TokenLab

Outils de code

DeepSeek Harness

Configurez un modèle TokenLab dans Harness, vérifiez une requête et choisissez MCP, Skills ou le bundle de fournisseur

Choisissez la connexion dont vous avez besoin

Pour utiliser TokenLab comme modèle principal de l'agent, ajoutez un fournisseur personnalisé (custom provider) dans l'interface Web de Harness. Cela fonctionne indépendamment du bundle de fournisseur TokenLab optionnel. Ajoutez des outils MCP pour les médias et autres API, ou un Skill pour les instructions d'API ; aucun de ces éléments ne modifie le modèle principal par lui-même.

Harness est en version "developer preview". Ces étapes de l'interface Web suivent la documentation officielle de @deepseek-ai/dsh 0.2.0-rc.2, le tag npm latest actuel (vérifié le 12 octobre 2026). Ils ont été testés pour la dernière fois de bout en bout sur la version 0.1.5-rc.3 ; les vérifications de requêtes ci-dessous n'ont pas encore été réexécutées avec la version 0.2.0-rc.2. Le bundle optionnel ci-dessous cible toujours la version 0.1.5-rc.3 ; vérifiez la compatibilité avec les autres versions de Harness séparément.

Donnez cette tâche à votre agent

Read https://tokenlab.sh/docs/fr/integrations/deepseek-harness and check my installed version and operating system.
Confirm whether I need TokenLab as the main model, MCP tools, or API Skills.
Preserve existing accounts, provider configuration, and permissions; explain how to restore changed settings.
Keep API keys local; do not ask me to paste them into chat. I will enter the key locally and perform required UI steps.
Explain the cost of a small verification request. Only after I explicitly choose that test, help run it and match the TokenLab request record.

Démarrer Harness

Utilisez le CLI Node sur macOS, Linux ou Windows avec une version de Node prise en charge ; Node 24 LTS est un point de départ approprié. Depuis le répertoire de votre projet, exécutez ceci dans un terminal ou PowerShell :

node --version
npx @deepseek-ai/dsh web

Sans version spécifiée, npx installe le tag npm latest, qui peut être plus récent que la version 0.2.0-rc.2 avec laquelle ces étapes ont été vérifiées. Il n'installe pas le tag alpha.

Ouvrez l'URL locale affichée par la commande. Dans une interface Web vierge, utilisez Choose workspace pour ajouter et sélectionner le répertoire de votre projet avant d'envoyer un message. Ces commandes utilisent le profil web ; le profil desktop de l'application Electron n'est pas géré par ce flux de travail CLI. Consultez le guide de démarrage officiel et le guide de l'interface Web.

Configurer un fournisseur TokenLab

  1. Ouvrez Settings → Models, choisissez Add model provider, puis basculez la carte sur Custom model API. (Harness 0.1.5-rc.3 appelait cela Add a custom provider.) Conservez tous les fournisseurs et autorisations existants.
  2. Entrez un ID de fournisseur en minuscules, tel que tokenlab-chat, et choisissez un protocole ainsi que son URL de base (Base URL) correspondante ci-dessous. Chaque fournisseur utilise un seul protocole.
  3. Entrez votre clé API TokenLab dans le formulaire local. Harness stocke les clés gérées par l'interface dans $DSH_HOME/.credentials.yaml ; les paramètres ne conservent que sa référence d'identification. N'envoyez pas la clé dans le chat et ne la committez pas. Le fournisseur et son protocole sont enregistrés dans $DSH_HOME/profiles/<profile>/cordis.patch.yml, qui correspond à $DSH_HOME/profiles/web/cordis.patch.yml pour le profil standard dsh web.
  4. Ajoutez un ID de modèle actuel depuis TokenLab Models. Vérifiez ses tokenlab.accepted_request_formats dans l'API de référence des modèles, plutôt que de deviner la prise en charge à partir de son nom.
  5. Enregistrez le fournisseur, sélectionnez son modèle et démarrez une nouvelle session. Une session existante ayant déjà envoyé une requête conserve son modèle enregistré.
Exemple d'ID de fournisseurProtocole API HarnessBase URLFormat de requête public requis
tokenlab-chatopenai-completionshttps://api.tokenlab.sh/v1openai_chat_completions
tokenlab-responsesopenai-responseshttps://api.tokenlab.sh/v1openai_responses
tokenlab-messagesanthropic-messageshttps://api.tokenlab.shanthropic_messages

Pour une première requête texte, une entrée gpt-5.6-luna actuellement disponible peut utiliser la ligne Chat. Fetch available models → Add selected peut aider à remplir un fournisseur personnalisé, mais le succès de la liste ne vérifie pas la prise en charge du protocole ou une requête facturable ; enregistrez le fournisseur après coup. Entrez l'ID manuellement si la découverte n'est pas disponible.

Harness n'offre pas de protocole de fournisseur personnalisé natif Gemini ici. Utilisez Chat uniquement lorsque les détails de ce modèle listent "Chat Completions" comme format de requête accepté. L'entrée d'image et les contrôles de raisonnement peuvent nécessiter des champs supplémentaires dans $DSH_HOME/profiles/web/cordis.patch.yml ; suivez la configuration du fournisseur Harness et les champs pris en charge par le modèle sélectionné avant de les activer. (Non encore re-testé sur 0.2.0-rc.2.)

Vérifier une petite requête

Dans la nouvelle session, envoyez :

Reply only with TOKENLAB_CONNECTION_OK. Do not use tools or modify files.

Cette requête est facturable. Vérifiez la réponse ainsi que le modèle, l'heure et le statut correspondants dans TokenLab Requests. Arrêtez-vous après cette vérification textuelle ; tester trois protocoles ou générer des médias payants n'est pas nécessaire pour établir la première connexion. Une liste de modèles ou une découverte MCP seule ne valide pas l'accès à la génération de la clé.

Optionnel : le bundle TokenLab

@tokenlabai/dsh-provider@0.1.6 cible Harness 0.1.5-rc.3 : ses dépendances de pairs sont toujours @deepseek-ai/dsh-tools et @deepseek-ai/dsh-mcp-client 0.1.5-rc.3. Il n'a pas été testé avec Harness 0.2. Pour utiliser le bundle, lancez la version correspondante : npx @deepseek-ai/dsh@0.1.5-rc.3 web. Utilisez les étapes natives de fournisseur personnalisé ci-dessus pour configurer un modèle, ou installez le bundle pour ses routes de modèles et outils prédéfinis.

Le bundle contient un instantané fixe de 145 modèles de chat publics vérifiés le 3 octobre 2026 : 28 Responses, 11 Messages et 106 Chat. Chaque modèle apparaît sur exactement une route. Il épingle @tokenlabai/mcp-server@0.6.25 et inclut l'outil séparé tokenlab_wait_task. L'installation de cette version ne rafraîchit pas le catalogue de modèles. Vérifiez les ID par rapport au catalogue en direct et ajoutez des modèles plus récents via un fournisseur personnalisé si nécessaire.

Pour une installation Harness compatible existante, assurez-vous d'abord que pnpm est dans le PATH. Utilisez le même exécutable/version dsh et le même profil pour l'installation et le démarrage ; si vous lancez via npx, remplacez dsh ci-dessous par ce même lanceur versionné :

dsh --version
pnpm --version
dsh plugin --profile web add --workspace-root @tokenlabai/dsh-provider@0.1.6

Avant de démarrer ce profil, définissez la clé dans l'environnement de lancement ou son fichier .env :

TOKENLAB_API_KEY=sk-your-tokenlab-key

Harness lit le fichier .env dans le répertoire où vous le lancez et dans $DSH_HOME (normalement ~/.dsh) ; une variable d'environnement héritée est prioritaire. Sélectionner un espace de travail plus tard ne sélectionne pas un .env différent. Gardez ce fichier hors de git et redémarrez après l'avoir modifié. Une clé enregistrée pour un fournisseur personnalisé dans l'interface ne fournit pas automatiquement la TOKENLAB_API_KEY de ce bundle.

Redémarrez le même profil, puis inspectez ses listes de modèles et d'outils. Pour headless, installez et lancez headless au lieu de web ; l'installation dans un profil ne configure pas l'autre.

Sur Harness 0.1.5-rc.3 (la cible du bundle), Harness fusionne les llm-pi-ai.providers enregistrés par clé de fournisseur. Les fournisseurs avec des clés différentes coexistent. Les entrées enregistrées tokenlab-responses, tokenlab-messages ou tokenlab-chat remplacent la route groupée correspondante ; passez en revue ces entrées lors de la mise à niveau d'un ancien catalogue. Conservez les autres fournisseurs et modèles dans $DSH_HOME/settings.yaml ; ne remplacez pas tout le document de paramètres avec le patch Cordis.

Les détails des modèles publics identifient la capacité de raisonnement mais n'énumèrent pas les valeurs d'effort prises en charge par modèle. Le bundle laisse donc reasoningEfforts non déclaré. Harness n'offre pas de niveaux d'effort pour ces routes personnalisées ; cela ne désactive pas le raisonnement côté serveur. Si vous configurez reasoningEfforts vous-même, utilisez uniquement des valeurs vérifiées séparément sur l'entrée du modèle dans la liste models de son fournisseur et conservez les autres modèles. La capacité de raisonnement seule n'établit pas la prise en charge de xhigh ou max.

Le bundle utilise par défaut TOKENLAB_MCP_TOOL_PROFILE=core avec 32 outils MCP et TOKENLAB_MCP_SCHEMA_MODE=portable. Choisissez catalog pour la découverte uniquement (6 outils), ou full pour les 89 outils, incluant des opérations supplémentaires sur le cycle de vie des réponses, le traitement par lots, les actifs/groupes Seedance et les mondes. Le polleur séparé tokenlab_wait_task reste disponible dans chaque profil et n'est pas inclus dans ces comptes MCP. TOKENLAB_API_BASE et TOKENLAB_ANTHROPIC_BASE_URL sont par défaut https://api.tokenlab.sh ; TOKENLAB_OPENAI_BASE_URL est par défaut https://api.tokenlab.sh/v1.

Pour les outils média du bundle, inspectez delivery.mode : consommez directement la sortie complete ; passez le delivery.task_id d'un résultat async à tokenlab_wait_task et lisez son status, response et result_urls terminaux. Un délai d'attente (timeout) n'est pas une tâche terminée. Gardez les approbations pour les outils facturables ou destructeurs. Voir tâches asynchrones.

Pour supprimer le bundle, utilisez le même lanceur et le même profil, puis redémarrez :

dsh plugin --profile web remove --workspace-root @tokenlabai/dsh-provider

En cas d'échec

  • Le compositeur est désactivé : sélectionnez à la fois un espace de travail et un modèle.
  • MISSING_CREDENTIAL ou 401 : vérifiez l'identifiant du fournisseur sélectionné. Pour les outils du bundle, vérifiez TOKENLAB_API_KEY dans l'environnement de lancement ; une clé de modèle enregistrée dans l'interface est un paramètre distinct.
  • UNKNOWN_MODEL ou un ID retiré : vérifiez le catalogue en direct, configurez l'ID exact actuel, puis créez une nouvelle session. La réinstallation du bundle 0.1.6 ne met pas à jour son instantané.
  • L'URL est accessible mais la génération échoue : comparez le protocole, la Base URL et les formats acceptés par le modèle. Ne supprimez pas l'historique, les outils ou l'entrée d'image simplement pour transformer une erreur en une vérification réussie.
  • dsh ou pnpm est manquant : utilisez npx @deepseek-ai/dsh web (ou @0.1.5-rc.3 pour le bundle) ; installez pnpm avant d'utiliser les commandes de plugin. Un échec d'installation de plugin n'est pas un échec de clé API.

MCP et Skills sont des choix distincts

Un fournisseur personnalisé manuel n'installe pas d'outils. Suivez le guide MCP TokenLab si vous avez besoin d'outils API appelables sans le bundle, et vérifiez la découverte avant toute génération.

Pour les TokenLab Skills, conservez le dossier complet du skill dans .dsh/skills/tokenlab-api-integration/ sous la racine du projet, incluant SKILL.md et les fichiers référencés. Harness découvre également .agents/skills/. Ces instructions n'installent pas de fournisseur, de serveur MCP ou de clé. La référence officielle des Skills système de fichiers définit les emplacements pris en charge.

Jev / System One & Webhooks

Utilisez mcp__tokenlab__evaluate_decisions dans core ou full pour Jev (POST /v1/systemone). Découvrez category=decision et inspectez d'abord le modèle. Ce sont des décisions synchrones, pas des modèles de chat ou des tâches asynchrones ; n'utilisez pas le sélecteur de modèle ou tokenlab_wait_task.

La gestion des Webhooks nécessite full et un TOKENLAB_MANAGEMENT_TOKEN=mt-... séparé dans l'environnement de lancement, explicitement passé au MCP par le bundle. Une clé d'inférence ne peut pas s'y substituer. Les jetons de gestion ont une autorité au niveau de l'espace de travail au-delà des webhooks ; l'enregistrement d'un webhook ne fait pas de Harness un récepteur.

Sur cette page