DeepSeek apresenta Creator Mode: harness pode ser redesenhado pelo usuário
DeepSeek apresenta Creator Mode: harness pode ser redesenhado pelo usuário
O harness open source da DeepSeek ganha Creator Mode: um agente escreve plugins a partir de descrições e os integra diretamente à interface.
DeepSeek apresenta Creator Mode: harness pode ser redesenhado pelo usuário
Em poucos dias, o repositório DeepSeek Harness acumulou mais de 140 mil estrelas no GitHub, crescendo até mais rápido que o OpenClaw na época.
Em agosto, a DeepSeek lançou seu próprio harness open source. A ideia central é que “tudo é um plugin”, e o projeto agora adicionou o Creator Mode: você descreve uma ideia com palavras, e o agente escreve um plugin correspondente e o integra diretamente à interface do aplicativo.
Assim, a interface do harness deixa de ser fixa e pode ser adaptada a qualquer fluxo de trabalho.
- Repositório: DeepSeek Harness
- Coleção de prompts do vídeo de demonstração: DSH Creator Mode prompt collection
Por exemplo, é possível criar um editor de vídeo dentro do chat, alterar o estilo de todo o aplicativo ou gerar um painel de estatísticas das conversas.
Por que isso importa
AnáliseIsso mostra como ferramentas de IA podem migrar de interfaces estáticas para camadas de software autoeditáveis, acelerando prototipagem e personalização.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
DeepSeek apresenta dsh-superagent, um framework de agentes para GitHub Issues e PRs
A DeepSeek apresentou outro projeto, dsh-superagent: um framework de agentes que trabalha com GitHub Issues e pull requests, permitindo que vários agentes de IA executem tarefas em paralelo.
DeepSeek apresenta dsh-superagent, um framework de agentes para GitHub
DeepSeek lançou o dsh-superagent, um framework que permite que vários agentes de IA trabalhem em paralelo com GitHub Issues e PRs.
Jev e System One AI: guia prático completo sobre o modelo de decisão da TypeSafe
Análise técnica aprofundada do modelo principal Jev: arquitetura System One versus LLM, primitivos Choice/Score/Noul, paralelismo de requisições, matemática da confiança, casos de vídeo, código e visão geral de alternativas open-weight locais (Laya, GLiNER2.5, CLM-8B).
Como executar um LLM local: configuração, modelos e otimização
Guia completo para executar redes neurais locais no seu PC: requisitos de hardware, implantação do Ollama e Open WebUI, visão geral do Llama 3, Qwen 2.5, DeepSeek e quantização GGUF.