| DeepSeek Harness là gì? Agent AI Mã Nguồn Mở Từ DeepSeek (2026) | HNDL

Được viết bởi Đặng Trí Thanh
Giám đốc Công nghệ · DNT Digital · Hướng Nghiệp Dữ Liệu
📱 Liên hệ Zalo: zalo.me/0934145100

DeepSeek Harness là gì? Nếu bạn đang tìm một công cụ để biến AI từ “người trả lời câu hỏi” thành “nhân viên thực thụ” — biết đọc file, chạy lệnh, sửa code, giao việc cho agent con, chạy tác vụ nền hàng giờ — thì DeepSeek Harness là cái tên đáng chú ý nhất năm 2026. Đây là agent harness mã nguồn mở do chính DeepSeek AI phát triển, với triết lý thiết kế “mọi thứ đều là plugin”, chạy được ngay trên máy tính của bạn chỉ với một dòng lệnh.

Bài viết này của Hướng Nghiệp Dữ Liệu sẽ giúp bạn hiểu toàn diện: DeepSeek Harness là gì, kiến trúc bên trong hoạt động ra sao, vòng lặp agent vận hành thế nào, nó khác gì VS Code, chi phí bao nhiêu, và cách bắt đầu dùng ngay hôm nay — kèm theo những hình ảnh minh họa chi tiết từng phần.

1. DeepSeek Harness là gì? (Giải thích 60 giây)

DeepSeek Harness (viết tắt là dsh) là một “bộ khung” (harness) để vận hành các tác nhân AI — agent — do DeepSeek AI phát triển và phát hành dưới giấy phép mã nguồn mở MIT. Nói dễ hiểu: nếu ChatGPT hay DeepSeek chat là “bạn nhắn tin với AI”, thì DeepSeek Harness là “thuê AI làm việc trong chính máy tính của bạn”.

Thay vì chỉ trả lời trong một ô chat, một agent chạy trên DeepSeek Harness có thể:

• Đọc và sửa file trong thư mục làm việc của bạn — kể cả sửa nhiều file cùng lúc.
• Chạy lệnh trên máy (chạy script Python, cài thư viện, chạy test) thông qua một sandbox an toàn.
• Gọi công cụ — tìm kiếm web, gọi API, đọc video, xử lý ảnh…
• Giao việc cho agent con (subagent) chạy song song nền.
• Nhớ toàn bộ phiên làm việc qua một session log có thể fork, resume, xuất transcript.

Một điểm quan trọng: DeepSeek Harness không phải chatbot và không phải trình soạn thảo code. Nó là lớp trung gian — harness — kết nối mô hình ngôn ngữ lớn (LLM) với các công cụ thực thi trên máy, kèm theo hệ thống kiểm soát quyền, ghi log, và điều phối nhiều agent. Đúng như tên gọi: nó “đóng khung” (harness) sức mạnh của AI vào một quy trình làm việc có kiểm soát.

Bảng dưới đây so sánh nhanh ba cách dùng AI phổ biến:

Tiêu chí	Chat AI (ChatGPT/DeepSeek chat)	IDE + extension (VS Code + Cline/Roo)	DeepSeek Harness
Truy cập file của bạn	Không	Có (giới hạn)	Có, qua sandbox
Chạy lệnh / script	Không	Có	Có, qua sandbox
Giao việc cho agent con	Không	Hạn chế	Có, đầy đủ
Ghi log phiên, fork, resume	Không	Lịch sử thô	Session log chuyên sâu
Chạy headless / tự động hóa CI	Không	Khó	Có (CLI, headless, ACP)
Thay đổi model, tool, chính sách	Không	Phụ thuộc extension	Mọi thứ là plugin

2. Vì sao thế giới cần agent harness?

Từ cuối 2024 đến nay, giới công nghệ có một sự dịch chuyển lớn: từ chatbot sang agent. Chatbot trả lời câu hỏi; agent làm việc. Nhưng để một agent thực sự làm việc được, cần nhiều thứ hơn một mô hình mạnh:

• Tools — khả năng gọi công cụ (đọc file, chạy lệnh, gọi API) để tác động vào thế giới thật.
• Vòng lặp — một vòng điều khiển: nhận yêu cầu → gọi model → model quyết định dùng tool nào → chạy tool → đưa kết quả về model → model tiếp tục → đến khi xong việc.
• Bộ nhớ phiên — lưu lại mọi thứ đã xảy ra để model có ngữ cảnh, và để bạn xem lại, fork, resume.
• An toàn — cơ chế chặn agent làm điều nguy hiểm (xóa file, chạy lệnh tùy ý, ghi ra ngoài phạm vi cho phép).
• Điều phối — quản lý nhiều agent làm việc song song, chạy nền, thu kết quả.

Agent harness chính là “hệ điều hành” cho các agent: nó cung cấp đủ các tầng trên để bạn không phải tự xây từ số 0. DeepSeek Harness nổi bật vì thiết kế plugin hóa triệt để — không có lõi đặc quyền, mọi thứ từ model adapter đến tool registry đều là plugin có thể thay thế bằng cấu hình.

Các tình huống thực tế minh họa rõ nhất sức mạnh của agent harness: một lập trình viên giao cho agent “dọn dẹp toàn bộ code cũ, viết test cho module mới và chạy thử”; một nhà phân tích dữ liệu nhờ agent tự tải dữ liệu, làm sạch, vẽ biểu đồ và xuất báo cáo; một người làm nội dung giao cho agent viết bài, tạo ảnh minh họa và đăng lên website theo đúng quy trình. Tất cả những việc này đều là chuỗi hành động dài — đọc, viết, chạy, kiểm tra, sửa lỗi, lặp lại — mà một ô chat thông thường không thể thực hiện, còn một agent harness thì xử lý trọn vẹn với sự giám sát của bạn.

3. Kiến trúc “mọi thứ là plugin” — trái tim của DeepSeek Harness

Điều làm DeepSeek Harness khác biệt so với các agent framework khác nằm ở một câu: mọi thứ là plugin. Không có một “nhân” (core) đặc quyền nào để vá — bạn mở rộng hệ thống bằng cách mount một plugin bên cạnh những plugin khác, và khi plugin gỡ ra, mọi đăng ký của nó tự động hủy theo.

3.1. Cordis — framework nền tảng

DeepSeek Harness được xây trên Cordis, một framework TypeScript do cộng đồng Cordiverse phát triển (thiết kế được mô tả trong bài báo A Programming Paradigm for Spatiotemporal Composability). Cordis cung cấp ba khái niệm cốt lõi:

• Service — các dịch vụ plugin đóng góp vào một Context chung (ví dụ ctx.sessions, ctx.tools, ctx.llm).
• Event — các sự kiện có kiểu (typed events) để plugin quan sát và can thiệp vào luồng hoạt động.
• Effect — các hiệu ứng có thể đảo ngược: khi plugin unload, mọi thứ nó đăng ký sẽ “unwind” sạch sẽ.

Nhờ đó, mỗi thành phần của DeepSeek Harness — bộ adapter model, tool registry, session log, sandbox, và cả vòng lặp agent — đều là plugin, và đều có thể thay thế từ cấu hình mà không cần sửa code.

3.2. Profile, bundle và patch — cách máy bạn “boot”

Một phiên bản dsh đang chạy thực chất là một cây plugin được ghép từ các lớp (layer) có thứ tự khi khởi động:

• Profile — một “hồ sơ” đặt tên cho một bộ ghép, liệt kê các bundle nó xếp chồng và giữ file patch cordis.patch.yml của riêng người dùng. web và headless được ship sẵn làm mẫu.
• Bundle — định dạng phân phối cho các dòng cấu hình Cordis cùng code chúng mount. dsh-base là lớp đầu tiên của mọi profile (model adapters, tools, persistence, sandbox, approval policy, settings, telemetry); dsh-web-app thêm ứng dụng trình duyệt; dsh-headless thêm bộ chạy một lần không server.
• Patch — các lớp áp dụng theo thứ tự: từng bundle theo thứ tự trong profile → cordis.patch.yml của profile → file patch cấp home → overlay --patch. Một patch nhắm vào một dòng (row) theo id và thay toàn bộ config của nó, hoặc chèn dòng mới.

Bạn có thể xem chính xác cây plugin máy mình sẽ boot bằng lệnh:

dsh --profile web --dump-config

Mọi dòng nó in ra đều có thể được thay bằng một patch của riêng bạn. Đó là mức độ tùy biến mà hầu hết các công cụ agent khác không có.

3.3. Các package lõi

Package	Sở hữu	Key trong ctx
core/session	Session log append-only và in-memory store	ctx.sessions
core/system-prompt	Ráp prompt sections + tool schemas	ctx.systemPrompt
core/tools	Tool registry có scope + pipeline thực thi có kiểm soát	ctx.tools
core/agent	Interface Agent, live registry, sự kiện agent/*	ctx.agents
core/agent-loop	Driver mặc định hiện thực interface Agent	ctx.agentLoop
core/scope	Primitive đăng ký theo phạm vi từng agent	thư viện, không có key
llm/llm	Từ vựng message/stream + seam adapter	ctx.llm

Hình 0: Kiến trúc plugin — các service đóng góp vào Cordis Context; mỗi ô là một plugin thay thế được bằng cấu hình.

4. Vòng lặp agent: Step, Turn và Session

Để hiểu DeepSeek Harness làm việc thế nào, bạn cần nắm ba khái niệm cốt lõi: step, turn và session.

• Step — một lần gọi model cộng với các tool nó gọi trong lần đó.
• Turn — một hoặc nhiều step: mở ra trước khi input đầu tiên được nhận và đóng lại khi không còn gì “nợ” (mọi tool đã trả kết quả, mọi câu trả lời đã xong).
• Session — toàn bộ phiên làm việc, được ghi lại trong session log.

4.1. Luồng một turn điển hình

Khi bạn gửi một yêu cầu, luồng hoạt động diễn ra như sau:

1. turn/start — turn mở ra.
2. Nhận (claim) input của bước tiếp theo cộng một message đang chờ.
3. Ráp các prompt sections + tool schemas từ những gì plugin đã đăng ký.
4. Sự kiện agent/pre-step — các listener có thể viết lại messages hoặc từ chối. Nếu bị từ chối hoặc claim đầu tiên rỗng, turn đóng mà không tốn step nào.
5. step/start — messages đã duyệt được nối vào log như user/message.
6. Suy ra model history từ log, rồi agent/request → llm/stream → phát assistant/chunk* → kết thúc bằng assistant/message.
7. Nếu model muốn gọi tool: tool/call → tools/pre-execute → tools/execute → tools/post-execute → tool/result.
8. step/end — nếu tool còn nợ một request nữa, hoặc input mới đến, claim tiếp → bước tiếp theo.
9. agent/turn-stopping → turn/end — turn đóng khi không còn gì nợ.

4.2. Sơ đồ vòng lặp agent

Hình 1: Vòng lặp agent của DeepSeek Harness — một turn gồm nhiều step, mỗi step là một lần gọi model kèm các tool nó gọi.

4.3. Các “waterfall” quan trọng

Một chi tiết kỹ thuật đáng chú ý: turn/, step/, user/message, assistant/, tool/ là session events bền vững (được ghi vào log), còn agent/pre-step, agent/request, llm/stream, tools/pre-execute, tools/execute, tools/post-execute là waterfall — các listener phải gọi next() để chuyển tiếp. agent/turn-stopping thì là serial, không có next().

Điều này có nghĩa: bạn có thể cắm vào bất kỳ điểm nào của vòng lặp bằng một plugin nhỏ — chặn một tool, sửa prompt trước khi gửi model, chặn một turn — mà không phải đụng vào code lõi.

5. Session log — “model thấy gì, log phải có đó”

Một trong những nguyên tắc mạnh nhất của DeepSeek Harness được gói gọn trong một câu: model-visible means logged — thứ gì model nhìn thấy thì phải nằm trong log.

Session log là nguồn duy nhất để dựng ngữ cảnh cho model. Hàm deriveMessages() chiếu lịch sử model từ log, và các sự kiện assistant/chunk thô được giữ lại để tái dựng chính xác luồng streaming và giao diện. Một runtime invariant liên tục khẳng định: bất cứ thứ gì lọt vào một model request đều phải tái dựng lại được từ log. Chính vì vậy, nếu muốn thêm một loại input mới mà model nhìn thấy, bạn phải thêm một session event mới — không thể “chèn lén” dữ liệu vào prompt mà không để lại dấu vết.

Nhờ thiết kế này, hàng loạt tính năng trở nên “miễn phí”:

• Fork — nhân bản một phiên từ một mốc bất kỳ (ctx.sessions.fork(source, boundary?, childSessionId?)).
• Resume — tiếp tục phiên đã lưu.
• Transcript — xuất toàn bộ phiên làm việc ra văn bản.
• Telemetry — đo lường, thống kê từ dòng log.
• Replay UI — giao diện web dựng lại từng bước từ log.

Đây là thứ mà lịch sử chat của các IDE extension không có: một dòng sự kiện bất biến (append-only), chặt chẽ, và là nguồn sự thật duy nhất.

6. Capability seams — đổi cả hệ thống chỉ bằng một provider

DeepSeek Harness gọi các khả năng thay thế được là seam — “đường may” nối các thành phần. Một seam có đúng ba vai:

1. Service Definition — khai báo interface (giao diện).
2. Service Provider — hiện thực interface đó.
3. Consumer — người dùng interface, thường là một tool mà model gọi.

Ví dụ điển hình: filesystem và subprocess dùng chung một “thế giới thực thi”. Nếu bạn trỏ cả hai provider sang một sandbox từ xa, thì Bash, PTY và LSP đều tự động di chuyển theo — không cần viết lại code. Chính vì seam mà một lần đổi provider là đổi cả sản phẩm.

Các seam chính trong hệ thống:

Seam	Vai trò
ctx.fs	Truy cập file + policy qua sự kiện fs/*
ctx.subprocess / ctx.shell	Chạy lệnh; backend local spawn qua subprocess
ctx.terminals	Terminal bền vững (dùng kèm dsh-tool-terminal)
ctx.sandbox	Bọc argv của process trước khi spawn
ctx.jobs	Tác vụ nền; các tool job_* thu hoặc dừng
ctx.commands	Lệnh cho người dùng, dispatch không cần model turn
ctx.llm	Seam adapter model — đăng ký provider mới chỉ là thêm adapter

7. Bảo mật: sandbox và chính sách phê duyệt

Một agent được trao quyền chạy lệnh, sửa file là một “con dao hai lưỡi”. DeepSeek Harness xử lý điều này bằng hai lớp:

• File sandbox — agent chỉ được ghi trong phạm vi workspace của phiên (thư mục làm việc được chỉ định). Mọi truy cập ngoài phạm vi đều bị chặn bởi sandbox và phải leo thang quyền.
• Approval policy — các thao tác nhạy cảm (ghi ngoài workspace, chạy lệnh nguy hiểm) sẽ hiện yêu cầu người dùng phê duyệt trước khi thực thi. Chính sách có thể cấu hình theo từng mức (mặc định “ask” — luôn hỏi).

Khi một thao tác bị chặn, hệ thống báo rõ lý do và chỉ ra quyền nào đủ để thực hiện — bạn duyệt thì thao tác đó được chạy đúng một lần. Không có “cửa hậu”: một lệnh bị từ chối là dừng, không có cách lách.

Ngoài ra, với sandbox ở mức process (native landlock trên Linux, hoặc chế độ sandbox Windows), các lệnh agent chạy cũng bị bọc argv trước khi spawn — agent không thể tự ý chạy lệnh ngoài phạm vi cho phép.

8. Đa agent: subagent, workflow, agent team, goal, background job

Một trong những lợi thế lớn nhất của DeepSeek Harness so với dùng AI trong IDE là khả năng đa agent:

• Subagent — bạn giao một việc tự chứa (self-contained) cho một agent con. Nó chạy nền, có context riêng, không “ăn” context của bạn, và khi xong sẽ báo kết quả. Sau đó bạn có thể nhắn thêm cho nó (continuation) — như một nhân viên bạn giao việc rồi giao thêm việc sau.
• Workflow — điều phối hàng chục agent con chạy song song theo một script: fan-out một loạt file để audit, một loạt góc nhìn để nghiên cứu, một loạt bài để viết. Script phối hợp, agent làm việc.
• Agent team — một seam riêng (opt-in) trên ctx.agentTeams với roster bền vững, task board và mailbox xếp lớp trên các subagent có thể tiếp tục.
• Goal — mục tiêu dài hạn trong cùng session, tiếp tục qua các sự kiện agent/*, có thể pause/resume.
• Background job — lệnh chạy lâu chạy nền với job id; bạn không phải chờ mà làm việc khác song song, rồi thu kết quả hoặc hủy job khi không còn cần.

Hãy tưởng tượng: bạn giao cho một agent “rà soát 200 file Python trong dự án”, nó tự chia nhỏ cho 10 subagent chạy song song, mỗi subagent báo một bản đánh giá, agent chính tổng hợp thành một báo cáo — tất cả có log đầy đủ, có thể dừng bất cứ lúc nào. Đây chính là sức mạnh mà một ô chat trong IDE không thể làm được.

9. Các chế độ chạy: Web UI, headless, ACP, CLI

DeepSeek Harness chạy được ở nhiều chế độ, tùy nhu cầu:

• Web UI — chạy một server tại http://127.0.0.1:3080, mở giao diện trình duyệt. Đây là cách dùng phổ biến nhất: bạn chat với agent, xem nó suy nghĩ (thinking trace), xem từng tool nó gọi, duyệt từng bước. Hỗ trợ SSH launch (chỉ in URL cho client).
• Headless — profile headless chạy một lần, không server, thích hợp cho tự động hóa:

  dsh --profile headless "tóm tắt workspace này"

• ACP — một server tự động hóa phơi các phiên agent qua JSON-RPC trên stdio; các chương trình khác có thể điều khiển agent theo chuẩn ACP (Agent Client Protocol).
• CLI / dump-config — kiểm tra cấu hình, dump cây plugin.

Ngoài ra còn API remotes: các service nghiệp vụ khai báo method gọi được với @Remote, Host build sinh ra types + runtime, Client load chúng dưới ctx.remote — tức là giao diện web có thể gọi method phía server một cách an toàn theo kiểu RPC có hợp đồng kiểu chặt chẽ.

10. DeepSeek Harness vs VS Code — khi nào dùng cái nào

Câu hỏi được hỏi nhiều nhất: “Tôi đang dùng VS Code với Cline/Roo Code để gọi DeepSeek V4 Flash, chuyển sang DeepSeek Harness có lợi gì?” Câu trả lời: chúng không thay thế nhau hoàn toàn — chúng bổ trợ.

VS Code là editor: mạnh về IntelliSense, debugger, git GUI, refactor trực quan. DeepSeek Harness là agent harness: mạnh về tự chủ, đa agent, log, sandbox, tự động hóa. Cách dùng thực tế tốt nhất là cả hai song song: VS Code để viết/xem code, DeepSeek Harness để giao việc tự động — agent sửa file, VS Code hiện thay đổi ngay lập tức.

Tiêu chí	DeepSeek Harness	VS Code + extension agent
Tự chủ (chạy lâu, nhiều vòng tool)	Rất mạnh	Trung bình
Đa agent / workflow / subagent	Có cơ chế đầy đủ	Hạn chế
Sandbox + phê duyệt	Sâu, đổi provider được	Nông
Session log, fork, resume	Append-only, chặt chẽ	Lịch sử thô
Tự động hóa CI / headless / ACP	Có	Khó
Soạn thảo code tay	Không phải editor	Rất mạnh
Thay model / tool / policy bằng config	Có (plugin + patch)	Phụ thuộc extension

Hình 2: Tóm tắt trực quan — DeepSeek Harness thắng ở tự chủ và kiểm soát; VS Code thắng ở trải nghiệm editor.

11. Chi phí: harness miễn phí, API trả theo token

Một câu hỏi rất thực tế: chạy DeepSeek Harness có tốn tiền không?

• Phần mềm: miễn phí 100% — mã nguồn mở MIT, chạy local, không phí nền tảng.
• Gọi model: trả theo token (pay-as-you-go) qua API DeepSeek. Mỗi tin nhắn tốn một lượng input tokens (lời bạn + context + tool schemas) và output tokens (câu trả lời). Giá rất rẻ so với các hãng khác, và có cơ chế cache hit — nếu ngữ cảnh lặp lại, giá input giảm mạnh.
• Model local: bạn có thể cấu hình adapter dùng model chạy ngay trên máy (Ollama, llama.cpp…) — không tốn API, chỉ tốn điện và RAM/VRAM.
• Mẹo tiết kiệm: dùng model rẻ cho việc đơn giản, model mạnh cho việc phức tạp; giới hạn số vòng tool; tận dụng cache.

DeepSeek Harness cũng giúp bạn kiểm soát chi phí tốt hơn: prompt assembly chỉ gửi đúng các sections đã đăng ký, session log cho thấy chính xác token tiêu thụ, và bạn có thể xem từng bước model đã làm gì — không có “phí ẩn” vì agent chạy lung tung.

Riêng về dòng model DeepSeek V4 Flash: đây là biến thể nhanh và tiết kiệm trong gia đình V4 — phù hợp cho các tác vụ agent lặp lại nhiều vòng, nơi tốc độ phản hồi và chi phí mỗi bước quan trọng hơn độ sâu suy luận. Bạn có thể cấu hình DeepSeek Harness dùng V4 Flash cho việc thường ngày (viết code, xử lý file, tổng hợp) và chuyển sang model reasoner mạnh hơn khi cần phân tích phức tạp — tất cả chỉ là một dòng cấu hình trong profile, không cần sửa code.

12. Hướng dẫn cài đặt và chạy nhanh

Bắt đầu với DeepSeek Harness chỉ mất vài phút:

Bước 1 — Cài đặt Node.js (bản 22.19+ hoặc 24+), rồi chạy:

npx @deepseek-ai/dsh web

Lệnh này khởi động Web UI tại http://127.0.0.1:3080 và mở trình duyệt. Thêm --no-open nếu bạn không muốn tự mở.

Bước 2 — Cấu hình API key. Đặt biến môi trường hoặc file .env:

DEEPSEEK_API_KEY=sk-...

Bước 3 — Chạy thử một tác vụ. Ngay trong Web UI, bạn có thể giao việc cho agent: “Đọc thư mục dự án này và tóm tắt”, “Sửa lỗi trong file X”, “Viết một script Python phân tích dữ liệu Y rồi chạy thử”.

Ví dụ gọi API DeepSeek từ Python (đúng sở trường của bạn):

import requests

API_KEY = "sk-..."
url = "https://api.deepseek.com/chat/completions"

messages = [{"role": "user", "content": "Tóm tắt file README.md này bằng tiếng Việt"}]
resp = requests.post(
    url,
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={"model": "deepseek-chat", "messages": messages},
)
print(resp.json()["choices"][0]["message"]["content"])

Chạy headless một lần (không server):

dsh --profile headless "tóm tắt workspace này"

Xem cây plugin máy bạn boot:

dsh --profile web --dump-config

Nếu muốn xây từ source: git clone repo → pnpm install → pnpm run build → pnpm dsh web.

13. Hệ sinh thái và cộng đồng

DeepSeek Harness đang trong giai đoạn developer preview — phát triển rất nhanh và sẽ có những thay đổi phá vỡ tương thích (compatibility-breaking changes), nên theo dõi changelog thường xuyên. Hệ sinh thái gồm:

• GitHub — repo deepseek-ai/deepseek-harness, tài liệu kiến trúc chi tiết, AGENTS.md hướng dẫn đóng góp.
• Plugin — cộng đồng đăng plugin với topic dsh-plugin; bạn có thể tự viết plugin riêng (đăng ký tool, adapter model, chat node, settings card…) theo cookbook chính thức.
• Discord — cộng đồng DeepSeek Harness để hỏi đáp và trao đổi.
• GitHub Discussions — góp ý, báo lỗi.

Với người học Python và dữ liệu, DeepSeek Harness mở ra một cách làm việc mới: giao việc cho AI, không phải nhờ AI trả lời. Bạn mô tả bài toán, agent lập kế hoạch, viết code, chạy thử, sửa lỗi — và bạn duyệt từng bước.

14. Kết luận

DeepSeek Harness là gì? Đó là agent harness mã nguồn mở của DeepSeek — một “hệ điều hành” cho các tác nhân AI, với kiến trúc mọi thứ là plugin, vòng lặp agent minh bạch, session log bất biến, sandbox bảo mật và khả năng đa agent mạnh mẽ. Nó không thay thế editor, nhưng nó thay đổi cách bạn giao việc cho AI: từ “hỏi đáp” sang “làm việc”.

Những điểm chính cần nhớ:

• ✅ Mã nguồn mở MIT, miễn phí, chạy local bằng một dòng lệnh.
• ✅ Mọi thứ là plugin — model, tool, chính sách đều thay được bằng cấu hình.
• ✅ Session log append-only: model thấy gì, log có đó — fork, resume, transcript dễ dàng.
• ✅ Sandbox + approval policy bảo vệ máy của bạn khi agent làm việc.
• ✅ Subagent, workflow, background job giúp bạn “thuê đội ngũ AI”, không chỉ một AI.
• ✅ Chạy web UI, headless, ACP — từ máy tính cá nhân đến CI/CD.

Bạn đã sẵn sàng thử chưa? Cài Node.js, chạy npx @deepseek-ai/dsh web, và giao cho agent việc đầu tiên của bạn — một việc mà trước đây bạn phải tự làm mất một buổi. Còn nếu bạn muốn học bài bản từ lập trình Python đến tự động hóa công việc bằng AI, hãy tham gia các khóa học của Hướng Nghiệp Dữ Liệu — nơi bạn không chỉ học code mà còn học cách làm việc cùng AI.

📌 Xem thêm: Lập trình Python nâng cao — Tự động hóa · 🌐 Website Hướng Nghiệp Dữ Liệu