DeepSeek maakt zijn agent-framework open source — wat betekent dat?

TL;DR

• Wat: DeepSeek heeft op 13 augustus 2026 Harness (dsh) open source uitgebracht — een framework waarmee AI-agents draaien, waarbij élk onderdeel een inwisselbare plugin is.
• Waarom relevant: Als je als ondernemer AI-agents overweegt of al inzet, bepaalt dit soort infrastructuur hoe flexibel, controleerbaar en leveranciersonafhankelijk je setup straks is.
• Wat je ermee kunt: Volg de ontwikkeling, maar wacht met productie-inzet — het is een developer preview met verwachte breaking changes.

Afgelopen week kwam ik een bericht tegen dat me deed stilstaan: DeepSeek, het Chinese AI-lab dat eerder dit jaar al flink van zich liet horen, heeft het raamwerk openbaar gemaakt waarop hun eigen AI-agents draaien. Inclusief een academisch paper van ruim 80 pagina's dat de theoretische onderbouwing beschrijft. Ik vind dat het uitzoeken waard, want dit raakt een vraag die steeds meer ondernemers bezighoudt: hoe laat je AI-agents betrouwbaar voor je werken?

Wat is DeepSeek Harness precies?

DeepSeek Harness — afgekort dsh — is een open-source framework geschreven in TypeScript. Het verbindt taalmodellen (zoals DeepSeek V4, maar ook Claude of GPT) met concrete taken: bestanden bewerken, commando's uitvoeren, workflows doorlopen. Denk aan het als het besturingssysteem waarop een AI-agent draait.

Het bijzondere zit in de architectuur: alles is een plugin. Niet alleen de extra functies die je toevoegt, maar ook het taalmodel zelf, de sessie-opslag, de tool-registratie en zelfs de agent-loop — het hartritme van de agent — zijn inwisselbare onderdelen. Dat klinkt misschien abstract, dus laat me een vergelijking maken.

Stel je een keuken voor waarbij niet alleen de apparaten verwisselbaar zijn, maar ook de aanrecht, de waterleiding en het recept zelf. Je kunt mid-service van gasfornuis naar inductie wisselen zonder dat de keuken dicht moet. Dat is wat DeepSeek hier technisch probeert te bereiken.

Het project staat onder MIT-licentie, wat betekent dat iedereen het gratis mag gebruiken, aanpassen en commercieel inzetten.

95.000 GitHub-sterren in twee dagen

De cijfers zijn opvallend. Binnen 48 uur na publicatie op 13 augustus had de repository meer dan 95.000 sterren op GitHub — het platform waar ontwikkelaars code delen en beoordelen. Ter vergelijking: dat tempo zie je normaal alleen bij de lancering van nieuwe AI-modellen, niet bij een stuk infrastructuur.

Wat mij hier opvalt, is dat dit iets zegt over de behoefte in de markt. Ontwikkelaars die met AI-agents werken, zoeken kennelijk naar betere fundamenten. De bestaande opties — eigen code schrijven of vastzitten aan één aanbieder — zijn blijkbaar niet genoeg.

Of die sterren zich vertalen naar daadwerkelijk gebruik, moet nog blijken. GitHub-sterren zijn een beetje als likes op social media: ze tonen interesse, maar niet per se dagelijks gebruik.

Het academische fundament: Cordis en omkeerbaarheid

Onder de motorkap draait Harness op Cordis, een framework dat wordt beschreven in het eerdergenoemde academische paper: A Programming Paradigm for Spatiotemporal Composability. Geschreven door onderzoekers van DeepSeek en de Universiteit van Peking.

Wat betekent dat in gewone taal?

Het kernidee is dat van reversible effects — omkeerbare effecten. Wanneer een plugin iets doet (een bestand aanmaken, een instelling wijzigen), legt het systeem ook het tegenovergestelde vast. Wordt de plugin verwijderd, dan worden alle veranderingen automatisch teruggedraaid — als een soort Ctrl+Z voor software-onderdelen.

Dit is relevant omdat AI-agents notoir lastig zijn om veilig aan te passen terwijl ze draaien. Normaal gesproken moet je een agent herstarten als je iets wilt wijzigen. Met deze aanpak zou dat in theorie niet meer hoeven.

Ik schrijf bewust "in theorie", want het paper bevat wiskundige bewijzen (een zogenaamd confluentie-theorema) dat dit veilig kan, maar de praktijk van software is weerbarstiger dan wiskunde. Het is wel opmerkelijk dat een AI-lab zó investeert in formele onderbouwing — dat zie je niet vaak.

Wat betekent dit voor een ondernemer?

Kun je je voorstellen dat je als ondernemer drie verschillende AI-tools gebruikt — een voor klantenservice, een voor orderverwerking, en een voor rapportages — en dat je ze kunt wisselen, combineren of vervangen zonder dat je hele systeem plat gaat?

Dat is het toekomstperspectief dat dit soort frameworks schetst. Maar laat ik eerlijk zijn over waar we nu staan.

De kansen

• Leveranciersonafhankelijkheid. Omdat het model-adapter een plugin is, kun je in principe wisselen tussen DeepSeek, OpenAI of Anthropic zonder je agent opnieuw te bouwen. Dat is waardevol als je niet aan één partij vast wilt zitten.
• Controleerbaarheid. De sessie-log fungeert als de enige bron van waarheid: alles wat de agent ziet en doet, wordt vastgelegd. Dat maakt auditing en compliance makkelijker — iets dat met de EU AI Act steeds belangrijker wordt voor Nederlandse bedrijven.
• Kosten. Open source en MIT-licentie betekent geen licentiekosten. De investering zit in technische kennis om het op te zetten en te onderhouden.

De kanttekeningen

• Niet productierijp. DeepSeek zegt zelf dat er breaking changes aankomen. Dit is een developer preview, geen kant-en-klaar product.
• Technische drempel. Je hebt ontwikkelaars nodig die TypeScript spreken en weten hoe je een agent-runtime beheert. Voor de meeste MKB-bedrijven is dat niet iets wat je intern hebt.
• GDPR en AI Act. DeepSeek is een Chinees bedrijf. Dat roept vragen op over waar data wordt verwerkt en of dat past binnen de Europese regelgeving. Meerdere Nederlandse bronnen wijzen op dit punt — het is iets om serieus mee te nemen als je dit overweegt.

Gartner verwacht overigens dat eind 2026 zo'n 40% van alle bedrijfssoftware een vorm van AI-agents bevat, vergeleken met minder dan 5% in 2025. De vraag is niet óf agents in je bedrijf komen, maar op welk fundament ze draaien.

Waar past dit in het grotere plaatje?

Ik vind het interessant dat DeepSeek niet alleen concurreert op modelniveau — wie het slimste model heeft — maar nu ook op de infrastructuurlaag. De laag die bepaalt hoe agents daadwerkelijk taken uitvoeren, bestanden beheren en workflows doorlopen. Dat is het terrein waar Anthropic met Claude Code een bedrijfsmodel heeft gebouwd en waar OpenAI en Google eveneens op inzetten.

De strategische boodschap is helder: het gaat niet meer alleen om wie het beste taalmodel heeft, maar om wie de beste omgeving biedt om dat model productief te maken. Voor een ondernemer is dat uiteindelijk relevanter dan benchmarkscores — je wilt weten of het werkt, of je het kunt controleren, en of je niet opgesloten raakt.

Voor mij is dit vooral een signaal dat de AI-agent-markt volwassener wordt. Er komen standaarden, er komt theorie, er komt concurrentie op de infrastructuurlaag. Dat is uiteindelijk goed nieuws — ook als je vandaag nog geen agent in je bedrijf hebt draaien.