DeepSeek Harness byggde webbspel på React och TypeScript på en enda instruktion
12 november 2026 · 2 min läsning
En utvecklare testade DeepSeek Harness, en agentmiljö för kodning, och fick systemet att bygga ett helt webbspel från grunden. Uppgiften tog 2 timmar och 43 minuter och krävde 183 steg med åtta underagenter, allt på en enda instruktion och en OpenCode Go-prenumeration för 10 dollar.
Spelet var en webbläsarbaserad arkadspel för träning av skrivhastighet. Spelaren skulle skriva ord som flög över skärmen, skjuta på fiender, samla poäng och försöka behålla alla liv. Utvecklaren ville testa om en relativt billig modell med rätt miljö kunde hantera en större uppgift än typiska kodningsexempel.
DeepSeek Harness är en öppen agentmiljö från DeepSeek-teamet. Arkitekturen bygger på Cordis och kan utökas genom insticksprogram. Systemet tillåter agenter att läsa och ändra filer, köra kommandon, skapa tester och se resultat. En central funktion är möjligheten att sätta större mål på projektnivå istället för att skicka enskilda filer. Systemet stöder också underagenter som kan dela upp större uppgifter efter ansvarsområden, vilket var särskilt användbart för spelet med separata agenter för logik, gränssnitt, ljud, ordlistor och testning.
Statistiken från sessionen visade 35 703 377 tokens totalt, men 35,2 miljoner av dessa var cachad inmatning. Agenten återanvände kontexten från projektinstruktioner och tidigare resultat många gånger. Den faktiska utmatningen var cirka 159 000 tokens. Denna effektiva cachehantering gjorde att uppgiften kostade ungefär 15 procent av månadsgränsen på 10-dollarprenumerationen.
DeepSeek Harness och OpenCode Go är två separata tjänster. Harness var utvecklingsmiljön, DeepSeek V4.1 Flash var modellen, och OpenCode Go var prenumerationen som gav åtkomst till modellen. OpenCode Go kostar 10 dollar per månad och erbjuder en månadsgräns på 100 dollar för DeepSeek V4.1 Flash.
Under utvecklingen behövdes viss manuell inblandning. Utvecklaren använde vanlig ChatGPT för att diskutera spelidén, planera arkitekturen och samla krav innan DeepSeek Harness implementerade projektet. Även om agenten arbetade autonomt under större delen av processen, fanns det situationer där manuella justeringar krävdes när spelet kördes i en verklig webbläsare och på en verklig server, till skillnad från ideala testmiljöer.