DeepSeek Harness: যখন সত্যিই সবকিছু একটি প্লাগইন

AI এজেন্ট নিয়ে কথা বললে আমরা প্রায় সব সময় মডেল দিয়ে শুরু করি। কোন মডেল ভালো কোড লেখে, দীর্ঘ কনটেক্সট বোঝে বা বেঞ্চমার্কে বেশি কাজ সমাধান করে? প্রশ্নগুলো স্বাভাবিক, কিন্তু এখন আর যথেষ্ট নয়। একটি এজেন্ট শুধু ভাষা মডেল নয়। তার টুল, মেমরি, সেশন, অনুমতি, রানটাইম, পরিকল্পনা, লগিং এবং মানুষের হস্তক্ষেপের ইন্টারফেস দরকার।

এই কারণেই DeepSeek Harness-এর Developer Preview এত আকর্ষণীয়। DeepSeek ধারণাটি এক বাক্যে বলে: Everything is a plugin. শুধু বাড়তি টুল নয়, Models, Skills, Sessions, Sandboxes, Storage, Agent Loops, Scheduling, এমনকি User Interface-ও প্লাগইন।

এটি প্রথমে ডেভেলপারদের প্রযুক্তিগত নকশা মনে হয়। আসলে এতে AI-এর পরবর্তী পর্যায় সম্পর্কে বড় বক্তব্য আছে। বুদ্ধিমত্তা যদি মডেল থেকে আসে আর ব্যবহারিক কর্মক্ষমতা Harness থেকে, তবে দ্বিতীয় অংশটি কোনো এক বিক্রেতার অস্বচ্ছ ব্লক হওয়া উচিত নয়।

এজেন্ট তার মডেলের চেয়েও বেশি কিছু

DeepSeek-এর সূত্র সংক্ষিপ্ত: Agent সমান Model plus Harness। মডেল ভাষা প্রক্রিয়াকরণ করে সিদ্ধান্ত তৈরি করে। Harness তাকে বাস্তব পরিবেশে যুক্ত করে, Files দেয়, Tools নিবন্ধন করে, State পরিচালনা করে, Sub-agents চালু করে, Commands চালায় এবং পরের Model Call-এ কোন তথ্য Context-এ ফিরবে তা ঠিক করে।

তাই Harness মডেলের মোড়ক নয়। মডেলের উত্তর বাস্তবে কী হতে পারবে তা এটি নির্ধারণ করে। এজেন্ট শুধু Text দেবে, নাকি File বদলাবে? পুরো Repository দেখবে, নাকি একটি Working Folder? Command Host, Container না Remote Sandbox-এ চলবে? মানুষের Approval লাগবে? State কি একাধিক Session জুড়ে থাকবে? এগুলো মডেলের বৈশিষ্ট্য নয়, চারপাশের রানটাইমের সিদ্ধান্ত।

উত্তর থেকে কাজে

সাধারণ Chat-এ পার্থক্যটি বোঝা যায় না। প্রশ্ন ঢোকে, উত্তর বের হয়। কিন্তু এজেন্ট Repository-তে কাজ করলে, Tickets সামলালে, Internal Systems-এ গেলে বা দীর্ঘ Task নিলে Harness মডেলের মতোই গুরুত্বপূর্ণ হয়। এটি ভাষার উদ্দেশ্যকে বাস্তব পদক্ষেপে রূপ দেয় এবং ফলাফলকে নতুন Context হিসেবে মডেলে ফেরায়।

এখানেই চমকপ্রদ Demo ও নির্ভরযোগ্য Tool-এর ফারাক। দারুণ মডেলও খারাপ Context, অতিরিক্ত Permission ও অবিশ্বস্ত Session Management নিয়ে খারাপ এজেন্ট। সে ভালো যুক্তি দিয়েও ভুল File বদলাতে, পুরোনো State ব্যবহার করতে বা Error-এর পর ঠিকমতো চলতে ব্যর্থ হতে পারে। আবার একটু দুর্বল মডেল ভালো রানটাইমে খুব কার্যকর হয়, কারণ সঠিক Tools, স্পষ্ট সীমা এবং অনুসরণযোগ্য কাজ পায়।

আর্কিটেকচারও ফলাফলের অংশ

DeepSeek Harness এই স্তরকে দৃশ্যমান করে। Cordis Kernel Plugins Mount করে, Dependencies মেটায় এবং Components খুলে ফেলতে পারে। Capabilities Services হিসেবে আসে। একটি Plugin Shell বাস্তবায়ন করতে পারে, অন্যটি সেটিকে Model Tool হিসেবে প্রকাশ করে, আর তৃতীয়টি Workflow-তে ব্যবহার করে। পুরো Harness না বদলিয়ে Configuration দিয়ে Implementation পাল্টানো যায়।

DeepSeek শুধু কয়েকটি অতিরিক্ত Tool যোগ করতে দেওয়া প্ল্যাটফর্মের চেয়ে এগিয়ে। Model Connection, Tool Registry, Session Log এবং Agent Loop-ও Plugin। Architecture-এ এমন Privileged Core নেই যেটিকে প্রতিটি Extension-এর জন্য Patch করতে হবে। নতুন আচরণ পাশে Mount হয় এবং সরালে Registrations গুছিয়ে তুলে নিতে পারে।

ধারণাটি একেবারে নতুন নয়। Operating Systems, Browsers ও Editors বহুদিন Modular Components ব্যবহার করে। নতুন হলো সম্পূর্ণ AI এজেন্টে DeepSeek-এর ধারাবাহিক প্রয়োগ। এজেন্ট Architecture স্থির Product নয়, Operator বদলাতে পারে এমন সিদ্ধান্তের সমন্বয়।

“সবকিছু একটি প্লাগইন” কেন এত আকর্ষণীয়

Plugin ধারণা তৈরি Product থেকে ক্ষমতা সরিয়ে Composable Runtime-এ দেয়। পুরো Workflow না বানিয়ে Model Provider, Local Shell, Storage, Session Logic বা UI বদলানো যায়। DeepSeek নিজের Model Access-এর পাশাপাশি অন্য Providers এবং Custom OpenAI-compatible Endpoints-ও নথিভুক্ত করেছে।

সবকিছু নতুন করে না বানিয়ে মডেল বদল

এজেন্ট তখন পরিবেশ অনুযায়ী সাজানো Infrastructure। ছোট Dev Team-এর File Access, Git ও Tests যথেষ্ট হতে পারে। Security Team-এর Network Queries, Isolated Sandboxes, কঠোর Approvals ও Immutable Logs চাই। Company নিজস্ব Model Gateway এবং ব্যক্তিগত Lab Local Open-Weight Model ব্যবহার করতে পারে।

দ্রুত বদলানো মডেলের যুগে এটি কৌশলগত। আজ এক Provider Coding-এ, কাল অন্যজন Long Context বা Tool Use-এ ভালো। Closed Product-এ Model Change প্রায়ই Platform Change, তাই Sessions, Rules, Permissions ও Integrations আবার বানাতে হয়। Modular Runtime-এ Model অন্য Provider বা Self-hosted Endpoint দিয়ে বদলযোগ্য Component থাকে।

এটি পুরোপুরি বাধাহীন নয়। Roles, Reasoning, Tool Calls, Images ও Error Behaviour মডেলভেদে আলাদা এবং Adapters-এ সামলাতে হবে। তবে স্পষ্ট সংযোগস্থল থাকায় কোনো Provider-এর বৈশিষ্ট্য পুরো Product-এ ছড়িয়ে পড়ে না।

বদলযোগ্য বোতাম নয়, বদলযোগ্য অবকাঠামো

Capability-এর Definition, Provider ও Consumer আলাদা থাকা গুরুত্বপূর্ণ। Bash Interface কী করা যায় বলে, Provider ঠিক করে Command কোথায় ও কীভাবে চলবে, আরেক Plugin সেটিকে Model Tool বানায়। এই সংযোগস্থলেই প্রতিটি Agent Loop নতুন করে না লিখে Timeouts, Isolation, Approvals ও Logging যোগ করা যায়।

একাধিক Capability একই Execution World ভাগ করলে সম্ভাবনা পরিষ্কার হয়। Filesystem ও Processes Local Environment থেকে Remote Sandbox-এ নিলে Shell, Terminal ও Code Navigation-ও যেতে পারে। User-এর কাছে Capability একই থাকে, নিচের Security ও Operations Framework আমূল বদলে যায়। UI-এর আরেকটি Switch-এর চেয়ে এটি মূল্যবান।

Runtime Modes-ও লক্ষ্য দেখায়। Standard Mode পূর্ণ Coding Agent, Code Mode generated TypeScript দিয়ে বহু Tool Call, Minimal Mode Benchmark-এর জন্য Shell ও Editor এবং Creator Mode Plugins ও Presets পরীক্ষা করতে দেয়। প্রতিটি কাজে একই বড় Toolbox লাগে না।

Profiles ও Bundles এটিকে Extensions-এর আলগা সংগ্রহের চেয়ে বেশি করে। Local Development-এর হালকা Profile, Production-এর সীমিত Profile এবং বেশি Logging-এর Forensic Profile একই Components দিয়ে ঝুঁকি অনুযায়ী তৈরি করা যায়।

বাস্তব সম্ভাবনা কোথায় তৈরি হয়

Architecture আকর্ষণীয়, কিন্তু মূল্য আসে বাস্তব পরিস্থিতিতে। Plugin System নিজে লক্ষ্য নয়। প্রতিটি Use Case-এর জন্য নতুন Platform না বানিয়ে এজেন্টকে বাস্তব চাহিদায় দ্রুত মানাতে হবে।

ব্যক্তিগত টুল থেকে কোম্পানি প্ল্যাটফর্ম

একজন Developer Local Shell, File Editor ও Model দিয়ে শুরু করতে পারেন। Team Tool হলে Central Identities, আলাদা Workspaces, Critical Actions-এর Approvals, Model Gateway, Cost Control, Persistent Sessions ও Exportable Audit Trail লাগে। Monolithic App-এ Vendor ঠিক করে এগুলো কখন আসবে।

Modular Runtime-এ Company ঘাটতি পূরণ বা Provider বদলাতে পারে। Agent নতুন করে বানাতে হয় না। একই UI ও Agent Logic Enterprise Gateway-এর পেছনে অন্য Models, Internal Sandbox-এ Commands এবং নিজস্ব Storage-এ Sessions ব্যবহার করতে পারে। এখানেই সুবিধাজনক Tool ও নিয়ন্ত্রণযোগ্য Platform-এর পার্থক্য।

একই উপাদান থেকে আলাদা Trust Zone

সব Task-এর একই অধিকার দরকার নেই। Documentation Summary-র Production Access লাগে না। Incident Response Agent-এর Logs ও Network Queries লাগতে পারে, কিন্তু Configuration পরিবর্তন নয়। Deployment Agent পরিবর্তন করলেও কঠোর Approvals, ছোট Tokens ও পরিষ্কার Logging দরকার।

পৃথক Services ও Profiles এই পার্থক্য রানটাইমে প্রয়োগ করে। Model-কে প্রতিটি Security Detail বুঝে স্বেচ্ছায় মানতে হয় না। Environment প্রযুক্তিগতভাবে নির্ধারণ করে কোন Capability আছে। Mount না করা Capability সরাসরি Tool হিসেবেই থাকে না।

বিশেষজ্ঞদের জন্য ইকোসিস্টেম

এক Vendor একই সঙ্গে সেরা Sandbox, Session Store, প্রতিটি Enterprise System ও Model Adapter বানাতে পারে না। Open Plugin Model-এ Security Vendor Hardened Execution Environment, Storage Project Auditable Sessions এবং Internal Platform Team নিজস্ব Identities ও Approvals দিতে পারে।

Stable Interfaces-এ এগুলো মিললে বড় হতে থাকা এক App-এর বদলে Ecosystem তৈরি হয়। সম্ভবত এটাই DeepSeek Harness-এর সবচেয়ে বড় সম্ভাবনা। DeepSeek-কে সব Use Case জিততে হবে না, অন্যরা যেখানে ক্ষমতা দেয় ও মেলায় সেই Architecture হলেই চলে।

অনুসরণযোগ্যতা কোনো গৌণ বিষয় নয়

Plugins-এর পাশের আরেকটি শক্ত ধারণা append-only Session Log। DeepSeek অনুযায়ী Model যা দেখে সব Event হিসেবে থাকে: System Instructions, Tool Calls ও Results, Context Injections এবং Sub-agent Planning। Resume, Fork, Search ও Replay একই Event Stream-এ চলে।

Developer ত্রুটিপূর্ণ Run পুনর্গঠন করতে পারেন। Security ও Operations-এর জন্য এটি আরও জরুরি। Agent File বদলালে, Command চালালে বা Service-এ Data পাঠালে শেষ Chat Message যথেষ্ট নয়। কী Context ছিল, কোন Tool কাজ করেছে এবং কোথায় Decision Action হয়েছে তা জানতে হবে।

প্রথাগত App-এ Error Input ও Deterministic Code Path-এ ফেরানো যায়। Agent একই নির্দেশ থেকে ভিন্ন Steps, Tool Order ও অপ্রত্যাশিত ফলের প্রতিক্রিয়া তৈরি করতে পারে। সম্পূর্ণ History না থাকলে শুধু “Agent সিদ্ধান্ত নিয়েছিল” দাবি থাকে, যা Debugging বা Security Incident-এর জন্য যথেষ্ট নয়।

Event Stream-কে Source of Truth করলে তুলনীয় Experiment-ও সম্ভব। নির্দিষ্ট জায়গায় Session Fork করে অন্য Model, Prompt বা Capabilities দিয়ে চালানো যায়। তখন সুন্দর উত্তর নয়, একই বাস্তব Working State-এ পরিবর্তনের প্রভাব দেখা যায়।

Company-তে এটি Agent Change ও Incident Log হতে পারে: নির্দেশ কে দিয়েছে, কোন Policy সক্রিয় ছিল, Model কী Data পেয়েছে, কোন Action Approved হয়েছে, Result কী? Agents সত্যিকারের Systems বদলালে এগুলো জরুরি।

তবে Log নিজে সম্পূর্ণ Audit Trail নয়। Retention, Access Protection, Integrity, Sensitive Content ও Export সমাধান করতে হবে। Prompt, Source Code, Tool Result বা Credentials-সহ পূর্ণ Log নিজেই ঝুঁকি। তবু মূল সিদ্ধান্ত ভালো: Model-visible তথ্য গোপন Side Channel নয়, পুনর্গঠনযোগ্য Event Stream থেকে আসা উচিত।

ওপেন সোর্স কৌশলগত অস্ত্র হয়ে উঠছে

প্রকল্পটি চীন থেকে আসায় বিষয়টি আরও আকর্ষণীয়। DeepSeek শুধু Model Weights নয়, Stack-এর একাধিক Layer তৈরি করছে। DeepSeek V4-এর Weights ও Code MIT License-এ আছে। এখন MIT-licensed Harness এজেন্টিক কাজের Open Runtime, যার নিচে Cordis-এর নিজস্ব Plugin ও Composition Model আছে।

এটি আমার AI, নিরাপত্তা এবং সম্পূর্ণ Stack-এর লড়াই নিবন্ধের ধারার সঙ্গে মেলে। চীন শুধু AI Apps ভোগ করছে না। Chinese Companies Models, Inference Software, Hardware Paths এবং এখন Agent Infrastructure বানাচ্ছে। DeepSeek-এর গতি পশ্চিমের পুরোনো “নকলকারী শিল্প” ধারণায় ব্যাখ্যা করা যায় না।

এই প্রতিযোগিতায় Open Source শুধু আদর্শ নয়। এটি Distribution, যাচাইযোগ্য Trust এবং Ecosystem Accelerator। Weights, Code ও Interfaces খুললে বিশ্বজুড়ে Developers Bugs খুঁজে, Integrations বানিয়ে Design-কে De-facto Standard করতে পারে। অন্য Providers-এর Models চললেও প্রাসঙ্গিক থাকায় Open Harness আরেকটি Closed Chat UI-এর চেয়ে বেশি কৌশলগত হতে পারে।

DeepSeek এমন Platform বানাচ্ছে যেখানে DeepSeek নিজেই বদলযোগ্য। Model Vendor কেন Competitor-এ যাওয়া সহজ করবে? দীর্ঘমেয়াদে এটিই শক্ত অবস্থান হতে পারে। Developers Agents, Plugins, Security Rules ও Sessions এই Runtime-এ গড়লে Harness Common Infrastructure হয়। DeepSeek কিছু Model Call হারালেও পুরো Ecosystem Architecture-এ প্রভাব পায়।

Openness শেখাও দ্রুত করে। Closed Product-এর Core Architecture মূলত Vendor বদলায়। Open Project অচেনা পরিবেশে ব্যবহার হয়ে Bug Reports, Adapters, Alternative Backends ও Operations Knowledge আনে। Agent Software-এর মতো নতুন ক্ষেত্রে এই Feedback নিখুঁত প্রথম Release-এর চেয়ে বেশি মূল্যবান হতে পারে।

Plugin Approach-এর বুদ্ধিমত্তা এখানেই। DeepSeek-কে প্রতিটি Storage, Sandbox ও Enterprise System বানাতে হয় না। সে Architecture দেয়, অন্যরা Capabilities বসায়। Ecosystem বাড়লে প্রতিটি Integration Core-কে সাহায্য করে।

চীন শুধু মডেল নয়, তার চারপাশের পথও বানাচ্ছে

Geopolitical গুরুত্ব Benchmark-এ সীমিত নয়। শক্ত Model Train করলেই প্রযুক্তিগত Sovereignty আসে না। Hardware, Inference Software, Developer Tools, Interfaces, Operations Experience এবং সেই ভিত্তিতে Product বানানো Developers দরকার। DeepSeek Harness এই শৃঙ্খলের আরেক অংশ।

Chinese Technology নিয়ে Western Narrative প্রায়ই পিছিয়ে। China-কে সস্তা নকলকারী ভাবলে সেখানে নিজস্ব Architectures প্রকাশ ও Global Developers-কে আকর্ষণের গতি চোখ এড়ায়। DeepSeek-কে সব Category-তে স্থায়ী নেতা হতে হবে না। Gap ছোট রাখা, দ্রুত Iterate করা এবং অন্যদের গড়ার জন্য কাজ খুলে দেওয়াই যথেষ্ট।

বন্ধ শীর্ষ মডেলগুলোর সঙ্গে দূরত্ব কমছে

Open-Weight Models দীর্ঘদিন Labs ও বিশেষ কাজের বিকল্প ছিল, শক্ত ক্ষমতা কয়েকটি Closed Vendor-এর। ছবি বদলাচ্ছে। সব ক্ষেত্রে Gap শেষ হয়নি, কিন্তু প্রত্যাশার চেয়ে দ্রুত কমছে।

DeepSeek নিজস্ব Evaluations-এ V4-কে বর্তমান Closed Frontier Models-এর পাশে রেখেছে। Benchmark ভেদে V4 Pro কাছাকাছি, সমান বা স্পষ্টভাবে পিছিয়ে। Software Engineering, Tool Use, Factual Knowledge ও কঠিন Reasoning-এ এক ফল নেই। তাই এক Table দিয়ে “বিজয়ী” ঠিক করা উচিত নয়।

গুরুত্বপূর্ণ হলো সময়ের দূরত্ব। অল্প আগে বড় US Labs-এর বিশেষ সুবিধা মনে হওয়া ক্ষমতা কয়েক মাস পর Download, Self-host ও Inspect করা যায় এমন Models-এ আসে। “Top Models থেকে মাত্র কয়েক মাস পিছিয়ে” বৈজ্ঞানিক ধ্রুবক নয়, কিন্তু Closed Systems-এর অগ্রগতি এখন কত স্বল্পমেয়াদি মনে হয় তা ভালোভাবে বলে।

অর্থনৈতিক মূল্যও বদলায়। কোনো Task-এ Closed Model দশ শতাংশ ভালো হলে তা সিদ্ধান্তমূলক। কিন্তু Open Model যথেষ্ট ভালো, নিজস্ব Infrastructure-এ চলে এবং Security Zone-এ মেশে, তাহলে মোট হিসাব তার পক্ষে হতে পারে। Control, Data Location, Predictable Cost ও Customization-ও Performance, Benchmark-এ না থাকলেও।

Hardware ভুললে চলবে না। Open Weights মানে 1.6-Trillion-Parameter Model Server Room-এ সহজে চলে না। DeepSeek V4 Pro বিশাল Mixture-of-Experts Model। প্রতি Token-এ অংশবিশেষ সক্রিয় হলেও Memory, Inference Cost ও Operations কঠিন। Openness Code ও Weights-এর Access Barrier সরায়, বড় Models-এর Physical Reality নয়।

তবু Weights বাজার বদলায়। Researchers পরীক্ষা করেন, Providers নিজস্ব Infrastructure-এ দেন, Communities Quantization ও Runtime Optimization বানায়। Companies একটি API-এর ওপর সম্পূর্ণ নির্ভরতার বিকল্প পায়।

প্রতিযোগিতার কেন্দ্র বদলায়। Raw Model Knowledge গুরুত্বপূর্ণ, কিন্তু দীর্ঘস্থায়ী মূল্য Data Pipelines, Evaluations, Runtime, Security, Distribution ও Real Processes-এ Integration-এও। Models বদলযোগ্য হলে নির্ভরযোগ্য Context, Tools ও Boundaries দেওয়া Platform আরও গুরুত্বপূর্ণ হয়।

খোলা মানেই স্বয়ংক্রিয়ভাবে বিশ্বাসযোগ্য নয়

“China থেকে Open Source” মানেই Sovereignty ভাবা সরলতা। Hosted DeepSeek Service-এ Data বাইরের Provider-এ যায়। Self-hosted Model Endpoint ও Controlled Harness-ই Data Sovereignty বদলায়। তবু Origin, Build Process, Dependencies ও Updates Supply Chain-এর অংশ।

Plugins দায় বাড়ায়। Plugin নিরীহ Theme নয়। এটি Tools Register, Services Access এবং System-এ Code Execute করতে পারে। DeepSeek Documentation সতর্ক করে, Git Repository থেকে Installation-এ অনুমোদিত Build Scripts Agent Sandbox-এর বাইরে Host-এ চলতে পারে। শুধু Trusted Sources এবং নির্দিষ্ট Commit-এ Dependencies Pin করার পরামর্শ দেয়।

এটাই সঠিক সতর্কতা। Open Plugin Platform Exchangeability-এর সঙ্গে নতুন Supply Chain আনে। অতিরিক্ত Provider Prompts, Files, Credentials বা Executable Tools পেতে পারে। Compromised Plugin ইতিমধ্যে Runtime-এর বৈধ অংশ হলে Model Jailbreak দরকার নেই।

Source Code দেখা সুবিধা, Security Review নয়। কাউকে Code পরীক্ষা, Build Reproduce, Version Pin ও Updates Control করতে হবে। Ecosystem বাড়লে Provenance প্রায় Function-এর মতো গুরুত্বপূর্ণ। Unknown Source-এর দরকারি Plugin Missing Feature-এর চেয়ে বড় ঝুঁকি হতে পারে।

গুরুতর ব্যবহারে আমি অল্প Verified Plugins রাখব। Versions Pin, Permissions পৃথক, Secrets Configuration-এর বাইরে এবং Outbound Connections নিয়ন্ত্রিত হওয়া চাই। Sandboxes নামমাত্র নয়, সত্যিই Isolate করবে। Session Log সুরক্ষিত ও Sensitive Data-এর জন্য পরীক্ষা করতে হবে। “Everything is a plugin” যেন “Every plugin can do everything” না হয়।

দীর্ঘমেয়াদি সম্ভাবনা Governance-এর ওপরও। ভালো Platform-এর পরিষ্কার Provenance, Signed Artifacts, Reproducible Builds, স্পষ্ট Dependencies এবং Profile অনুযায়ী Capabilities সীমিত করার পথ দরকার। DeepSeek ও Community এই বিরক্তিকর ভিত্তি গুরুত্ব দিলে Openness সত্যিকারের Control হবে, না হলে Plugin Promise বড় Attack Surface হবে।

DeepSeek Harness থেকে আমি কী দেখতে চাই

DeepSeek ইচ্ছাকৃতভাবে Project-কে Developer Preview বলে এবং Breaking Changes জানায়। এখন পড়া, পরীক্ষা ও অগুরুত্বপূর্ণ Data-তে Test-এর সময়, কেন্দ্রীয় Production Workflows নির্ভর করার নয়।

পরিষ্কার Architecture থেকে শক্ত Ecosystem হয় কি না সেটি গুরুত্বপূর্ণ। Signed Releases, Plugin Provenance, Permission Models, Reproducible Builds এবং প্রতিটি Change-এ নতুন Trust না চাওয়া Update Process দরকার। দ্রুত পরিবর্তনে বিভিন্ন Provider-এর Plugins বাস্তবে কতটা মেলে, সেটিও দেখতে হবে।

প্রতিশ্রুত Exchangeability দৈনন্দিন কাজে টেকে কি না সেটিও জরুরি। Model Adapter কাগজে সহজে বদলায়, বাস্তবে Models Tool Calls, Reasoning, Context Formats, Images ও Failure Modes-এ আলাদা। Open Interface পার্থক্য কমায়, মুছে দেয় না।

এই আপত্তি সত্ত্বেও DeepSeek Harness আমার কাছে বছরের সবচেয়ে আকর্ষণীয় AI Projects-এর একটি। এখনই Best Coding Agent বলে নয়। একটি Chinese AI Company মডেলের ওপরের Layer খুলে Toolkit বানাচ্ছে। অন্য Vendors Agents-কে Closed Platforms-এ বাঁধছে, DeepSeek এমন Architecture করছে যেখানে নিজের Model-ও বদলযোগ্য Plugin।

আমার ধারণা এবং অবিশ্বাস্য গতি

Developer Preview-ই অনেক সম্ভাবনা দেখায়। UI Plugin Principle-কে বাস্তব করে এবং Trajectory View বোঝায় Traceability পরে যোগ হবে না। Project নতুন ও দ্রুত বদলাচ্ছে, কিন্তু Open Architecture এমন ভিত্তি যার ওপর দ্রুত বড় কিছু তৈরি হতে পারে।

AI বিশ্বে এত কিছু হচ্ছে যে কয়েক সপ্তাহও পুরোনো লাগে। আশ্চর্য কী, যখন শুধু Alphabet 2026-এ 175 থেকে 185 বিলিয়ন Dollar Capital Expenditure এবং Meta 115 থেকে 135 বিলিয়ন আশা করছে, দুটিই AI Infrastructure দ্বারা প্রভাবিত? শত শত বিলিয়ন একই Idea, Competition ও Future-এ যাচ্ছে।

Capital ভালো Product নিশ্চিত করে না, তবে Models, Data Centers ও Agent Platforms কেন কয়েক বছর আগের অসম্ভব গতিতে চলছে তা বোঝায়। Models বদলযোগ্য, Open Weights দ্রুত ধরছে এবং মূল Differentiation Harness-এ যাচ্ছে। DeepSeek তিন ক্ষেত্রেই গতি বাড়াচ্ছে। AI Infrastructure নির্মাতাদের এটি শুধু Chinese Competition নয়, Closed Stacks-এর ওপর নির্ভরতা নতুন করে ভাবার আমন্ত্রণ হিসেবে দেখা উচিত।

পরবর্তীবার পর্যন্ত,
Joe