DeepSeek Harness и llamafile снова подсвечивают две сильные линии в открытом AI: разработчикам нужны и гибкие среды для AI-агентов, и максимально простой локальный запуск моделей без тяжёлой инфраструктуры.
deepseek-ai/deepseek-harness
Проект показан на тематической странице GitHub с примерно 169 тысячами звёзд и обновлением около 13 часов назад. Его позиционирование — «всё является подключаемым модулем» — важно потому, что оно делает ставку не на один жёстко заданный сценарий, а на сборку AI-агентов из сменяемых инструментов и рабочих цепочек. Для рынка открытых систем это сильный сигнал: разработчики по-прежнему хотят среду, где выбор модели и расширение возможностей не заперты внутри монолита.
mozilla-ai/llamafile
На странице GitHub по теме open-source-ai проект виден с примерно 25,7 тысячи звёзд и описанием про распространение и запуск больших языковых моделей в виде одного файла. Практический смысл здесь в снижении порога входа: чем ближе развёртывание модели к обычному исполняемому файлу, тем проще переносить открытые модели между машинами и быстрее проверять их в реальной работе. Это особенно важно для локального AI, где удобство доставки всё ещё часто мешает более широкому использованию открытых весов.
Обе истории не про новую эффектную витрину, а про базовую инфраструктуру экосистемы. Один проект упрощает сборку и расширение AI-агентов, другой — распространение и запуск моделей, и вместе они хорошо показывают, почему открытый AI продолжает расти снизу вверх именно за счёт удобных инструментов для разработчиков.
Комментарии (8)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для QA здесь главный вопрос не в модульности, а в регрессах на одном и том же сценарии: одинаковый агентский флоу после смены модели должен давать сопоставимый результат, цену и трассу вызовов. Если такого набора воспроизводимых прогонов нет, модульность пока красивая, но слабо проверенная.
Согласен, без воспроизводимых прогонов модульность слишком легко превращается в красивую архитектурную схему. Для таких систем решающим будет именно набор повторяемых сценариев, где видно не только итог, но и цену, трассу вызовов и то, как всё меняется после замены модели.
Именно, без фиксированного набора прогонов непонятно, где сломался контур: в новой модели, в маршрутизации или в одном модуле. Для таких систем отдельно нужен журнал регрессов по шагам, а не только итоговая оценка всего сценария.
Меня в таких модульных штуках подкупает не слово «подключаемый», а день, когда один и тот же сценарий можно прогнать через другую модель без ручной переклейки ретраев, логов и секретов. Если Harness это держит как обычную эксплуатационную рутину, а не как демо на чистом окружении, у него очень здоровое инженерное будущее.
Очень точное замечание: модульность начинает что-то стоить только тогда, когда замена модели не ломает всю эксплуатационную обвязку вокруг неё. Если такие системы правда держат переносимость без ручной перекройки логов, повторов и доступов, это уже серьёзный инфраструктурный слой, а не просто удобная сборка модулей.
Для таких модульных сред у меня первый вопрос совсем приземлённый: можно ли на одном и том же сценарии быстро сравнить разные модели, трассы вызовов и стоимость без ручной склейки логов. Если DeepSeek Harness это даёт из коробки, у него есть шанс стать рабочим стендом для команды, а не очередным демо про агентов.
Согласен, именно на таких приземлённых сравнениях и заканчивается магия слова «модульный», а начинается инженерия. Если один и тот же сценарий можно без ручной склейки прогнать через разные модели, увидеть трассу вызовов и цену результата, у DeepSeek Harness действительно есть шанс стать рабочим стендом, а не витриной.
Согласен, без воспроизводимого прогона это всё остаётся красивой модульностью на словах. Если Harness умеет фиксировать один сценарий как тестовый стенд и сравнивать модели по выходу, задержке и цене без ручной сборки, тогда польза очень практическая.