cordis и dsh и содержат полные файлы конфигурации, исходный код плагинов и инструкции по их локальному запуску.

Как клонировать и запустить примеры

bash
# Клонируйте репозиторий Harness
git clone https://github.com/deepseek-ai/harness.git
cd harness

# Перейдите в каталог примеров
cd examples

# Запустите конкретный пример (например, echo-plugin)
./run.sh echo-plugin

Каждый скрипт run.sh создаёт изолированную среду с помощью Docker Compose, загружает необходимые зависимости и запускает плагин в локальном экземпляре Harness, чтобы вы могли протестировать его поведение напрямую.


Полезные ссылки

Поделиться:TelegramX / TwitterVK

Читайте также