一切皆插件

一位律师的 DeepSeek Harness 实战记

—— 飞书发指令，电脑自己干活

2026年8月13日，DSH（DeepSeek Harness）开发者预览版 v0.1 面向全球开发者开放测试，同步以 MIT 协议开源。这个对标 OpenAI Codex 和 Anthropic Claude Code 的 AI Agent 运行框架，打出的核心口号是五个字：一切皆插件。

作为一名律师，我的第一反应不是"又一个 AI 工具来了"，而是"能不能立刻用它干点实事"。

结果是：我用 DSH 协作搭建了一个飞书远程控制电脑的机器人，从部署到开源，一天内全部完成。这篇文章就是那次实战的完整记录。

DSH 是什么

DSH 是 DeepSeek 开源的一个 AI Agent 运行环境。通俗讲，它是一个"让 AI 模型能实际操作电脑"的框架——模型负责思考和决策，DSH 负责提供工具、沙箱、会话管理和调度执行。

它的核心设计理念是"一切皆插件"。基于 Cordis 插件系统，模型、工具、技能、会话、沙箱、存储、循环、调度、UI（用户界面，User Interface）等所有能力都是独立插件，可以自由替换和重组。开发者不需要改动 DSH 的源码，就能以插件方式扩展或替换任何一项能力。

DSH 提供四种运行模式：

标准模式：提供完整的工具组合，日常使用首选

PTC（程序化工具调用，Programmatic Tool Calling）模式：由模型生成一段代码来组合多轮工具调用，适合复杂任务编排

极简模式：只保留一个 shell 工具和一个文件编辑工具，用于最小环境下的模型基准测试

创造模式：可以检查当前运行时、在内存中试验插件，组合创作新的模式

还有一个设计让我印象深刻：每一次运行都有迹可循。模型看到的一切——系统提示词、思维链、工具调用与结果、子 Agent 调度——都会写入仅追加设计的会话日志。在 Trajectory 视图中，你可以按来源查看这些信息，恢复、分叉、检索与回放都共享同一份事件流。

这意味着什么？你用 DSH 做过的每一件事，都可以回头审视、复盘、改进。对于一个想把 AI 用在严肃工作场景里的人来说，这一点至关重要。

第一时间部署

DSH 的部署方式有两种。

快速体验一行命令搞定：

npx @deepseek-ai/dsh web

我选择从源码构建，因为想看清楚它的内部结构：

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

环境要求：Node.js 22 以上版本、pnpm 包管理器。构建过程约 3-4 分钟，包括 TypeScript 编译、打包和前端构建三步。这里有一个小坑：pnpm 不要用 npm install -g pnpm安装，会有 native binary 问题。正确做法是用 Node.js 自带的 corepack：

corepack enable pnpm
corepack prepare pnpm@11.7.0 --activate

服务启动后，浏览器访问 http://127.0.0.1:3080，配置好 API（应用程序接口，Application Programming Interface）Key，就可以开始了。

我配置完模型和工作区后，打开 Trajectory 视图看了一眼——模型的每一步思考、每一次工具调用、每一个结果返回，都清清楚楚地列在那里。这种透明度，是我在其他 Agent 工具里很少见到的。

为什么要造飞书远程控制

原因很简单：律师的工作场景高度移动化。

开庭、出差、会议中，我经常需要远程操作电脑——查个文件、跑个脚本、拉取最新的法律检索结果。手机上打字发消息很容易，但如果能让电脑自动执行命令并把结果回传到飞书，效率就是指数级提升。

之前我用过 Hermes Agent 做飞书接入，也搭过 Codex 法律 Agent 的飞书 Bridge。这些探索积累了不少经验，但我一直想要一个更通用的方案：不依赖特定 Agent 框架，用最轻量的方式实现"飞书发指令、电脑自动执行、结果自动回传"。

DSH 的开源和"一切皆插件"的理念，让我觉得时机到了。

与 DSH Agent 协作搭建

整个项目是和 DSH 的 agent 对话协作完成的。我负责提需求和做决策，DSH 负责写代码、调试和打包。

技术架构不复杂：

飞书消息 → lark-cli 监听事件 → bot.py 解析指令 → 本机 shell 执行 → 自动回传结果

但要把这条链路跑通，需要解决一系列问题。整个过程分了 11 个里程碑：

每一步都是和 DSH agent 实时对话推进的。我描述需求，它给出方案和代码；遇到报错，它排查原因、给出修复。整个过程像是在和一个高效的工程师结对编程。

踩坑实录

项目踩了不少坑，挑最有价值的两个分享。

坑一：launchd 服务卡死（最耗时）

macOS 用 launchd 管理开机自启服务。配置好后，launchctl list显示进程有 PID，但 pgrep bot.py找不到进程，状态一直卡在 xpcproxy。

排查了很久，对照一个能正常工作的 plist 文件，发现差异在于：缺少 HOME和 PATH环境变量。launchd 的默认 PATH 不包含 Node.js 所在目录，导致 lark-cli 起不来，bot 启动即退出。

解决方法是在 plist 的 EnvironmentVariables中补齐 HOME 和 PATH，特别是要把 node 和 lark-cli 所在的目录加进去。

教训：launchd 不是终端环境，它不会继承你的 shell 配置。所有依赖 PATH 的程序，都必须在 plist 里显式声明。

坑二：gh repo transfer 子命令不存在

我用的 gh 版本（2.97.0）没有 repo transfer子命令。改用 REST API（应用程序接口，Application Programming Interface）解决：

gh api -X POST /repos/旧owner/仓库名/transfer -f new_owner=新owner

目标账号会收到邮件，点链接接受即可。

回到"一切皆插件"

项目做完后，我对 DSH "一切皆插件"的理念有了更深的理解。

传统的 Agent 工具通常是"一体化"的——模型、工具、会话管理打包在一起，用户能调整的空间有限。DSH 的做法是把每一项能力都拆成独立插件：想换模型？换插件。想换沙箱？换插件。想加一个新工具？写个插件。

这意味着你不会被锁定在某一个技术栈上。今天用 DeepSeek 的模型，明天想换 OpenAI 或 Anthropic，改个配置就行。对于想长期使用 AI Agent 的人来说，这种可组合性比任何一个具体功能都重要。

四种运行模式的设计也体现了同样的思路：不同场景需要不同的工具组合，不是每个人都需要"全家桶"。极简模式只给 shell 和文件编辑两个工具，反而更适合做模型能力评测——没有花哨的工具干扰，模型的真实水平一目了然。

而仅追加的 Trajectory 会话日志，解决的是"信任"问题。当 AI Agent 在你的电脑上执行操作时，你需要知道它到底做了什么。DSH 把每一步都记录下来，不可篡改，可以回溯。这不是锦上添花，而是 Agent 走向严肃应用场景的必要条件。

写在最后

作为一名律师，我并非专业程序员。但在这个 AI Agent 快速发展的时代，"会不会写代码"正在变成"能不能用 AI 工具解决实际问题"。

DSH 的开源意味着：任何人都可以在这个"一切皆插件"的基础上，组合出自己需要的 Agent 能力。律师可以用它搭建法律检索系统，医生可以用它整理病历，研究者可以用它分析数据——而你需要做的，只是描述需求，剩下的交给 AI。

这个项目的代码已经公开在 GitHub 上，欢迎 fork、PR、提 issue。

https://github.com/wxlawyers/lark-remote-control

用代码重塑法律工作流的律师

本项目由 DeepSeek Harness agent 与用户协作完成。
DSH 仓库：https://github.com/deepseek-ai/deepseek-harness
飞书远程控制项目仓库：https://github.com/wxlawyers/lark-remote-control