DeepSeek Harness(dsh):能够重写自身配置的开放代理运行时。
什么是DeepSeek Harness,其自编辑代理为何如此出色,社区的反应如何,以及在使用本地模型运行它之前需要做哪些准备。
来源: DeepSeek Harness: The Agent That Edited Its Own Config While I Watched
那些让人觉得模型很聪明的表现,有多少其实是没人看见的底层支撑结构?任何开发过自己代理工具的人都会很快得到答案:占比很大。正因如此,命令为 dsh 的 DeepSeek Harness 才值得仔细分析:它究竟是什么,有哪些独特之处,哪些方面不够理想,以及如果打算长期使用它需要做好什么准备。
它是什么以及为何由模型实验室开发
DeepSeek Harness 是一种开源的代理运行时环境,也就是围绕模型并使其能够执行操作的各类组件:循环机制、工具、沙箱环境、会话存储以及用户界面。它既不是模型,也不是聊天机器人。该项目的口号是 AGENT = MODEL + HARNESS。2026年8月13日,该项目的开发者预览版在 MIT 许可协议下发布,仅两天内就在 GitHub 上获得了约95,000个星标,一周内更是突破了165,000个。
为什么模型实验室要费心呢?两个数据就能说明问题。Vercel取了一个可运行的智能体,去掉了其中80%的工具。使用相同的模型,成功率从80%提升到了100%,同时使用的标记数减少了一半,延迟也降低了五分之一。在编程测试中,Claude Opus搭配Letta Code的得分是59%,而使用同一款Anthropic模型的Claude Code得分仅为41%。各模型已逐渐趋同,竞争焦点则转向了应用层。DeepSeek开发出了属于自己的应用层,并且作为能够展示模型完整推理过程的先锋实验室,它在那些美国实验室刻意加密推理过程的情况下做到了这一点。
真正的差异
有一个名为 Cordis 的高级插件系统,其中的工具、会话甚至代理循环都是可替换的插件,而会话则是仅能追加内容的事件日志,可以重新播放、复制或审计。不过在运行之后,一个更明显的区别出现了:代理可以在运行过程中自行修改,无需重启、重建或任何繁琐流程。
一个具有代表性的初步测试是打开网页界面,让它执行将自身LLM提供商从DeepSeek API切换到本地llama.cpp服务器的任务。该智能体会找到自身的配置文件,对其进行修改后通过本地模型回答后续问题。一个云端智能体在大约一分半钟内就变成了本地智能体。大多数智能体都将自己的配置视为神圣不可违背的准则,需要手动编辑;而这个智能体则将其视作普通文件而已。这与其说是一种功能,不如说是一种态度。能够自我修改的工具会开始表现得像一位同事,而且整个设计都假定该工具在安装后会持续发生变化。
社区反应
赞誉之声不绝于耳,这一功能曲线堪称历史性突破。工程师们十分青睐工具调用验证机制,它采用严格的JSON模式,其标准甚至高于Codex。能够将每一起上下文注入行为追溯到相应插件的轨迹视图,被赞誉为“杀手级功能”,美国的相关模型却不允许使用它。基于事件的会话机制更是让人们为之动容。
这些批评也有其道理。Reddit上的热门帖子指出,“一切都是插件”的理念听起来不错,但真正尝试之后才发现问题。该帖子的作者提到,DeepSeek自己的旗舰演示仅限于飞鲸动画和蛇形游戏,而让三种不同模型共同开发出实用插件的尝试全都失败了。还有人担心插件过载的问题,比如VSCode扩展逐渐失效、Eclipse插件被弃用,以及大量不兼容的附加组件堆积如山。支持者和批评者都提出了同一个警告:这只是一个未经正式测试的开发者预览版,不同版本之间可能存在破坏性变更。文档中用大写字母明确说明了这一点,实属难得的坦诚发布说明。
关于演示版本质量的投诉虽然有道理,但偏离了重点。真正值得关注的是底层平台,短短几周内社区就在其上开发出了数百个插件,其中至少有十个是官方演示版本尚未实现功能的独立版本。
优点
首先是其真正的网页界面。两年来,业界一直将编程工具以终端形式提供,流程在终端中运行,而非由人操作。dsh则提供了一个快速、简洁的网页界面,该界面保持常开状态,用户可以点击并展开任务,查看步骤、工具调用信息以及运行系统中的上下文,而这些内容不会被埋藏在日志文件中。
它的速度也很快。借助在线 API,响应速度足够快,使得用户界面交互体验良好,而且比 OpenClaw 那种粗糙的界面更加流畅。它默认会启动多个子代理。标准模式不会先询问用户,就会直接创建子代理并分配任务,对于具备强大并发能力的云 API 来说,这种操作体验相当不错。不过使用本地模型时,这种便利性就会变成规划上的难题。
准备投入使用
首先,这只是一个开发者预览版本,行为也如同预览版。不同版本之间 API 名称会改变,存储后端可能会消失,配置格式也会随之调整。请锁定你安装的版本。可以利用它来了解相关功能的工作原理,这无需任何成本,但暂时还不要围绕它来调整你的日常流程,因为版本更新时情况可能会发生变化,昨天能运行的脚本今天可能就无法运行了。
其次,本地模型需要任务槽位,而且是真正的槽位。标准模式下会大量生成子代理,每个子代理都会向你配置的LLM接口发送自己的请求。使用默认的单任务槽位本地llama.cpp服务器时,系统会逐渐变得卡顿。子代理会占用主代理的槽位,因此当主代理恢复工作时,其上下文已经丢失,每次往返都需要重新从头填充整个提示词。在云API面前这是优势的并行处理方式,但在仅有单任务槽位的机器上却会变成无休止的提示词重新处理过程。
解决办法在于架构设计:为本地模型设置多个接口。llama.cpp的--parallel N参数可应对较低的并行度需求。不过,对于需要子代理的日常应用,应选择以并发为核心设计的引擎,如vLLM或SGLang,这类引擎的连续批处理功能正是为此类场景设计的。一个人对应一个对话的模式已经是过时的做法,这类应用需要合适的服务器支撑。
适用场景
DeepSeek Harness并非要超越Claude Code成为另一个Claude Code,也不是要立即取胜。它是一个采用MIT许可的开源框架,等待人们为其编写自定义工具、插件,胆大者甚至可以自行开发代理循环。其核心特色——代理在运行过程中能够自我修改——同时也体现了它的理念:代理不再是固定成品,而是会不断演变的动态软件,而框架则充当其持续重塑的“躯体”。
一个合理的做法是先使用云密钥进行尝试,体验一下网页界面和轨迹视图的功能。如果只能在本地运行,则需要准备多插槽服务器或要有足够的耐心。之后再编写第一个插件,因为目前的生态系统还处于发展初期,而这样的新兴环境会记住那些早期的开拓者。
快速设置
若想在笔记本电脑上运行它,可以让任何代理帮忙设置,或者运行类似这样的脚本,该脚本会检查是否安装了Node 24(项目要求版本为22.19或更高):
#!/usr/bin/env bash
# DeepSeek Harness — quick setup (macOS / Linux)
set -e
# 1) Node 24 (repo requires 22.19+ or 24+)
if command -v nvm >/dev/null 2>&1; then
nvm install 24 && nvm use 24
else
echo "Install Node 24 first (https://nodejs.org)"; exit 1
fi
# 2) Fastest path - no clone needed
npx @deepseek-ai/dsh web
# opens http://127.0.0.1:3080 - set your API key under Settings → Models
# 3) From source (what I did - recommended if you want to read the code)
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
corepack enable
pnpm install
pnpm run build
pnpm dsh web
# 4) Local model users: serve with multiple slots first!
# vllm serve <model> --max-num-seqs 4 (or SGLang / llama.cpp --parallel N)
# Then in the dsh UI: Settings → Models → Add custom provider
# base URL http://127.0.0.1:8000/v1, protocol openai-completions
相关阅读
- 智能体即循环结构:LangChain create_agent与LangGraph Fit的对比 —— 用二十行代码实现工具调用型智能体,循环结构会引发的四种实际问题,以及何时应从LangChain create_agent转向LangGraph状态图。
- 你的智能体框架很可能设计过度:哪些部分可以删掉 —— 随着模型性能提升,框架结构会变成负担。本文将解释冗余代码和过度上下文消耗是如何累积的,以及如何测试哪些部分仍具有存在的价值。