Harness AI mit OpenCheese

← API-SchnellstartAls Markdown anzeigen

Harness AI Desktop (DeepSeek Harness) bindet OpenCheese als benutzerdefinierten Anbieter neben dem eingebauten DeepSeek-Anbieter ein und spricht mit ihm die Chat-Completions-API von OpenAI unter https://api.opencheese.dev/v1.

Harness legt alles in einem Ordner ab: %USERPROFILE%\.dsh unter Windows, ~/.dsh unter Linux und macOS oder dort, wohin $DSH_HOME zeigt.

01Harness AI installieren

Lade den Build für deine Plattform aus dem Harness-AI-Repository herunter und schließe die Installation ab.

02OpenCheese als benutzerdefinierten Anbieter hinzufügen

1. Öffne Settings in der Seitenleiste und wähle Models.
2. Klicke auf Add a custom provider und fülle die Felder aus:

3. Klicke auf Fetch available models, lass alle Modelle ausgewählt und klicke auf Create provider.

• Die Provider ID muss genau opencheese lauten: Harness benennt die gespeicherten Zugangsdaten danach (OPENCHEESE_API_KEY), und mit jeder anderen Schreibweise zeigt der Anbieter auf Zugangsdaten, die nirgends gesetzt werden.
• Die Base URL behält ihr /v1: Harness hängt den Pfad des Endpunkts selbst an.
• Die Seite Konfiguration im Dashboard zeigt im Tab Harness AI dieselben Werte und gibt den Schlüssel frei, sobald du dessen Passwort bestätigst.

OpenCheese erscheint jetzt in der Models-Liste mit einem Custom-Badge und einem grünen Punkt, und seine Modelle lassen sich in einem Chat auswählen.

03Reasoning-Stufen hinzufügen (optional)

Auf der Settings-Seite lassen sich keine Reasoning-Stufen festlegen, deshalb bleibt die Stufenauswahl leer, bis settings.yaml sie deklariert. Füge diesen Block in %USERPROFILE%\.dsh\settings.yaml (~/.dsh/settings.yaml) ein, behalte dabei alle anderen Abschnitte der Datei und starte Harness AI danach neu. Der Tab Harness AI generiert ihn mit allen Modellen deines Tarifs.

llm-pi-ai:
    providers:
        opencheese:
            apiKeyEnv: OPENCHEESE_API_KEY
            api: openai-completions
            baseURL: https://api.opencheese.dev/v1
            timeoutMs: 120000
            models:
                - id: MODEL_ID
                  name: Model name
                  contextWindow: 1000000
                  maxTokens: 131000
                  reasoningEfforts:
                      max: max
                      medium: medium
                      low: low

• Nimm contextWindow und maxTokens aus context_window und max_output_tokens des Modells in /v1/models und die Stufen aus seinen supported_reasoning_levels. Beide Zahlen müssen positive Ganzzahlen sein.
• Harness akzeptiert nur die Stufen off, minimal, low, medium, high, xhigh und max. Schon ein anderer Name oder eine fehlende Zahl genügt, und Harness verwirft den ganzen Abschnitt llm-pi-ai: Alle OpenCheese-Modelle verschwinden auf einmal.
• Ein Modell ohne Stufen bekommt keinen Eintrag reasoningEfforts: Es nutzt seine Standardstufe.
• Der API-Schlüssel steht nicht in dieser Datei: apiKeyEnv nennt die Zugangsdaten, die Harness in Schritt 2 gespeichert hat.

Einrichtung ohne die Settings-Seite

Um Schritt 2 zu überspringen, speichere die Zugangsdaten selbst als .credentials.yaml im selben Ordner wie settings.yaml, zusätzlich zum Block oben:

version: 1
refs:
    OPENCHEESE_API_KEY: YOUR_OPENCHEESE_API_KEY

• version: 1 ist erforderlich.
• Führe unter Linux und macOS chmod 600 ~/.dsh/.credentials.yaml aus: Harness lehnt eine Zugangsdatendatei ab, die andere Benutzer lesen können.
• Chrome, Edge und andere Chromium-Browser speichern eine heruntergeladene .credentials.yaml als credentials.yaml; benenne sie wieder um.
• Diese Datei enthält deinen Schlüssel im Klartext. Committe sie niemals in ein Repository.

Verbrauch und Kosten

Jede Anfrage erscheint im Dashboard unter Transaktionen, gruppiert als eine Sitzung pro Unterhaltung, mit ihrem Tokenverbrauch und ihren Kosten.