DeepSeek Harness 채택, 일일 사용자 154만 명에 도달했다고 회사 밝혀
DeepSeek는 오픈소스 에이전트 앱 Harness의 일일 활성 사용자가 출시 후 3개월이 채 되지 않은 11월 4일 기준 154만 명에 도달했다고 밝혔다. DeepSeek Harness의 채택에는 이례적으로 큰 워크로드 주장도 뒤따른다. 하루 약 92조 토큰을 처리했다는 것이다. 토큰은 AI 모델이 처리하는 텍스트 조각을 뜻한다. 이 수치는 상당한 활동량을 보여주지만, 해당 애플리케이션이 실제로 얼마나 많은 유용한 작업을 완료하는지는 입증하지 못한다.
Bloomberg 기자 Saritha Rai의 보도에 따르면, 회사는 11월 8일 일일 사용자 업데이트를 통해 이 이정표를 공개했다. 이 수치는 애플리케이션이 자사 모델에 요청을 보내는 통로인 DeepSeek 공식 API에 접속한 사용자를 대상으로 한다. 따라서 모든 Harness 배포 환경의 이용자를 집계한 수치라기보다, 정의된 활동 범위로 해석해야 한다.
이번 발표로 DeepSeek는 모델이 도구를 사용해 작업을 수행하는 에이전트 소프트웨어 경쟁에서 입지를 더욱 분명히 했다. 핵심 질문은 사용량과 결과다. 상당한 활동량이 사람들이 반복적으로 위임하고자 하는 작업으로 이어지는지 여부다. OpenHands와 PI는 연구에서 Harness와 함께 평가된 바 있어 유용한 비교 대상이 된다. 이러한 근거는 모델을 둘러싼 애플리케이션 역시 경쟁 구도의 일부임을 보여준다.
DeepSeek Harness 채택 수치에는 중요한 집계 경계가 있다
DeepSeek의 수치는 공식 API를 통한 활동을 설명하며, 독자가 유지해야 할 측정 경계를 포함한다. 오픈소스 애플리케이션은 여러 구성으로 운영될 수 있으므로, 서비스 기반 집계가 전체 제품 이용자층을 자동으로 포착하는 것은 아니다.
회사는 Harness v0.1의 날짜를 8월 13일, 데스크톱 출시일을 9월 29일로 제시했다. 따라서 11월 4일의 이정표는 최초 출시 후 3개월 이내에 해당한다. 이 날짜들은 배포와 보고된 채택의 순서를 보여준다. 다만 어떤 출시 버전이나 기능이 사용자의 앱 이용을 이끌었는지는 그 자체만으로 확인할 수 없다.
이 구분은 데스크톱 인터페이스와 개발자 프레임워크가 서로 다른 이용자층에 도달할 수 있기 때문에 중요하다. 터미널에서 에이전트를 설정하지 않을 사람도 데스크톱 애플리케이션은 사용해 볼 수 있다. 반면 개발자는 기반 소프트웨어를 다른 워크플로에 내장할 수 있다. 세부 내역이 없는 상황에서 헤드라인의 이용자층을 어느 한 집단에 귀속시키는 것은 이용 가능한 근거를 넘어서는 일이다.
“일일 활성 사용자” 역시 독자가 제품 간 비교를 하기 전에 운영상 정의가 필요하다. 인터페이스를 열어보는 사람, 요청을 제출하는 사람, 무인 워크플로를 실행하는 사람은 서로 다른 행동을 나타낸다. 발표에서 공식 API라는 조건을 명시한 것은 범위를 정의하는 데 도움이 되지만, 활동 인정 기준에 관한 모든 질문에 답하지는 않는다.
계정 식별 방식도 불확실성을 더한다. 서비스 계정 하나가 팀 전체의 작업을 지원할 수 있는 반면, 한 사람이 여러 계정을 보유할 수도 있다. 이런 가능성이 회사의 공개 내용을 무효로 만들지는 않는다. 다만 공개된 수치를 개인 작업자 수의 추정치로 바꾸지 말고, 원래의 명칭을 유지해야 하는 이유를 설명한다.
같은 주의는 지역과 고객 유형에도 적용된다. 헤드라인은 국가, 직업, 조직 규모별 분포를 제공하지 않는다. 기업 구매팀이 개인 실험 사용자와 같은 속도로 Harness를 채택하고 있다고 입증할 수도 없다. 또한 활동 중 소프트웨어 개발과 다른 작업이 각각 차지하는 비중도 밝히지 않는다.
DeepSeek Harness 채택을 추적하는 독자에게 이 이정표는 더 구체적인 평가의 출발점이다. 이는 회사가 명시된 서비스 경계 안에서 상당한 규모의 활성 이용자층을 보고했다는 의미다. 유지율, 배포 구성, 작업 완료 여부는 여전히 열려 있는 문제다.
따라서 일관된 후속 공개가 특히 가치 있다. 같은 정의를 적용한 이후 수치는 바쁜 보고일의 활동과 지속적인 이용을 구분하는 데 도움이 될 것이다. 방법론이 바뀐다면, 신뢰할 만한 성장 곡선을 그리기 전에 설명이 필요하다.
당면한 변화는 구체적이다. DeepSeek는 자사 에이전트 애플리케이션에 상당한 사용량 주장을 연결했다. 해석 역시 집계된 이용자층과 아직 측정되지 않은 작업에 초점을 맞춰 구체적으로 유지되어야 한다.
92조 토큰은 완료된 작업이 아니라 워크로드를 측정한다
토큰 규모는 텍스트 처리가 얼마나 많이 발생했는지를 측정할 뿐, 사용자가 얼마나 많은 작업을 성공적으로 완료했는지는 측정하지 않는다. 반복적인 작업 수행을 목적으로 설계된 애플리케이션을 해석할 때 이 구분은 필수적이다.
보고된 일일 토큰 총량을 보고된 활성 이용자 수로 나누면 사용자당 약 6,000만 토큰이 나온다. 이는 반올림된 회사 수치를 바탕으로 한 계산이지, 별도로 측정된 행동 통계가 아니다. 일반적인 이용자가 개인적으로 그만큼의 자료를 읽거나 쓴다는 주장으로 확대해서는 안 된다.
평균값은 분포도 가린다. 집약적인 워크플로를 실행하는 소수 집단이 평균을 크게 끌어올릴 수 있다. 공개 내용은 활동이 널리 분포하는지, 유난히 바쁜 계정에 집중되는지 보여주지 않는다. 중앙값은 가운데 관측값을 나타내며, 이와는 다르지만 유용한 질문에 답할 수 있다.
에이전트는 하나의 결과를 향해 작업하는 동안 정보를 반복적으로 처리할 수 있다. 문서를 검토하고, 도구를 호출하고, 응답을 받고, 계획을 수정한 뒤 다른 작업을 시도할 수 있다. 이는 에이전트 워크로드가 일반적인 대화와 다른 이유를 설명하는 일반적인 메커니즘이다. Harness 트래픽의 검증된 세부 내역은 아니다.
반복 처리는 유용한 작업을 뒷받침할 수 있다. 복잡한 프로젝트를 검토하는 에이전트는 종속성을 점검하고 오류를 수정하기 위해 여러 차례의 검토가 필요할 수 있다. 그러나 반복 처리가 비효율적인 루프를 반영할 수도 있다. 집계 수치만으로는 어느 설명이 더 큰 비중을 차지하는지 알 수 없다.
회계 처리 방식도 중요하다. 캐시된 입력은 서비스가 재사용할 수 있는, 이전에 처리된 자료다. 의미 있는 워크로드 비교를 하려면 캐시된 입력, 신규 입력, 생성된 출력이 보고된 총량에 같은 기준으로 포함되는지 설명해야 한다. 이 세부 정보가 없으면 동일한 토큰 총량도 서로 다른 운영 수요를 나타낼 수 있다.
이 수치만으로는 인프라 요구 사항도 확정할 수 없다. 서로 다른 모델 구성, 요청 패턴, 재사용 메커니즘은 워크로드를 제공하는 데 필요한 자원을 바꾼다. 헤드라인 수치를 하드웨어 추정치로 직접 환산하려면 발표에 없는 정보가 필요하다.
구매자에게 더 유용한 분모는 수용 기준을 충족한 완료 작업이다. 문서 검토는 관련 문제를 정확히 식별할 때 가치가 있다. 코드 변경은 요청대로 작동하고 검토를 통과할 때 가치가 있다. 어느 결과도 상당한 모델 활동만으로 자동으로 따라오지는 않는다.
이는 이 이정표가 경쟁 분석에 반영되는 방식을 바꾼다. 특히 최근 출시된 애플리케이션의 경우 높은 사용량은 조사할 가치가 있는 근거다. 하지만 완료율, 사람의 수정 시간, 반복 시도 전반의 신뢰성을 대체하지는 못한다.
사업적 의미 역시 비슷하게 미해결 상태다. 처리량만으로는 매출, 영업 마진, 고객의 지불 의사를 입증할 수 없다. 바쁜 애플리케이션에는 여러 다른 상업적 설명이 있을 수 있다. 현재 이용 가능한 수치는 그중 어느 것을 선택할 근거를 제공하지 않는다.
명확히 정의된 워크로드의 결과 지표가 함께 제시된다면 DeepSeek의 공개는 더 많은 정보를 제공할 수 있다. 그러한 조합은 이미 보고된 활동의 중요성을 보존하면서 채택을 실질적 성과와 연결할 것이다.
플러그인은 개발자에게 Harness를 중심으로 구축할 이유를 제공한다
DeepSeek의 플러그인 커뮤니티 업데이트는 애플리케이션 기능을 추가하거나 대체하는 소프트웨어 확장 기능인 서드파티 플러그인이 약 3만 5,000개라고 보고한다. 활성 사용자 중 약 60%가 하나 이상을 직접 만들거나 설치했다고도 밝혔다. 이 업데이트는 세부 사항이 아직 공개되지 않은 공식 마켓플레이스와 플러그인 제작자 지원 계획도 제시한다.
플러그인은 범용 에이전트 소프트웨어에서 특화 워크플로로 이어지는 경로를 만들지만, 카탈로그 규모만으로 일상적 유용성을 입증할 수는 없다. 개발자에게 기회는 이미 호스트 애플리케이션을 사용하는 사람들에게 도달하는 데 있다.
재사용 가능한 확장 기능은 워크플로를 원래의 제작자 너머로 배포할 수 있다. 반복되는 조사나 출판 문제를 해결한 사람은 그 해결책을 다른 사람을 위해 패키지화할 수 있다. 이는 호스트 애플리케이션이 성숙한 마켓플레이스를 제공하기 전에도 개발자와의 관계를 경제적으로 의미 있게 만든다.
회사는 참고 문헌 작업, 번역, 하이라이트, 메모를 결합한 논문 읽기 확장 기능을 강조한다. 아이디어, 스크립트, 커버, 스토리보드를 아우르는 크리에이터 워크벤치도 소개한다. 이는 회사가 선택한 사례일 뿐, 전체 이용자층을 대표하는 근거나 독립적으로 검증된 생산성 결과는 아니다.
그럼에도 이 사례들은 개발자가 무엇을 구축하도록 초대받고 있는지 분명히 보여준다. 기회는 단발성 질문에 답하는 채팅 인터페이스를 넘어선다. 에이전트가 문서, 저장된 결과물, 연관된 활동의 연속과 상호작용하는 작업 공간까지 포함한다.
연구자에게는 읽기와 쓰기 사이의 인계가 개별 답변의 품질만큼 중요할 수 있다. 유용한 애플리케이션은 출처와 그 출처에서 도출한 결론 사이의 관계를 보존한다. 뒷받침 근거를 되찾기 어렵다면 매력적인 요약의 가치는 떨어진다.
이 때문에 에이전트 애플리케이션이 확장될수록 지식 관리 역시 중요하게 남는다. 작업을 위임한다고 해서 입력을 정리하고 결과를 보관해야 할 필요가 사라지는 것은 아니다. 이를 둘러싼 정보 워크플로는 결과물이 이후에도 유용하게 남을지를 좌우한다.
확장 기능 카탈로그의 성장은 독립형 워크플로 애플리케이션 개발자에게 압박을 가한다. 사용자가 전용 목적지를 선호하는지, 기존 작업 공간 내부의 확장 기능을 선호하는지 평가해야 한다. 이는 한 제품 범주가 다른 범주를 대체한다는 증거가 아니라 배포에 관한 결정이다.
플러그인 제작자에게도 자체적인 상충 관계가 있다. 이미 형성된 이용자층에 접근하면 사용자를 찾는 어려움을 줄일 수 있다. 그러나 호스트에 대한 의존은 인터페이스 변경, 호환성 문제, 검색·노출 규칙에 대한 위험을 만든다. 개발자는 유지보수 작업이 계속해서 이용자층에 도달할 것이라는 확신이 필요하다.
따라서 마켓플레이스 제안은 잠재적 배포 메커니즘으로서 중요하다. 그 의미는 실제로 게시, 검색, 업데이트, 삭제가 어떻게 이루어지는지에 달려 있다. 지원 발표만으로는 확장 기능을 중심으로 사업을 구축할 수 있는 예측 가능한 조건이 아직 마련되었다고 볼 수 없다.
외부 개발자가 만든 워크플로로 사람들이 반복해서 돌아온다면 채택 이야기는 더욱 중요해진다. 이는 DeepSeek가 직접 구축한 기능을 넘어 가치가 확산되고 있음을 보여줄 것이다. 현재로서는 설치 통계만으로 이 확장 기능들이 얼마나 자주 사용되는지는 알 수 없다.
오픈 에이전트 소프트웨어는 전체 워크플로를 두고 경쟁한다
에이전트의 성능은 모델, 이를 둘러싼 소프트웨어, 할당된 작업 간 상호작용에 좌우된다. 따라서 독자가 주로 모델 성능에 관심이 있더라도 DeepSeek의 애플리케이션 전략은 중요하다.
하네스는 모델 주변에서 컨텍스트, 도구 사용, 실행, 지속 상태를 관리하는 소프트웨어를 말합니다. 컨텍스트는 요청 중 모델에 제공되는 정보를 뜻합니다. 이러한 설계 선택은 모델이 무엇을 보며, 작업을 제안한 뒤 어떤 일이 일어나는지에 영향을 미칩니다.
Dai Jiahong의 8월 프리프린트는 LangChain의 deepagents, Earendil의 PI, DeepSeek의 구현 전반에 걸친 에이전트 하네스 아키텍처를 검토합니다. 이 연구는 설계 철학의 차이에도 불구하고 반복적으로 나타나는 아키텍처 요소를 식별합니다. 또한 외부인이 런타임을 단순히 신뢰하지 않고도 실행 기록을 확인할 수 있게 하는 외부 검증 가능성을 미해결 과제로 지적합니다.
이 비교는 도입 발표를 이해하는 데 유용한 틀을 제공합니다. DeepSeek은 주변 소프트웨어가 모델 역량이 사용자에게 얼마나 효과적으로 전달되는지를 결정할 수 있는 분야에 참여하고 있습니다. 모델 품질은 여전히 중요하지만, 그것만으로 조합된 애플리케이션의 동작이 결정되지는 않습니다.
Yixuan Li가 주도한 10월 프리프린트는 66개 구성 전반의 모델과 하네스의 적합성을 검토합니다. 비교 대상에는 OpenHands, DeepSeek Harness, PI, openJiuwen과 함께 네이티브 Codex 및 Claude Code 조합이 포함됩니다. 저자들은 하네스와 작업에 따라 모델 순위가 달라진다고 보고합니다.
이는 정해진 실험 조건에서 얻어진 연구 결과이지, 보편적인 제품 순위가 아닙니다. 모든 사용자에게 단 하나의 최고의 애플리케이션이 존재한다는 점을 입증하지도 않습니다. 다만 강력한 모델이 모든 환경에서 똑같이 잘 작동한다고 가정하기보다, 전체 구성을 평가해야 한다는 점은 뒷받침합니다.
DeepSeek Harness 도입에 대한 시사점은 명확합니다. 늘어나는 사용자는 사람들이 어떤 구성을 유용하게 여기는지 배울 기회를 만듭니다. 그렇다고 연구에 포함된 대체 시스템보다 우수하다는 사실이 입증되는 것은 아닙니다. 그러려면 비교 가능한 작업, 일관된 설정, 그리고 검토자가 확인할 수 있는 결과가 필요합니다.
기반 도구를 선택하는 개발자에게 유연성은 특정 약점을 해결할 수 있을 때 실질적인 가치를 지닙니다. 다른 도구 인터페이스는 오류에서 더 쉽게 복구할 수 있게 할 수 있습니다. 이전 작업을 더 잘 처리하면 같은 실수를 반복하는 일을 막을 수 있습니다. 이는 DeepSeek의 보고된 성장에 대한 검증된 설명이 아니라 설계상 가능한 방향입니다.
유연성은 유지보수 책임도 수반합니다. 한 구성 요소를 바꾸면 워크플로의 다른 부분에 있는 가정도 달라질 수 있습니다. 오늘 작동하는 구성은 업데이트 후에도 이해할 수 있는 방식으로 유지되어야 합니다. 이 부담에는 무엇이 실행됐는지 문서화하고, 문제가 발생했을 때 결과를 재현하는 일도 포함됩니다.
기업 구매자에게 이는 제품 비교에 기능 목록만이 아니라 대표적인 작업도 포함해야 한다는 뜻입니다. 유용한 평가는 조합된 시스템이 작업을 완료하고, 실패에서 복구하며, 결과를 검토자에게 전달하는 과정을 관찰합니다.
DeepSeek의 사용자 주장으로 이 경쟁의 가시성은 높아졌습니다. 증거는 도입 규모, 작업 성능, 아키텍처 선호를 별개의 판단으로 유지하면서 애플리케이션 계층에 주목할 필요가 있음을 뒷받침합니다.
보안과 검증은 인기와 별개로 남아 있습니다
널리 사용되는 에이전트도 신뢰할 수 없는 정보와 행동 권한을 분리하는 통제가 필요합니다. 특히 애플리케이션이 확장을 수용하고 외부 자료를 다룰 때, 인기도만으로는 그 경계를 보장할 수 없습니다.
간접 프롬프트 인젝션은 검색된 콘텐츠에 숨겨진 지시가 에이전트의 방향을 바꾸려 할 때 발생합니다. 사용자가 일반적인 작업을 요청했더라도 문서나 도구 응답에는 그러한 지시가 포함될 수 있습니다. 핵심 우려는 시스템이 해당 자료를 정보로 취급하는지, 아니면 권한으로 취급하는지입니다.
Zonghao Ying과 동료들의 8월 프리프린트는 AI-Infra-Guard를 사용한 DeepSeek Harness의 프롬프트 인젝션 평가를 제시합니다. 이 연구는 14,560건의 통제된 실행을 다루며, 일부 시험 조건에서 공격이 성공했다고 보고합니다. 사용된 도구와 민감한 대상은 외부 영향 없이 시도된 행동을 기록하도록 설계된 로컬 테스트 환경이었습니다.
이러한 결과에는 명확한 시간적 경계가 필요합니다. 이는 8월에 평가된 구현과 조건에 관한 것입니다. 11월에도 모든 문제가 남아 있거나, 현재의 모든 배포 환경이 동일하게 작동한다는 점을 보여주지는 않습니다.
또한 DeepSeek의 도입 수치에 포함된 사용자가 실제로 침해됐다는 점도 입증하지 않습니다. 통제된 보안 실험과 배포된 시스템에서 발생한 사고는 서로 다른 형태의 증거입니다. 이 구분을 유지해야 문서화된 우려를 축소하지도, 현재의 영향 범위를 과장하지도 않을 수 있습니다.
더 넓은 교훈은 플러그인 전략과 관련이 있습니다. 확장은 애플리케이션이 접근하거나 수행할 수 있는 범위를 바꿉니다. 프로젝트 파일을 읽거나 다른 서비스와 상호작용하는 기능처럼, 그 가치와 위험은 같은 역량에서 비롯될 수 있습니다.
따라서 확장을 검토하려면 설치 가능 여부를 확인하는 것만으로는 부족합니다. 구매자는 확장이 부여받는 접근 권한, 전송하는 정보, 시작할 수 있는 작업을 이해해야 합니다. 이러한 질문은 호스트의 사용자 규모가 아니라 배포된 구성에 관한 것입니다.
발견 가능성과 신뢰 역시 별개의 문제입니다. 마켓플레이스는 확장을 더 쉽게 찾게 할 수 있지만, 등록된 모든 항목이 민감한 작업에 적합하다는 점을 보장하지는 않습니다. 등록 항목이 얼마나 안심할 근거를 제공하는지는 검토 및 집행 절차에 달려 있습니다.
실행 기록에도 같은 원칙이 적용됩니다. 읽기 쉬운 이력은 사람이 어떤 일이 일어났는지 재구성하는 데 도움이 됩니다. 더 강력한 검증을 위해서는 기록이 완전하며 변조되지 않았다는 확신이 필요합니다. 에이전트의 출력이 책임성을 요구하는 의사결정에 영향을 미칠 때 이 구분은 중요해집니다.
DeepSeek이 계획한 개선 사항은 구현 세부 정보가 제공되면 평가할 가치가 있습니다. 보안 주장은 구체적인 통제 수단, 버전, 시험 조건을 명시할 때 더 유용해집니다. 일반적인 보장만으로는 특정 워크플로가 구매자의 요구사항에 맞는지 알 수 없습니다.
이는 도입 이정표에 대한 실용적인 조건입니다. 보고된 사용자 규모는 주목할 만하지만, 배포 결정에는 여전히 권한, 실패 처리, 검토에 관한 증거가 필요합니다. 이 기준은 경쟁 에이전트 시스템에도 똑같이 적용됩니다.
세 가지 공개가 도입 이야기를 더 유용하게 만들 수 있습니다
가장 유익한 후속 공개는 일관된 사용자 측정 기준을 재현 가능한 결과와 개발자를 위한 더 명확한 조건에 연결하는 것입니다. 향후 몇 달 동안 특히 주목할 세 가지 신호가 있습니다.
첫 번째는 안정적인 정의를 갖춘 후속 사용량 공개입니다. DeepSeek은 어떤 활동이 집계 대상인지 설명하고 사용자가 계속 돌아오는지를 보여줌으로써 도입 주장을 강화할 수 있습니다. 여러 기간에 걸친 비교 가능한 측정은 단발성 이정표보다 더 많은 맥락을 제공합니다.
이전 사용자 집단 중 나중에 다시 돌아오는 비율을 뜻하는 유지율은 특히 유용할 것입니다. 이는 지속적인 워크플로 사용과 초기 실험을 구분해 줍니다. 정의가 바뀐다고 해서 성장이 자동으로 부정되지는 않지만, 비교를 신뢰하기 전에 설명이 필요합니다.
일관된 방법 아래 활동 규모가 상당하게 유지된다면, 이 신호는 지속적인 DeepSeek Harness 도입이라는 해석을 강화할 것입니다. 이후 공개에서 일시적 급증이나 실질적으로 더 넓어진 집계 규칙이 드러난다면 그 해석은 약화될 것입니다.
두 번째 신호는 완료된 작업에 관한 비교 가능한 증거입니다. 유용한 평가는 작업, 애플리케이션 버전, 모델 구성, 수용 기준을 식별해야 합니다. 성공적인 출력뿐 아니라 실패와 사람의 개입도 보여줘야 합니다.
문서 작업에서는 결론이 출처에 의해 계속 뒷받침되는지 확인하는 방식이 될 수 있습니다. 소프트웨어 작업에서는 요청된 변경 사항이 의미 있는 검사를 통과하는지 검토하는 방식이 될 수 있습니다. 이는 DeepSeek이 이미 발표한 결과에 관한 주장이 아니라 제안된 평가 접근법입니다.
독립적인 재현은 결과가 반복 가능한 역량을 반영한다는 신뢰를 높일 것입니다. 문서화되지 않은 조정에 의존하는 결과는 뒷받침 근거가 더 약합니다. 토큰 총량을 이러한 평가와 함께 제시하면, 독자는 유용한 출력과 함께 처리 강도를 평가할 수 있습니다.
세 번째 신호는 마켓플레이스 및 개발자 지원 약속의 구현입니다. 관련 증거에는 게시 규칙, 호환성 기대치, 보안 검토, 문제가 있는 확장에 대한 명확한 처리 방식이 포함될 것입니다. 개발자 지원은 작성자가 참여 및 유지보수 요구사항을 이해할 수 있을 때 실체를 갖습니다.
작동하는 배포 채널은 외부 개발자가 Harness를 중심으로 지속 가능한 워크플로를 구축할 수 있다는 주장을 강화할 것입니다. 발견 가능성이나 호환성에 대한 지속적인 불확실성은 그 주장을 덜 설득력 있게 만들 것입니다. 중요한 관찰점은 개발자가 사용자에게 서비스를 제공하기 위한 신뢰할 수 있는 조건을 받는지 여부입니다.
이 세 가지 신호는 하나의 점수로 억지로 묶지 않고도 이야기의 서로 다른 부분을 명확히 해줍니다. 사용자 측정은 도달 범위를 보여줍니다. 작업 평가는 실질적인 성능을 보여줍니다. 개발자 조건은 전문화된 애플리케이션이 계속 제공되고 유지될 수 있는지를 설명하는 데 도움이 됩니다.
에이전트 애플리케이션을 고려하는 독자라면, 결과를 판단할 수 있는 반복 작업부터 시작하세요. 소스 자료, 수용 기준, 최종 출력을 함께 보관하세요. 사람이 어디에서 개입해야 하는지, 검토 후에도 결과가 유용한지를 기록하세요. 그런 다음 가장 바쁜 시스템을 최적의 선택으로 간주하기보다, 동일한 작업에서 구성을 비교하세요. DeepSeek Harness의 도입은 제품을 검토할 가치를 만들지만, 여러분의 워크플로가 여러분의 결정에 중요한 증거를 제공합니다. 어떤 작업을 이 도구가 반복적으로 완료하도록 신뢰하시겠습니까? 그리고 그 책임을 확대하기 전에 무엇을 확인해야 하겠습니까?
