Один промпт, 8 субагентов, 183 шага и 2 часа 43 минуты автономной работы. Столько потребовалось DeepSeek, чтобы собрать с нуля браузерную аркаду на React, TypeScript и Canvas.

Самое интересное, что всё это происходило на подписке OpenCode Go за $10. А я в это время наблюдал, как агент самостоятельно разбирается с задачами, пишет код и проверяет результат.

В этой статье расскажу, что представляет собой DeepSeek Harness, чем он отличается от обычных coding-агентов, как устроена его работа с кэшем и что в итоге удалось получить. Заодно покажу саму игру и несколько моментов, где без моего вмешательства всё-таки не обошлось.

У меня была довольно простая идея: сделать браузерную игру для тренировки скорости печати. Чтобы с экрана летели слова, игрок набирал их на клавиатуре, стрелял по противникам, набирал очки и пытался не потерять все жизни. Что-то между тренажёром слепой печати и аркадным шутером.

Но экспериментировать хотелось даже не столько с игрой, сколько с агентной разработкой. Я решил проверить, что получится, если взять относительно недорогую модель, дать ей нормальную среду для работы и поставить достаточно большую задачу. Не очередной список дел на React, а игру с графикой, звуком, игровой логикой и статистикой.

Мой процесс выглядел так:

Идея простыми словами → ChatGPT в обычном браузере → большой технический промпт → DeepSeek Harness → готовый проект.

Никакого Codex на этапе составления промптов не было. Я обсуждал задумку с обычным ChatGPT на сайте, просил его продумать архитектуру, найти слабые места требований и собрать всё в внятное ТЗ. А реализовывал уже DeepSeek в Harness.

Модель выпустила TypeSafe AI. Её основатель - Диого Алмейда, один из исследователей ChatGPT и InstructGPT. Jev не генерирует свободный текст и не объясняет ход рассуждений. Вместо этого она отвечает на заранее сформулированные вопросы в заданном формате: выбирает вариант, возвращает число или выставляет оценку.

По данным TypeSafe, цена составляет $0,042 за миллион входных токенов, а выходные токены не тарифицируются.

В качестве примера я привожу работающего бота для маркет-мейкинга на Monad. Он читает стакан MON/USDC на Kuru, запрашивает решение у Jev на каждом блоке примерно раз в 300 мс и выставляет лимитный ордер на один тик ближе к рыночной цене. По данным репозитория, за три дня он набрал более тысячи звёзд, а некоторые решения приходили за 81 мс.

Сам по себе механизм принятия решений ещё не образует торговую систему. Нужны сбор данных, расчёт признаков, политика действий, управление риском, отправка ордеров и наблюдение за результатом. Jev должна отвечать только за часть оценок внутри этого контура.