夜雨聆风2026 年 8 月 13 日，DeepSeek 开源了一个东西：DeepSeek Harness（命令行名 dsh）。它和 DeepSeek 模型其实没绑定关系，却可能是这轮 agent 浪潮里最值得普通开发者上手的开源项目之一。
一句话先讲明白：DeepSeek Harness 是一个开源的 agent 运行时（runtime）。 它不训练模型、不发布新模型，而是把你手里的模型，"套"进一套能读文件、跑命令、记会话、管权限、接工具的工程骨架里——让模型从"会说话的接口"变成"能干活的人"。
官方给了一个极简公式：Model + Harness = Agent（模型 + 运行层 = 智能体）。本文分三块讲清：它到底是什么、底层架构原理、以及怎么把它跑起来。
一、它到底是什么：不是模型，是"车架"
很多人第一次听到 DeepSeek Harness，会以为这是 DeepSeek 的新模型，或者一个训练框架。都不是。
它不是一个新模型； 它不是模型训练框架；
它只是 agent 的运行时。
AI 智能体 = 模型 + harness。
模型负责"推理"和"语言"；harness 负责给模型一套受控地接触外部世界的方式。你发出一个请求，Harness 内部依次做这些事：
你的请求
↓
DeepSeek Harness
├── 装配模型上下文（把哪些信息塞进这次请求）
├── 暴露已审批的工具（文件、Shell、搜索…）
├── 管理 workspace（工作区）
├── 执行工具调用
├── 记录会话（session log）
├── 施加审批 / 沙箱策略
└── 通过 UI 返回结果
↓
配置好的模型
模型决定"它想做什么"；harness 决定"这个动作怎么被表示、执行、记录、约束"。
为什么模型需要 harness？ 假设你对一个普通聊天模型说："在这个仓库里找到认证 bug，修掉，并跑测试。"模型除了聪明，还需要一整套能力才能干成：发现仓库结构、读相关文件、搜相关代码、改实现、跑测试套件、看失败信息、再改一次、把发生过什么记下来。没有 harness，你只有一个"能告诉你代码大概长啥样"的模型；有了 harness，你才有一个"能在你授权范围内真正去检查和改动真实环境"的智能体。
但请注意最后这句：harness 让模型更有用，也让他更"能闯祸"。 工作区边界、审批、沙箱、人工复核，一样都不能少。
二、核心架构原理：一切皆插件
DeepSeek Harness 最根本的设计信条只有一句话：Everything is a plugin（一切皆插件）。
模型、工具、技能（skills）、会话、沙箱、存储、agent 循环（loop）、调度（scheduling），甚至 UI 本身——全都是插件。在这些插件下面，是一个叫 Cordis 的插件内核。
Cordis 是什么？ 它是一个"插件元框架"，只负责三件事：把插件加载进来、卸载掉、理清它们之间的依赖关系。它自己不携带任何 agent 能力——能力全来自插件，插件之间靠 Cordis 的"服务（services）"和"事件（events）"互相通信。
Cordis 的设计源自 Koishi 聊天机器人框架，有一个很关键的特性叫可逆副作用（reversible side effects）：插件注册时产生的一切副作用（比如往全局挂了监听器、改了配置），都会被记录，插件卸载时自动回滚。正是这个特性，让 DeepSeek Harness 做到了真正的热插拔——装/卸插件不用重启进程。
这套架构带来一个很实在的后果：任何能力都能在"配置层"被选择、替换或扩展，而不用改 harness 的源码。 举个例子，理论上你可以把下面任意一项换掉：
把一家模型供应商换成另一家； 把本地 Shell 后端换成远程沙箱； 把默认存储实现换成自定义存储； 把一套审批策略换成更严格的策略； 把标准 agent 循环换成专门的工作流； 把浏览器 UI 换成另一个客户端。
一句话概括它的形态：一个极薄的内核 + 一袋可自由组合的零件，而不是一个单体 agent 工具。
可观测性：所有运行都可追溯。 DeepSeek Harness 用一份只追加（append-only）的会话日志记录每一次运行——包括提示词、消息、工具调用、工具结果、上下文注入和 agent 活动。所谓"恢复、分叉、搜索、重放、检视轨迹"这些功能，都是从这条事件流里长出来的。调试时你可以回答这类问题：它为什么改了这个文件？哪条工具结果让它改了方向？它当时到底看到了什么上下文？多步任务从哪一步开始崩的？问题出在模型、工具，还是 harness 配置？
三、四种工作模式
DeepSeek Harness 内置了多个工作模式，常见包括：
标准模式（Standard）：完整的 coding-agent 工具集； 极简模式（Minimal）：压掉大部分能力，适合做基准测试 / 干净对照； 创造模式（Creator）：方便你折腾插件和预设； PTC 模式（Programmatic Tool Calling，程序化工具调用）：让模型写一段程序，一次性执行长流程任务，中间数据留在执行环境里，能显著省 token。
按需切换，不必全程顶配。
四、怎么部署：一行命令或者从源码构建
前置要求： Node.js 版本需满足 ^22.19.0 || >=24.0.0（即较新的 Node 22（≥22.19）或 Node 24+ 都可以，Node 23 不在支持范围内）。
方式一：最快上手（npm）
npx @deepseek-ai/dsh web
执行后默认在本地 http://127.0.0.1:3080 起一个 Web 界面，浏览器打开即可。注意：Harness 本身不带模型、不带密钥、不带供应商——这些要你自己配。
方式二：从源码构建
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web
仓库是一个用 pnpm 管理的 TypeScript monorepo：packages/ 下是几十个插件包（session、sandbox、mcp、llm、plan、schedule、skill、subagent、terminal、workflow…），apps/cli 与 apps/web 是命令行和网页端，python/ 下还有 Python SDK。
配置你的模型：
启动后进入 Settings → Models → Add provider，填入 provider 信息（id、base URL、API 协议、凭证、模型列表）。如果接的是自定义 OpenAI 兼容端点，还可以显式声明模型支持哪些模态，例如：
models:
- id: vision-preview
input: [text, image]
因为端点无法被反向查询"支持什么模态"，所以未声明的模型会被当成纯文本处理。
一个最小上手场景： 让它在你的仓库里"找认证 bug → 修复 → 跑测试"。它能检视仓库、编辑文件、执行 shell、搜索文件与 Web、维护计划、调用技能、把活派给子智能体，并强制走审批策略——这就是一个完整的 agentic coding 循环。
五、可以干啥
如何使用
搭一个 agentic coding 循环：在你的仓库里"找认证 bug → 改实现 → 跑测试 → 复盘"。模型只管推理，读文件、跑 shell、搜代码、维护计划、调技能、派子智能体、走审批策略，全是 harness 的事。 当多 harness 的横向评测底座：一条命令起好环境，还能把 Claude Code / Codex 当作子智能体拉进来对比——一个下午就能跑完一轮对照实验。 当可组合的能力骨架：模型供应商、沙箱后端、存储实现、审批策略、agent 循环、UI 客户端，都可以在配置层替换，不用碰 Cordis 内核源码。 当可复盘的研究环境：append-only 会话日志让你可以重放轨迹、定位"从哪一步开始崩"、区分问题出在模型、工具还是配置。
使用须知
会话存档还不保险：它把你每次运行的过程存在本地文件里，但这个存档格式还没稳定。将来版本一升级，新程序很可能直接打不开旧存档，官方也不提供转换办法。你今天能接着干的会话，下个版本也许就读不回来了——所以别拿它当长期记忆来用。 沙箱只管文件系统：默认只约束文件层面的副作用，不是完整网络沙箱（Windows ACL 等部分情况仍是部分生效），别指望它替你隔离出网。 它是 developer preview：官方明说会有破坏性兼容性变更；GitHub Issues 标签关闭，问题走 Discussions。上线前逐个核实所选插件的权限与可观测性行为。
想直观看看它跑起来的样子？下面是官网的产品功能演示视频截图：
总结
DeepSeek Harness 在 2026 年 8 月 13 日开源，同一天 DeepSeek 上调了 V4-Pro 的 API 价格。这两件事是同一个动作的两半：编排免费、推理收费——harness 开源可改，模型推理按 API 计费。
它把"harness 工程"这件原本停留在大厂内部和概念文章里的事，变成了一个人人可 fork、可换零件、可复盘轨迹的开源运行时。底层是 Cordis 薄内核 + 一切皆插件，能力在配置层组合，运行全程有日志兜底。
回到那句老话：模型决定上限，harness 决定你能把上限兑现多少。DeepSeek 把"车架"开源了，发动机你自己带——剩下的，是看你怎么把它拼成一辆能上路的车。
参考
DeepSeek Harness 官方仓库（GitHub，MIT，developer preview）：https://github.com/deepseek-ai/deepseek-harness DeepSeek Harness 官方产品页（本文封面与视频截图来源）：https://www.deepseek.com/harness/
微光难以致远，万千善意可赴山海