DeepSeek Harness: как агент за 2 часа собрал браузерную игру
DeepSeek Harness протестировали на задаче, заметно более сложной, чем создание обычного интерфейса или небольшого React-приложения. Агенту поручили с нуля собрать браузерную аркаду на React, TypeScript и Canvas — и дать ему возможность самостоятельно планировать работу, писать код и проверять результат.
Весь процесс занял 2 часа 43 минуты. За это время система выполнила 183 шага и задействовала восемь субагентов. Эксперимент проходил в рамках подписки OpenCode Go стоимостью 10 долларов, поэтому отдельный интерес представляло соотношение затраченных средств и объёма выполненной работы.
Какую игру поручили создать
Идея проекта была относительно простой: сделать тренировочную игру для развития скорости печати. С экрана должны лететь слова, а игроку нужно набирать их на клавиатуре, уничтожать противников, зарабатывать очки и стараться сохранить все доступные жизни.
По замыслу игра должна была объединить механику тренажёра слепой печати и элементы аркадного шутера. При этом задача включала не только отображение текста и обработку ввода, но и графику на Canvas, игровую логику, звуковое сопровождение и статистику.
Подготовка задания для агента
Перед запуском DeepSeek требования не формулировались сразу в виде технического задания. Сначала идею обсуждали с обычным ChatGPT в браузере: с его помощью продумывали архитектуру, искали слабые места в требованиях и превращали общую задумку в более подробное описание проекта.
Затем это описание передали DeepSeek Harness. Получилась последовательность из нескольких этапов: идея простыми словами, обсуждение и уточнение требований, подготовка большого технического промпта, автономная реализация и получение готового проекта.
Таким образом, эксперимент был посвящён не только созданию конкретной игры. Главный вопрос заключался в том, насколько недорогая модель способна справиться с большой задачей, если предоставить ей подходящую рабочую среду и достаточно подробные требования.
Что проверялось в эксперименте
Автор наблюдал за тем, как агент самостоятельно разбирает задачу на части, пишет код и проверяет результат. Важной особенностью подхода стало использование нескольких субагентов: всего в работе участвовали восемь отдельных исполнителей, а общий процесс растянулся на 183 последовательных шага.
Отдельное внимание уделялось работе DeepSeek Harness с кэшем и его отличиям от обычных coding-агентов. При этом на этапе подготовки промптов Codex не использовался: техническое задание формировалось с помощью ChatGPT, а непосредственной реализацией занимался уже DeepSeek.
В результате получился полноценный эксперимент с агентной разработкой, где человек задавал направление и контролировал процесс, а основную часть рутинной работы выполняла система. Такой формат позволяет оценить не только способность модели генерировать отдельные фрагменты кода, но и её поведение на протяжении длительной многоэтапной задачи.
