ทำไมโมเดลเดียวกันผ่าน agent คนละตัวให้ผลลต่างกัน? เจาะลึก DeepSeek Harness (dsh) agent runtime แบบ open source ที่ทุกอย่างเป็น plugin บน Cordis framework - เปรียบเทียบ Claude Code, Codex และ OpenCode ทั้งสถาปัตยกรรม 4 โหมดการทำงานรวม PTC ค่าใช้จ่ายต่อภารกิจ และความเสี่ยง CVE-2026-82533
ทุกวันนี้ AI coding agent ไม่ใช่แค่เครื่องมือช่วยเติมโค้ดอีกต่อไป เราสั่งให้ AI อ่านโปรเจกต์ทั้งระบบ วิเคราะห์ข้อผิดพลาด แก้ไข source code รัน test หรือแม้แต่สร้างฟีเจอร์ใหม่ได้ด้วยคำสั่งเพียงไม่กี่ประโยค เครื่องมืออย่าง Claude Code, Codex และ OpenCode จึงกลายเป็นส่วนหนึ่งของกระบวนการพัฒนาซอฟต์แวร์สำหรับนักพัฒนาจำนวนมาก
แต่มีคำถามหนึ่งที่น่าสนใจ: ทำไม AI โมเดลเดียวกัน เมื่อใช้งานผ่าน agent คนละตัว กลับได้ผลลัพธ์ที่แตกต่างกัน? บางเครื่องมือจัดการโปรเจกต์ขนาดใหญ่ได้ดี บางตัวใช้ token มหาศาล บางตัวแก้บั๊กได้อย่างต่อเนื่อง ขณะที่อีกตัวอาจติดอยู่กับการเรียกเครื่องมือซ้ำไปซ้ำมา คำตอบไม่ได้อยู่ที่ความสามารถของโมเดลเพียงอย่างเดียว แต่อยู่ที่สิ่งที่เรียกว่า Harness หรือระบบที่ทำหน้าที่ควบคุมให้ AI ลงมือทำงานได้จริง นี่คือแนวคิดเบื้องหลัง DeepSeek Harness (dsh) โปรเจกต์ open source จาก DeepSeek ที่นำเสนอวิธีออกแบบ AI agent ในอีกรูปแบบหนึ่ง
Harness คืออะไร และทำไมถึงสำคัญ?
ลองจินตนาการว่าเราให้ AI พัฒนาระบบ two-factor authentication (2FA) เพิ่มเข้าไปในเว็บไซต์ที่มีอยู่แล้ว AI จำเป็นต้องทำมากกว่าแค่เขียนโค้ด เพราะต้องอ่านโครงสร้างโปรเจกต์ เข้าใจระบบ login เดิม ตรวจสอบ database แก้ไขทั้ง frontend และ backend แล้วรันทดสอบเพื่อยืนยันว่าฟังก์ชันเดิมยังใช้งานได้ ระหว่างทำงานยังต้องตัดสินใจอีกว่า ควรอ่านไฟล์ไหนก่อน? จะเรียกเครื่องมืออะไร? ต้องขออนุญาตก่อนรันคำสั่งหรือไม่? หากเกิด error จะย้อนกลับไปแก้อย่างไร? ทั้งหมดนี้คือหน้าที่ของ harness
หากเปรียบ AI model เป็นสมอง harness ก็คือระบบที่ช่วยให้สมองนั้นมีเครื่องมือ ความจำ และขอบเขตในการลงมือทำงาน พูดให้ง่ายที่สุดคือ AI Agent = AI Model + Harness โมเดลที่ฉลาดมากแต่มีระบบจัดการเครื่องมือไม่ดี อาจทำงานได้แย่กว่าโมเดลที่รองลงมาแต่ได้รับการจัดสภาพแวดล้อมอย่างเหมาะสม นั่นเป็นเหตุผลว่าทำไมการเลือก AI coding agent จึงไม่ควรดูแค่ว่าใช้โมเดลอะไร แต่ต้องดูว่าระบบจัดการเครื่องมือ บริบท การทำงานต่อเนื่อง และความปลอดภัยดีแค่ไหน
DeepSeek Harness แตกต่างอย่างไร?
DeepSeek Harness เป็น AI agent runtime แบบ open source ภายใต้ MIT License ซึ่งนักพัฒนานำไปศึกษา แก้ไข และต่อยอดได้ แนวคิดหลักของโปรเจกต์คือ Everything is a Plugin
เครื่องมือ AI agent ทั่วไปมักมีแกนกลางที่กำหนดวิธีทำงานไว้ แล้วเปิดให้นักพัฒนาเพิ่มความสามารถผ่าน plugins, skills หรือ hooks แต่ DeepSeek Harness เลือกแนวทางที่ยืดหยุ่นกว่า โดยทำให้องค์ประกอบระดับโครงสร้างจำนวนมากเป็นปลั๊กอินที่ถอดเปลี่ยนได้ ไม่ว่าจะเป็นระบบเชื่อมต่อโมเดล การจัดการเครื่องมือ การบันทึก session การประกอบ system prompt ระบบ sandbox หรือแม้แต่ agent loop ที่ควบคุมลำดับการทำงานของ AI
หัวใจของสถาปัตยกรรมนี้คือเฟรมเวิร์กชื่อ Cordis ซึ่งทำหน้าที่เป็นระบบกลางสำหรับประกอบปลั๊กอินและจัดการความสัมพันธ์ระหว่างองค์ประกอบต่างๆ (ดูรายละเอียดใน เอกสารสถาปัตยกรรม) โดยมีแนวคิดสำคัญสองเรื่อง
- Spatial Composability คือการให้ปลั๊กอินประกาศว่าต้องพึ่งพาบริการอะไรบ้าง เช่น เครื่องมือแก้ไขไฟล์ต้องใช้บริการระบบไฟล์ เมื่อบริการพร้อมใช้งาน ปลั๊กอินที่เกี่ยวข้องก็เริ่มทำงานได้
- Temporal Composability คือการจัดการวงจรชีวิตของปลั๊กอิน สิ่งที่ลงทะเบียนไว้สามารถถูกยกเลิกหรือเก็บกวาดได้เมื่อปลั๊กอินถูกถอดออกหรือโหลดใหม่
ข้อดีคือผู้พัฒนาทดลองเปลี่ยนองค์ประกอบของระบบได้โดยไม่ต้องแก้ไขแกนกลางทั้งหมด ตัวอย่างเช่น หากองค์กรต้องการให้ agent ทำงานผ่าน sandbox บนเซิร์ฟเวอร์แยกต่างหาก ก็สร้างหรือเลือกปลั๊กอินที่เปลี่ยนวิธีเข้าถึงระบบไฟล์และการรันคำสั่งได้ หรือหากต้องการเพิ่มระบบตรวจสอบ GitHub Actions ก่อนให้ agent สรุปงาน ก็ต่อยอดด้วยปลั๊กอินเฉพาะทาง นี่คือความต่างสำคัญระหว่างการติดตั้ง plugin เพื่อเพิ่มความสามารถให้ agent กับการใช้ plugin เป็นองค์ประกอบในการสร้าง agent runtime เอง อย่างไรก็ตาม การถอดเปลี่ยนได้ไม่ได้แปลว่าปลั๊กอินทุกตัวเข้ากันได้ทันที ผู้พัฒนายังต้องจัดการ dependency, permission และทดสอบการทำงานร่วมกันอย่างเหมาะสม
4 โหมดการทำงานของ DeepSeek Harness
| Mode | จุดเด่น | เหมาะกับ |
|---|---|---|
| Standard | เครื่องมือครบสำหรับการทำงานทั่วไป | Coding และงานประจำวัน |
| PTC | ใช้โปรแกรมประสานการเรียก tool หลายขั้นตอน | งานซับซ้อนที่เรียก tool จำนวนมาก |
| Minimal | สภาพแวดล้อมและเครื่องมือจำกัด | Benchmark และการทดสอบโมเดล |
| Creator | ตรวจสอบและต่อยอด runtime ด้วย plugin | สร้าง AI agent แบบ custom |
โหมดที่น่าสนใจเป็นพิเศษคือ PTC (Programmatic Tool Calling) (ดู เอกสาร tool registry) ลองนึกภาพว่า AI ต้องตรวจสอบ source code 100 ไฟล์ ในการทำงานแบบทั่วไป AI อาจเรียกเครื่องมือค้นหา อ่านไฟล์ รับผลลัพธ์ แล้วตัดสินใจเรียกเครื่องมืออีกครั้ง ทำเช่นนี้ต่อเนื่องหลายรอบ แต่ PTC ช่วยให้โมเดลสร้างโปรแกรมเพื่อประสานการใช้เครื่องมือหลายตัวภายในขั้นตอนเดียว โดยนำผลลัพธ์ที่เกี่ยวข้องกลับมาให้โมเดลประมวลผล แทนที่จะส่งข้อมูลระหว่างโมเดลกับเครื่องมือหลายสิบครั้ง ระบบจัดการบางขั้นตอนภายในสภาพแวดล้อมการรันได้โดยตรง แนวทางนี้มีโอกาสช่วยลดจำนวน model calls และ token ที่ต้องส่งซ้ำ แต่ไม่ได้แปลว่าเร็วหรือประหยัดกว่าเสมอไป เพราะยังขึ้นกับความสามารถของโมเดลและลักษณะงาน
อีกโหมดหนึ่งคือ Creator ซึ่งช่วยให้นักพัฒนาตรวจสอบโครงสร้าง runtime และสร้างปลั๊กอินเพิ่มเติมได้ ทำให้ DeepSeek Harness ไม่ได้เป็นเพียงเครื่องมือใช้ AI เขียนโค้ด แต่เป็นสภาพแวดล้อมสำหรับพัฒนาเครื่องมือ AI agent ตัวใหม่ด้วย
DeepSeek Harness vs Claude Code vs Codex vs OpenCode
เมื่อเข้าใจแนวคิดของ DeepSeek Harness แล้ว คำถามต่อมาคือมันดีกว่าเครื่องมือที่เราใช้อยู่หรือไม่? คำตอบขึ้นกับว่าเราต้องการเครื่องมือสำเร็จรูปสำหรับเขียนโค้ด หรือแพลตฟอร์มสำหรับสร้างและควบคุม AI agent ด้วยตัวเอง
| หัวข้อ | DeepSeek Harness | Claude Code | Codex | OpenCode |
|---|---|---|---|---|
| Open source | MIT | ไม่เปิดซอร์สทั้งหมด | CLI และส่วนสำคัญเปิดซอร์ส | เปิดซอร์ส |
| แนวทางหลัก | Modular agent runtime | Coding agent | Coding agent | Multi-provider coding agent |
| เลือกโมเดล | หลากหลาย provider | เน้น Claude | เน้นโมเดล OpenAI | หลากหลาย provider |
| Customization | ระดับ runtime และ plugin | Skills, Hooks, MCP, Plugins | Skills, MCP, Config | Plugins, Tools, Config |
| การใช้งานหลัก | Web, Desktop, CLI, SDK | Terminal, IDE, Desktop | CLI, IDE, App | Terminal, Desktop, IDE |
| การสร้าง runtime ใหม่ | จุดเด่นหลัก | ไม่ใช่เป้าหมายหลัก | ไม่ใช่เป้าหมายหลัก | ต่อยอดได้ แต่มีโครงสร้างหลักของตนเอง |
| ความเหมาะสม | ทดลองและสร้าง agent platform | งาน coding ด้วย Claude | งาน coding ด้วย OpenAI | Coding หลายโมเดลและ self-host workflow |
ตารางนี้เปรียบเทียบแนวทางออกแบบและความสามารถหลัก ไม่ใช่ผลทดสอบความเร็วหรือความแม่นยำของโมเดล
Claude Code (เอกสารทางการ) ให้ความสำคัญกับประสบการณ์การพัฒนาซอฟต์แวร์ มีเครื่องมืออ่านและแก้ไขโค้ด จัดการคำสั่ง terminal เชื่อมต่อระบบภายนอกผ่าน MCP และกำหนดขั้นตอนการทำงานผ่าน skills และ hooks ข้อดีคือเริ่มต้นทำงานกับโปรเจกต์ได้เลยโดยไม่ต้องออกแบบสถาปัตยกรรมของ agent เอง เหมาะกับนักพัฒนาที่ต้องการใช้ Claude ทำงานกับ codebase จริง
Codex (เอกสารทางการ) จาก OpenAI มีจุดเด่นด้านการทำงานร่วมกับเครื่องมือพัฒนา ใช้ได้กับ CLI, IDE และสภาพแวดล้อมที่รองรับการมอบหมายงานให้ agent ตัวระบบมีการกำหนด sandbox และ approval policy สำหรับควบคุมสิทธิ์การรันคำสั่ง รวมถึงรองรับ skills และการเชื่อมต่อเครื่องมือภายนอก เหมาะกับทีมที่ใช้บริการ OpenAI และไม่ต้องสร้าง runtime เอง
OpenCode (เอกสารทางการ) เป็น open source coding agent ที่ให้ความสำคัญกับการเลือกใช้โมเดลและผู้ให้บริการอย่างยืดหยุ่น นักพัฒนาเชื่อมต่อ provider หลายรายแล้วเลือกโมเดลให้เหมาะกับงานได้ จุดนี้มีประโยชน์สำหรับผู้ที่ต้องการทดลองหลายโมเดล เช่น ใช้โมเดลหนึ่งสำหรับงานที่ต้องคิดซับซ้อน และอีกโมเดลสำหรับงานทั่วไปที่ต้องการประหยัดต้นทุน
DeepSeek Harness แตกต่างตรงที่เปิดให้นักพัฒนาปรับเปลี่ยนกลไกภายในของ runtime ได้ลึกกว่าแนวทางปรับแต่ง agent สำเร็จรูปทั่วไป แทนที่จะเลือกเพียงโมเดลและชุดเครื่องมือ ผู้พัฒนาออกแบบวิธีจัดการ session, tool execution, agent loop และส่วนประกอบอื่นของ runtime ได้ จึงเหมาะกับผู้ที่ต้องการสร้าง AI agent platform ของตัวเอง ทั้งนี้โปรเจกต์ยังอยู่ในช่วง developer preview จึงไม่ควรสรุปว่าความยืดหยุ่นของสถาปัตยกรรมทำให้มีประสิทธิภาพหรือความเสถียรเหนือกว่าเครื่องมืออื่นโดยอัตโนมัติ
แล้วเรื่องค่าใช้จ่าย ตัวไหนคุ้มกว่า?
ประเด็นต้นทุนต้องแยกให้ชัด เพราะการใช้ AI agent มีค่าใช้จ่ายหลายส่วน: ราคาโมเดล ปริมาณ token จำนวนครั้งที่เรียก API และต้นทุนโครงสร้างพื้นฐาน DeepSeek Harness มีแนวทางลดการใช้ token ผ่านการจัดการ tool calling และการทำงานร่วมกับโมเดลที่มีต้นทุนต่ำกว่า โดยเฉพาะเมื่อใช้ PTC เพื่อรวมการเรียกเครื่องมือหลายขั้นตอน ก็อาจช่วยลดค่าใช้จ่ายจากการส่งบริบทซ้ำ แต่ต้องเข้าใจก่อนว่า ค่าใช้จ่ายต่อหนึ่งล้าน token ไม่เท่ากับค่าใช้จ่ายต่อภารกิจที่สำเร็จ
สมมติว่า Agent A ใช้เงินเพียง $0.20 ต่อครั้ง แต่ต้องพยายามถึง 5 ครั้งจึงแก้บั๊กสำเร็จ ต้นทุนรวมกลายเป็น $1 ขณะที่ Agent B ใช้ $0.60 แต่แก้ปัญหาสำเร็จตั้งแต่ครั้งแรก ในกรณีนี้ Agent B มีต้นทุนต่อภารกิจต่ำกว่า นอกจากนี้การใช้ subscription กับการเรียก API โดยตรงเป็นรูปแบบค่าใช้จ่ายที่ไม่เหมือนกัน จึงไม่ควรนำราคาแพ็กเกจรายเดือนมาเทียบกับราคา token ตรงๆ หากต้องการเปรียบเทียบอย่างจริงจัง ควรวัดอย่างน้อย 4 ตัวแปร คือ success rate, total token usage, execution time และ cost per successful task ขณะนี้ยังไม่มีหลักฐาน benchmark อิสระที่ครอบคลุมพอจะยืนยันว่า DeepSeek Harness ประหยัดกว่าเครื่องมืออื่นในทุกสถานการณ์
ความปลอดภัย: สิ่งที่ต้องคิดก่อนให้ AI ควบคุมเครื่อง
ความยืดหยุ่นของ DeepSeek Harness มีข้อดีมาก แต่ก็เพิ่มพื้นที่ที่ต้องดูแลด้าน security เพราะ AI agent ที่อ่านไฟล์ รัน terminal และเชื่อมต่อ API ได้ ย่อมเสี่ยงกว่า chatbot ที่ทำหน้าที่ตอบข้อความอย่างเดียว เอกสาร SAFETY.md ของโปรเจกต์ระบุชัดว่าระบบยังไม่ผ่าน security audit อย่างเป็นทางการ และกลไก sandbox หรือ approval ไม่สามารถรับประกันการแยกส่วนได้อย่างสมบูรณ์
หนึ่งในตัวอย่างสำคัญคือช่องโหว่ CVE-2026-82533 (CVSS 9.4) (security advisory) ที่เคยเกิดกับเวอร์ชันเก่า ปัญหาเกี่ยวกับการตรวจสอบคำขอไปยัง local HTTP API โดยเชื่อถือข้อมูล host header ร่วมกับข้อจำกัดของ sandbox ที่ยังเข้าถึงเครือข่ายภายในเครื่องได้ เมื่อองค์ประกอบเหล่านี้ทำงานร่วมกัน จึงเกิดช่องทางหลบเลี่ยงมาตรการควบคุมสิทธิ์ของ agent ได้ แม้ช่องโหว่นี้ถูกแก้แล้ว แต่เป็นตัวอย่างที่ดีว่าการออกแบบ sandbox สำหรับ AI agent ไม่ใช่เรื่องง่าย และการป้องกันระดับเดียวอาจไม่พอ
สำหรับนักพัฒนาหรือองค์กรที่ต้องการทดลอง ควรเริ่มจากรันใน VM หรือ container แยก ใช้ credential ที่จำกัดสิทธิ์ ไม่ให้ agent เข้าถึงข้อมูล production โดยตรง และตรวจสอบ source code ของปลั๊กอินภายนอกก่อนติดตั้ง อีกเรื่องที่ควรระวังคือข้อมูลภายในองค์กร เพราะการอนุญาตให้ agent อ่าน source code หรือเอกสาร ไม่ได้แปลว่าข้อมูลทุกประเภทส่งออกไปยัง model provider ภายนอกได้ ควรพิจารณานโยบาย data privacy การจัดเก็บ log และขอบเขตข้อมูลที่โมเดลเข้าถึงได้ควบคู่กันเสมอ
เริ่มต้นทดลอง DeepSeek Harness
สำหรับผู้ที่สนใจ ทดลองผ่าน npm ได้ด้วยคำสั่ง
npx @deepseek-ai/dsh web
เมื่อรันสำเร็จ ระบบจะเปิด web UI บนเครื่องผ่าน http://127.0.0.1:3080 ตามค่าเริ่มต้น ผู้ใช้ตั้งค่าผู้ให้บริการโมเดลและเริ่มทดลองใช้งานได้ โดยควรตรวจสอบข้อกำหนดของ Node.js จากเอกสารทางการก่อน หากต้องการศึกษาสถาปัตยกรรมหรือต่อยอดปลั๊กอิน ดาวน์โหลด source code มาทดลองเองได้
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web
สำหรับการทดลองครั้งแรก ควรใช้โปรเจกต์ตัวอย่างที่ไม่มี credential หรือข้อมูลสำคัญ เพื่อเรียนรู้การจัดการสิทธิ์และการทำงานของ agent ก่อนนำไปใช้กับงานจริง
สรุป: ควรเปลี่ยนมาใช้ DeepSeek Harness หรือไม่?
หากต้องการ AI coding agent สำหรับใช้งานประจำวัน Claude Code, Codex และ OpenCode ยังเป็นตัวเลือกที่ควรพิจารณาตามโมเดลและ workflow ที่ทีมใช้อยู่ แต่ถ้าต้องการสร้าง agent platform เอง สลับองค์ประกอบ runtime หรือทดลองแนวทางจัดการเครื่องมือและบริบทแบบใหม่ DeepSeek Harness เป็นโปรเจกต์ที่น่าสนใจอย่างมาก สิ่งสำคัญคืออย่าเพิ่งตัดสินจากจำนวน GitHub stars หรือคำกล่าวอ้างว่าประหยัด token ได้มากกว่า ควรทดลองกับงานจริง วัดผลลัพธ์ และประเมินความเสี่ยงของระบบก่อนเสมอ
เพราะสุดท้ายแล้ว AI agent ที่ดีที่สุดไม่จำเป็นต้องเป็นตัวที่มีโมเดลฉลาดที่สุด หรือมีปลั๊กอินมากที่สุด แต่เป็นระบบที่ทำงานให้สำเร็จได้อย่างถูกต้อง มีต้นทุนเหมาะสม ตรวจสอบย้อนหลังได้ และไม่สร้างความเสี่ยงเกินกว่าที่องค์กรยอมรับได้
DeepSeek Harness อาจไม่ได้มาแทน Claude Code, Codex หรือ OpenCode โดยตรง แต่มันกำลังชี้ให้เห็นว่าอนาคตของ AI agent ไม่ได้แข่งขันกันแค่โมเดลอีกต่อไป แต่แข่งขันที่สถาปัตยกรรมของระบบที่ทำให้โมเดลลงมือทำงานได้จริง
แหล่งอ้างอิง
- DeepSeek Harness (dsh) github.com
- Cordis github.com
- เอกสารสถาปัตยกรรม github.com
- เอกสาร tool registry github.com
- เอกสารทางการ code.claude.com
- เอกสารทางการ developers.openai.com
- เอกสารทางการ opencode.ai
- เอกสาร SAFETY.md github.com
- security advisory github.com


