乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > 一切皆插件,DeepSeek Harness 到底想改变什么?

一切皆插件,DeepSeek Harness 到底想改变什么?

当前时间： 2026-08-17 18:22:05 分类：办公文件 评论(0)
一切皆插件,DeepSeek Harness 到底想改变什么?
DeepSeek Harness 终于来了。
网上已经有不少介绍，但看别人“尬吹”，不如自己跑一遍。
安装并不复杂，打开终端，执行这条安装命令：
npx @deepseek-ai/dsh web
安装完成后，终端会给出一个本地端口，直接复制到浏览器打开即可。
过程中会让你输入 API Key，大家按需填写即可。
进入后，左边是工作区，右边是会话区。第一眼看上去，很像 Claude Code、Codex、WorkBuddy 这类 Harness。
DeepSeek Harness 最重要的设计原则：一切皆插件。

我很好奇：DeepSeek Harness 这种设计原则，和 Skill、MCP 等概念之间到底是什么关系？

于是，我直接向 DeepSeek Harness 提问：
它先给了我一大段专业解释。坦白说，我也没有完全看懂。继续往下拆，才慢慢抓住重点：
在 DeepSeek Harness 里，插件是“组装整个 Agent 运行时”的底层机制；Skill 和 MCP 是两种不同的功能，但在实现上都被包装成了普通插件。
模型连接、工具、Skill、MCP 接入、Agent 循环、界面模块，都使用同一套插件机制装配。
所以，DeepSeek Harness 想表达的是：Harness 的主体 = 很多插件组装起来的系统。
而这个系统里，最核心的机制是Cordis。它主要负责三件事：
  1. 加载插件；
2.管理插件之间的依赖；
3.插件关闭时把相关资源清理干净；
可以把 Cordis 理解成一块插线板。模型、工具、Skill、MCP 和 UI，都是插在上面的不同模块。
Cordis 插线板├── 模型适配器├── Agent 主循环├── Skill 系统├── MCP 客户端├── 文件工具├── 搜索工具└── UI 模块
读到这里可能还会有些懵，我再举个例子：
我们在用 Claude Code、Codex、Workbuddy 这类产品时，能管理的其实就是 Skill、MCP 之类的，其他的所有东西，全部都是产品提前封装好的，你改不了，没事也不会去改。
而在 DeepSeek Harness 中，所有所有所有的这些东西，全部都被包装成了插件——也就是说，你全部都可以自定义了。
但是，对普通用户来说：
你不需要因为“一切皆插件”，就再去学一种复杂的插件开发方式。
我们大致还是可以按这个顺序来使用这类Harness产品：
  • 只是想让 Agent 按某种流程工作：写 Skill。
  • 想接入 GitHub、浏览器、数据库等外部服务：接 MCP。
  • 想改变 Harness 的主循环、工具系统、界面或底层行为：才研究 。

DeepSeek Harness 目前提供四种模式，分别解决什么问题？

标准模式

这是默认模式，也是“99% 的人 99% 的时间”应该使用的模式。
它拥有完整的能力：文件读写与编辑、命令行、搜索、Skill、计划、目标、子代理、工作流等。
它解决的是：像 Claude Code、Codex 一样，直接完成完整的编码和文件任务。
适合：日常开发、修改文件、搜索代码、写脚本、多轮协作、普通办公等；
PTC 模式
它的机制是：模型不再逐个直接调用 25 个工具，而是只调用一个run_code——写一段 TypeScript，在程序里批量调用文件、命令等工具，最后只把筛选后的结果返回给模型。
例如，搜索上百个文件，统计所有 TODO，去重、排序，最后只告诉我结果。
如果你的任务是“步骤很多、中间产物很大、最后只需要一个结论”，可以试 PTC；否则留在标准模式。
极简模式
极简模式只有两个工具：一个持久化的bash，一个简单的文件编辑器str_replace_editor。
它不是“更快的标准模式”，而是尽量把 Harness 拔掉，用来测模型本身到底有多强。
因为模型排行榜测到的经常不是“模型能力”，而是：模型能力 + 工具 + 提示词 + 上下文管理 + Agent 框架；
所以，极简模式就是把后面这些统统去掉，只测模型能力。
这种模式，普通用户基本用不上。
创造模式
它适合想研究 Harness 内部机制、想打造自己的第五种模式、想让 Agent 自己扩展工具、想做框架开发和实验的人；
不适合用来做日常工作、处理重要文件。
我目前只体验了标准模式。一个小细节是：模式只能在新建的空白会话中切换，不能聊到一半再换。

DeepSeek Harness 让我印象深刻的功能，是“轨迹”

从图中可以看到，上方时间轴把整个任务拆成了 Input、Model、Tools 三类阶段；
下方则逐条展示 Assistant 输出、bash 工具调用、用户确认以及系统注入的 Context。
底部还记录了模型耗时、工具耗时、首 Token 延迟、生成速度、缓存命中率和 Token 消耗。
因此，它回答的不只是“Agent 最后说了什么”，而是：
  • 模型在每一步看到了什么；
  • 为什么决定调用这个工具；
  • 工具实际执行了什么；
  • 哪段上下文是用户提供的，哪段是系统或插件注入的；
  • Agent 从哪一步开始偏离目标；
  • 时间和 Token 主要消耗在哪个环节；
  • 出现错误后，能否把当时的现场重新还原出来。

最后，我让 DeepSeek Harness 帮我开发了一个小游戏。

我的需求描述得很简单，大概 3 分钟，这款小游戏就开发出来了。开发过程中，它还会自己检查、验证程序是否正常。
而且，让我惊讶到的是，整个过程的缓存命中率达到了 94%。
开发小游戏往往需要多轮操作：读代码、改文件、运行测试、再修改，上下文越来越长。
94% 的缓存命中意味着，模型不用每一轮都重新为 94% 的旧上下文支付全价。

写到最后

我觉得从产品角度来说，DeepSeek Harness 目前对普通用户还是非常不友好的。
开发者术语太多，使用门槛太高，功能还少，体验也不够成熟。很多普通用户可能还没有感受到它的价值，就已经在安装和配置环节被劝退了。
但官网也说明了，目前的 DeepSeek Harness V1.0 属于开发者预览版本。
但从产品角度，我依然觉得“一切皆插件”很有意思。
DeepSeek Harness 想做的，可能不只是另一个 Claude Code 或 Codex，而是把 Agent 从一个封装好的产品，变成一套可以被用户重新组装的系统。
这条路最后能不能走通，还需要继续体验。
但至少，它已经提出了一个值得认真讨论的新方向。
官网地址：https://www.deepseek.com/harness/
开源地址：https://github.com/deepseek-ai/deepseek-harness