ช่วงปลายปีนี้มีเครื่องมือ AI ออกมาให้ตามแทบไม่ทัน แต่ที่ชุมชน open source พูดถึงมากที่สุดในรอบหลายเดือนคือ DeepSeek Harness — โปรเจกต์ที่ทำลายสถิติเติบโตเร็วที่สุดบน GitHub ด้วย 22,000 stars ภายใน 90 นาทีหลัง launch ช่อง AI with Surya ของ Surya Kunju ได้ลองนำมาใช้สร้างระบบ multi-agent จริงในสภาพแวดล้อม production และบทความนี้จะพาดูว่ามันทำงานอย่างไร ทำไมถึงโดดเด่น และจะนำไปใช้กับ workflow ของตัวเองได้แบบไหน
สรุปสั้น ๆ
- DeepSeek Harness คือ agent wrapper แบบ open source ที่ model เป็นแค่ "slot" — เปลี่ยนได้ตามใจ
- ออก license MIT เมื่อ 13 สิงหาคม DeepSeek ใช้ harness นี้รัน benchmark ของ V4 Pro เอง
- Gemini 2.5 Flash เป็น model ที่ fit กับระบบนี้มากเป็นพิเศษ เพราะ context 1 ล้าน token ราคาถูก
- ติดตั้งผ่าน npm package เดียว เปิด local web UI ได้ทันที
- ทดสอบสร้าง customer support triage แบบ multi-agent ด้วย Google ADK สำเร็จจริง
Harness คืออะไร — ทำไมไม่ใช่แค่ model อีกตัว
คนส่วนใหญ่เวลาเจอเครื่องมือ AI ใหม่จะนึกถึง model ก่อน แต่ harness เป็นคนละชั้นกัน ถ้าจะเปรียบ: model คือเครื่องยนต์ แต่ harness คือตัวรถทั้งคัน มันกำหนดว่าเครื่องยนต์จะเชื่อมกับล้ออย่างไร ใช้เชื้อเพลิงอะไร และจะวิ่งไปทิศไหน
Harness คือชั้นที่ตัดสินใจแทนคุณ ว่า model จะเข้าถึง tool อะไรได้บ้าง จะอ่าน codebase กว้างแค่ไหน จะวนรอบกี่ครั้งก่อนตอบ และจะจัดการ memory และ context ยังไง นั่นคือเหตุผลที่ DeepSeek เลือกใช้ harness ตัวเองในการรัน benchmark อย่างเป็นทางการ — เพราะผลลัพธ์ของ model ขึ้นกับ harness พอ ๆ กับตัว model เอง
สิ่งที่ทำให้ DeepSeek Harness แตกต่างคือสถาปัตยกรรม plugin-first ทุกองค์ประกอบในระบบ ทั้ง tools ที่ agent ใช้, sandbox ที่รัน code, ไปจนถึง UI ที่คุณมองเห็น ล้วนเป็น plugin ที่ถอดเปลี่ยนได้ ผลคือ model กลายเป็นแค่ "slot" ที่ใส่อะไรก็ได้ — DeepSeek, Gemini, Claude, หรือ model อื่นใดที่มี API
ทำไมถึงเลือก Gemini 2.5 Flash แทน DeepSeek เอง
เมื่อทุกอย่างเป็น plugin model ก็เป็นแค่การตั้งค่าชั้นหนึ่ง คำถามจึงเปลี่ยนจาก "จะใช้ harness ไหน" เป็น "จะใส่ model อะไรเข้าไป" Gemini 2.5 Flash มีเหตุผลที่น่าสนใจมากสำหรับงาน agent โดยเฉพาะ
ก่อนอื่น ราคา — $0.075 ต่อ million tokens input และ $0.30 ต่อ million tokens output ทำให้มันถูกพอที่จะปล่อยให้ agent วิ่งอ่าน repository ทั้งชุดโดยไม่เจ็บปวด บริบท agent งานจริงมักใช้ token จำนวนมากเพราะต้องอ่านไฟล์หลายไฟล์ วนรอบหลายรอบ และ cache ผลลัพธ์ระหว่างทาง model ที่แพงอาจดีกว่าในงาน one-shot แต่สำหรับ agentic loop ราคาต่อ token สำคัญกว่ามาก
ประการที่สอง context window 1 ล้าน token — ค่าดีฟอลต์ของ DeepSeek Harness จำกัด context ไว้ที่ 256K ซึ่งเพียงพอสำหรับงานทั่วไป แต่ถ้าต้องการให้ agent อ่าน codebase ขนาดใหญ่ทั้งชุดพร้อมกัน การปรับค่า context window เป็น 1 ล้านในหน้า settings จะเปลี่ยนขีดจำกัดของงานที่ทำได้อย่างมีนัยสำคัญ
ข้อได้เปรียบของ plugin-based harness คือทำให้การเปรียบเทียบ model กลายเป็นเรื่องของการเปลี่ยน config ไม่ใช่เขียนระบบใหม่
ติดตั้งและตั้งค่าจริง — มีอะไรต้องรู้
การติดตั้งทำผ่าน npm package เดียวซึ่งดูง่าย แต่มีสิ่งที่ควรรู้ก่อนกด install: package จะดาวน์โหลดประมาณ 47 MB แต่หลัง build เสร็จจะกินพื้นที่ดิสก์ประมาณ 1.5 GB นี่ไม่ใช่ tool เบา ๆ แต่สำหรับงาน agentic จริงขนาดนั้นสมเหตุสมผล
หลังรัน dsh web ระบบจะเปิด browser UI ขึ้นมาอัตโนมัติ จุดแรกที่ควรไปคือ Settings ไม่ใช่หน้า chat — เพราะที่นี่คือที่ตั้งค่า provider และปรับ context window ขั้นตอนที่ทำคือ เพิ่ม provider เป็น Google, fetch model list, เลือก Gemini 2.5 Flash แล้วแก้ค่า context window จาก 256K เป็น 1,000,000 ก่อน apply
สำหรับ API key ระบบรองรับทั้งการพิมพ์ใน UI โดยตรงและการอ่านจาก environment variable ที่ export ไว้ล่วงหน้า ซึ่งเป็น workflow ที่ดีกว่าสำหรับคนที่ทำงานกับหลาย project — ไม่ต้องกรอก key ซ้ำทุกครั้ง
หนึ่งจุดที่ต้องระวังคือ free API key จะ hit quota ระหว่างรัน โดยเฉพาะงาน agentic ที่ใช้ token หนัก ถ้า agent หยุดกลางทางและรายงาน quota error นั่นคือสัญญาณให้สลับเป็น paid key ก่อนทดสอบงานจริง
ทดลองสร้าง Multi-Agent System จริง
การทดสอบที่น่าสนใจที่สุดในวิดีโอนี้ไม่ใช่การ demo พื้นฐาน แต่คือการสั่งให้ harness scaffold และ build ระบบ multi-agent customer support triage ด้วย Google Agent Development Kit (ADK) ทั้งหมดในครั้งเดียว
คำสั่งที่ใช้ระบุทั้ง framework (ADK), สถาปัตยกรรม (multi-agent), และ model ที่ให้ใช้ภายใน (Gemini) อย่างชัดเจน agent เริ่มทำงานโดย inject policy context, สำรวจ skill catalog ที่มีในระบบ, แล้ววางโครงสร้างไฟล์ทีละขั้น ระหว่างรันสามารถดู trajectory แบบ real-time ได้ว่า tool call แต่ละครั้งทำอะไร ใช้ token ไปเท่าไหร่ และ cache hit rate เป็นเท่าไหร่
สิ่งที่น่าประทับใจไม่ใช่แค่ว่า build สำเร็จ แต่คือ ความโปร่งใสของระบบ harness แสดงทุก step ที่ agent ตัดสินใจ ทำให้ debug ง่ายและเข้าใจได้ว่าทำไมถึงทำแบบนั้น ซึ่งต่างจาก blackbox agent ที่บอกแค่ผลลัพธ์ปลายทาง เมื่อ build เสร็จ agent ยังแนะนำขั้นตอน install dependencies และรันระบบให้ครบ จนสามารถเปิด ADK web UI และ interact กับ customer support triage agent ที่ build ขึ้นมาได้จริง
plugin ที่มีและ preset mode
อีกส่วนที่ควรรู้คือ plugin list และ agent preset ที่มาพร้อม harness ค่าดีฟอลต์ ระบบมาพร้อม preset หลายแบบ: Standard mode สำหรับงาน build ทั่วไป, PTC mode ที่เปิด tool ทั้งหมดรวมถึง code SDK สำหรับ multi-step operation, Minimal mode สำหรับงานเบา, และ Creator mode สำหรับสร้าง preset ของตัวเอง
นอกจากนี้ระบบ Google Skills ที่ harness ดึงมาอัตโนมัติเมื่อ detect ว่าใช้ Gemini ครอบคลุมทั้ง Google Workspace และ Google Cloud skills ซึ่งหมายความว่าถ้า workflow มีการทำงานร่วมกับ Google services อยู่แล้ว harness จะเชื่อมต่อได้โดยไม่ต้อง config เพิ่ม
บทสรุป
DeepSeek Harness น่าสนใจไม่ใช่เพราะ hype หรือ star count แต่เพราะมันแก้ปัญหาจริง: การทดสอบ model ต่าง ๆ ใน agentic environment ปกติต้องเขียน wrapper ใหม่ทุกครั้ง แต่ plugin-first architecture ทำให้การเปลี่ยน model เป็นแค่การแก้ config ในหน้า settings สิ่งที่ควรลองทำหลังอ่านบทความนี้คือ ติดตั้ง harness ตั้ง provider เป็น Gemini 2.5 Flash ปรับ context window ให้ครบ แล้วลองสั่งงาน agent จริงสักชิ้นที่ทำใน workflow ปัจจุบัน — นั่นจะบอกได้ดีกว่า benchmark ใด ๆ ว่ามันเหมาะกับงานของคุณไหม
