어제 DeepSeek 공식 사이트에 조용히 새로운 것이 올라왔다: Harness.
새 모델이 아니다. DeepSeek가 프로덕션 환경에서 Agent를 돌릴 때 쓰는 도구 스케줄링 레이어, 즉 Agent 오케스트레이션 프레임워크를 오픈소스로 공개한 것이다.
Hacker News에서 96점, 댓글 27개를 받아 프론트 페이지에 이름을 올렸다. 폭발적인 화제는 아니지만, 중국 대형 모델 회사가 Agent 오케스트레이션 레이어에서 본격적인 오픈소스 시도를 한 것은 이번이 처음이다.
아래에서 자세히 살펴본다.
Harness란 무엇인가
공식 포지셔닝대로 Harness는 DeepSeek가 자체 개발한 Agent 오케스트레이션 프레임워크다. LangGraph의 "중국판 + 모델 종속" 버전이라고 이해하면 된다.
주요 특징은 다음과 같다 (deepseek.com/en/harness와 저장소 기준).
- 단순한 ReAct 루프가 아닌 상태 머신 기반의 Agent 플로우
- DeepSeek API에 깊이 종속, 특히 thinking tokens 활용에 최적화
- 영속화, 체크포인트, 옵저버빌리티 내장
- 다중 Agent 협업 모드 (플래너 + 실행자)
이게 무슨 뜻이냐면, 개발자가 직접 루프를 짜고, prompt를 튜닝하고, context window를 관리할 필요가 없다는 뜻이다. Harness가 그 기반 작업을 패키지로 묶어 제공한다는 뜻이다.
LangGraph를 써본 사람에게는 개념 자체가 새롭지 않다. 진짜 볼 만한 부분은 Harness가 DeepSeek 자체 모델과 어떻게 결합되어 있는가다.
왜 DeepSeek는 이걸 만들었나
모델 레이어에서의 경쟁은 끝이 보인다.
V3 다음에 R1이 나왔다. R1 다음은? 차세대 파운데이션 모델 훈련의 한계 효용은 감소하고 있고, 연산·데이터·인력에 대한 지수적 투자가 따라와야 한다.
애플리케이션 레이어는 얘기가 다르다. Agent는 모델 능력을 실제 매출로 바꾸는 미들웨어다. 오케스트레이션 프레임워크를 장악한 쪽이 Agent 애플리케이션의 진입로를 통제한다.
DeepSeek가 Harness를 선택한 이유를 세 가지로 추측해본다.
- SaaS 관문. 모델 API 동질화가 심하고, 가격전쟁은迟早 온다. Agent 플랫폼은 부가가치가 더 높은 레이어다. 개발자가 묶이면 이후 모델·도구·과금까지 모두 이어진다.
- 생태계 해자. LangGraph는 LangChain의产物이며 OpenAI/Anthropic 생태계에 묶여 있다. Harness는 DeepSeek의 R1/V3에 묶여 있다. 중국 개발자에게 더 익숙한 환경이다.
- 커뮤니티 서사. 오픈소스 오케스트레이션 프레임워크는 개발자를 끌어들이고, 개발자는 애플리케이션을 만들고, 애플리케이션은 데이터를 만들고, 데이터는 모델을 다시 키운다. 전형적인 플라이휠이다.
요컨대 Harness는 오픈소스 감성이 아니라, DeepSeek가 모델 능력을 플랫폼으로 바꾸려는 시도다.
커뮤니티 반응: 96점/댓글 27개가 말해주는 것
HN 프론트 페이지에 진입했다는 건 제품 자체에 매력이 있다는 뜻이다. 댓글 27개는 아직 초기라는 뜻이기도 하다.
개발자들이 가장 많이 물어본 질문은 주로 세 가지였다.
Q1. 옵저버빌리티는 어떤가?
HN에서 가장 많이 추천받은 댓글이다. LangGraph는 늘 tracing이 너무 coarse하다는 비판을 받아왔다. Agent가 어디서 꼬이는지 파악이 어렵다는 얘기다. Harness는 체크포인트와 trace를 내장했다고 공식 문서에서 밝히지만, 실제 granularity는 써봐야 안다.
Q2. 다중 Agent 협업은 어떻게 하나?
댓글에서 직접 이 질문을 던진 사람도 있었다. "플래너 + 실행자" 모드를 공식 문서에서 언급하지만, LangGraph처럼 완전한 서브그래프 중첩 기능은 없다. 다중 Agent 부분은 현재 단순화 버전이지 풀 버전은 아닌 것으로 판단된다.
Q3. DeepSeek API에 얼마나 깊이 묶여 있나?
이게 가장 핵심적인 질문이다. 완전히 종속되어 있으면 생태계 천장이 낮아지고, 그냥 기본 지원 수준이면 LangGraph로도 충분하다.
코드를 보면 Harness는 DeepSeek API에 대한 결합도가 매우 높다. thinking tokens 처리, reasoning content 파싱 모두 DeepSeek 고유 기능이다. OpenAI나 Anthropic으로 바꾸려면 상당 부분을 뜯어고쳐야 한다.
기존 프레임워크와의 차이: LangGraph/CrewAI/Autogen
가로로 비교해보자.
LangGraph
LangChain 계열로, 상태 머신 모델을 채택했고 생태계가 가장 두텁다. 장점은 도구가 많고, 커뮤니티가 크고, 문서가 잘 갖춰져 있다는 점. 단점은 학습 곡선이 가파르고 thinking tokens 지원이 평범하다는 점이다.
CrewAI
다중 Agent 프레임워크로, 역할 기반 모델을 사용한다. 진입 장벽이 낮아 데모용으로 적합하다. 단점은 프로덕션 안정성이 평범하고 영속화 기능이 빈약하다는 점이다.
Autogen
마이크로소프트가 만들었고, 연구자 느낌이 강하다. 유연하지만 추상화 수준이 낮아 직접 작성해야 할 코드가 많다.
Harness
상태 머신 + DeepSeek 종속. 차별점은 두 가지로 추정한다.
- thinking tokens의 보다 적극적인 사용. DeepSeek R1의 핵심 셀링 포인트는 reasoning이다. LangGraph에서 R1을 쓰려면 reasoning_content를 직접 다뤄야 하지만, Harness는 기본 제공될 가능성이 높다.
- 보다 세밀한 상태 영속화. 저장소 구조를 보면 Harness는 step별 상태, 체크포인트, 리플레이를 상당히 깊게 최적화한 흔적이 보인다.
代价 역시 분명하다. 생태계 종속이다. LangGraph의 강점은 중립성으로, 어느 모델이든 쓸 수 있다는 점이다. Harness는 DeepSeek API에서 가장 잘 돌아가고, 다른 모델로 갈아끼우려면 글루 코드를 직접 짜야 한다.
편집자의 생각
중국 대형 모델 회사들이 일제히 Agent 플랫폼 레이어로 향하고 있다.
智谱는 GLM-Agents가 있고, 阿里에는 Qwen-Agent가 있다. DeepSeek의 Harness는 이 흐름의 최신 사례다. LangGraph와의 관계는 대체가 아니라 "중국판 + 모델 종속"이라는 현지화 답변이다.
내 판단을 굳히자면, Harness가 단기간에 LangGraph의 생태계 지위를 위협하진 않을 것이다. LangGraph의 강점인 중립성과 커뮤니티 규모는 Harness가 당분간 따라잡기 어려운 부분이다. 하지만 중국 시장과 DeepSeek 사용자 층에서는 Harness가 제자리를 잡을 가능성이 높다. 특히 R1 애플리케이션을 만들면서 thinking tokens를 쓰고 싶지만 글루 코드까지 직접 짜기 싫은 팀에게는 적합하다.
이번이 과거와 다른 지점: DeepSeek의 그간의 오픈소스는 모두 모델 레이어(V3, R1의 전체 가중치)에 머물렀다. 이번에는 인프라 레이어다. Harness는 단순한 도구가 아니라, DeepSeek가 모델 레이어 밖에서 새로운 전선을 여는 시그널이다. 뒤이어 Harness가 안착하면, DeepSeek는 도구 체인, 평가 레이어까지 계속 깔 가능성이 크다. 플라이휠이 한번 돌기 시작하면 이후 흐름은 빨라진다.
아직 모르는 부분: Harness의 옵저버빌리티가 어디까지 가는지, 다중 Agent 모드가 프로덕션에서 정말 돌아가는지 — 이건 실제로 한동안 써봐야 결론을 내릴 수 있다. 지금 판단을 내리긴 이르다.
참고:
- DeepSeek Harness 공식 사이트
- Hacker News 토론 스레드 (item id: 49929489)