上周的 8 个插件没白装:DeepSeek Harness 10 天迭代 5 次,这 3 个新能力今天就能用

上周我们跑通了 DeepSeek Harness，装了 8 个必装插件。文章发出到现在，这个项目又干了一件让人措手不及的事——8 月 17 日到 27 日，10 天发了 5 个版本（GitHub Releases 全部可查，均为 immutable tag）。

别人的开源项目是按月发版的，DeepSeek 是按天。它补齐了多模态、把 Claude Code 和 Codex"招安"成了自家子代理、让模型自己写多 Agent 编排脚本，写稿当天（8/27）又追加了 alpha 版，把子代理的模型调度权也放开了。上次教的插件还热乎，新玩法就来了。这篇把 5 次迭代里真正能上手的 3 个新能力讲透。

一、先看这一周它干了什么

两个容易看漏的细节：

• 版本号跳到了 0.1.1 再到 0.1.2。8/21 的两个 rc 其实是 v0.1.1 系列，不是 v0.1.0 的尾巴——功能性版本（视觉模型、Workflow）和修复版本分开走，说明它的发版是按里程碑推进的，不是攒一堆混着发。
• 每个 tag 都是 immutable 的（绑死 release 不可复用），配合"固定版本 + 记录 profile"的回退策略，版本管理是认真做的。

一个背景数字：上周文章写的时候 Star 是 4 万出头，现在到了18 万+。10 天迭代 5 次，还都是在预发布（pre-release）状态下的高速演进。

先说结论：这 5 个版本里，有三个能力值得你现在就动手用起来——看图、招安、编排。下面逐个实操。

二、新能力一：看图（多模态），两条通道任选

这是 rc.8 的重头戏，也是社区讨论最激烈的一项。先说清楚一个容易误会的点：这次补的是"通道"，不是"眼睛"。具体看配置和模型。

2.1 通道一：原生看图（真视觉）

如果你的模型本身支持图片输入，图片会直接送进模型。操作上就三步：

1. 升级到 rc.8+（安装命令见文末）
2. 在模型配置里给视觉模型声明图片模态
3. 用 /goal、/plan 直接发图文，或输入框 @ 引用本地图片

模型配置长这样（DeepSeek 适配器的 dsh.yml 或对应提供方配置）：

- id: llm-deepseek  name: '@deepseek-ai/dsh-llm-deepseek'  config:    apiKeyEnv: DEEPSEEK_API_KEY    baseURL: https://api.deepseek.com    models:      - id: deepseek-v4-flash-vision-exp        name: DeepSeek V4 Flash Vision Exp        inputModalities: [text, image]

关键就一行：inputModalities: [text, image]。没声明这行的模型，Harness 在发请求前就拒绝图片。

一个必须知道的限制：DeepSeek 默认公共 chat-completions 路由仍然是纯文本，不能靠本地配置硬开出视觉。目前官方可用的视觉路线是实验模型 deepseek-v4-flash-vision-exp——同 V4 Flash 价格，但没出技术报告和 benchmark，属于"先占坑"状态。

2.2 通道二：工具层"伪视觉"（纯文本模型也能看图）

这是 rc.8 最骚的设计，也是社区实测扒出来的隐藏逻辑。

当你用的是不支持图片的纯文本模型（比如默认的 V4 Flash），上传图片时 read_image 会先失败——但任务不会终止。Harness 自动降级到一条工具链：

上传图片   ↓ read_image 失败（模型不支持图片）   ↓ 自动降级，五步工具链：   ① OCR 文字识别        → 图中所有文字 + 坐标   ② 颜色统计            → 像素占比（如 白95.5% / 黑1.4% / 红0.9%）   ③ 像素行扫描          → 检测目标色像素位置（y=304, red=72）   ④ 图片元信息          → 尺寸、色彩模式、四角/中心颜色采样   ⑤ 拼成结构化证据      → ”白底黑字·樱桃红装饰·三段式布局”   ↓ 交给文本模型”脑补”

开发者实测的效果：对 PPT 截图、软件界面、流程图、报错截图这类结构清晰的图片，描述非常准；遇到真实照片、复杂空间关系就明显吃力。

为什么这个设计值得高看一眼？因为它把"视觉"从模型功能拆成了可编排的工作流环节——视觉大模型走原生通道，纯文本模型走工具层通道，两条路径并行。对 Coding Agent 来说，日常遇到最多的恰恰是截图、设计稿、报错界面这类"结构明确的图片"，工具层完全够用。

2.3 实操提醒：图片是有"预算"的

图片不是无限塞的，本地附件层有两层预算：

超预算时，适配器会从最旧的图片开始用占位文字顶替，直到请求落回上限——被省略的图不会删除，但模型当前请求里看不到，需要时要重新读文件。

顺带一提，8/27 的 alpha.1 又把这块的体验补了一圈：图片发送后立即显示，压缩和上传挪到后台继续；上下文压缩时会把图片占用也计入（以前只算文字，图片会悄悄撑爆上下文）；超长截图的压缩后清晰度也改善了。想要更顺滑的看图体验，直接上 alpha.1（注意它还没发 npm，源码运行方式见第五节）。

三、新能力二：把 Claude Code 和 Codex"招安"成子代理

这条一定要细看，因为它透露了 DeepSeek Harness 的真正野心：它正在从"DeepSeek 自己的 Agent 工具"，变成一个 Agent 的统一调度层。

3.1 发生了什么

• rc.7：Claude Code 和 Codex 的子代理任务接入任务面板（Job Panel）
• rc.8：两者升级为 Profile Bundle，按需安装——不再跟主体一起分发，需要时再装
• Codex 特殊待遇：新增非交互权限模式，还支持同时跑多个命名实例
• 配套的 reportDelivery 机制：子代理干完活会主动唤醒父任务，父 Agent 不用干等

翻译成人话：你可以在一个任务里，让 DeepSeek 模型做规划和推理，派 Codex 子代理去处理特定代码库，再派一个 Claude Code 子代理干另一件事。它们不再是外部竞品，是你工作流里可以随时调度的"队友"。

8/27 的 alpha.1 又给这条线加了一块关键拼图：子代理可以指定模型了。启动子代理时能直接指定提供方、模型、推理力度（reasoning effort）和最大输出长度；更进一步，开启"子代理模型选择"后，Agent 自己能在授权范围内挑提供方、挑模型、挑推理力度——也就是说，主 Agent 可以判断"这个子任务用便宜模型就够、那个需要火力全开"，自己完成成本和能力的分配。Claude Code、Codex 子代理同样支持配置模型。招安之后，连"用哪个脑子"都归你（和 Agent）管。

3.2 实操：怎么派活

DSH 内置了 4 个派活工具和 3 个后台管理工具，逐个说：

后台管理三个：list_agents 查看运行状态、send_message 给某个子代理补充要求、interrupt_agent 中断当前任务。

@用户登录功能需求文档（简易版）.md 你的角色：总规划师。1. 先完整理解用户需求，做任务拆解，输出整体规划。2. 代码库阅读、代码实现、工程修改任务，不要自己写，派给【coding子代理】。3. 架构评审、风险评估、文档撰写、边界分析任务，派给【review子代理】。4. 使用@agent 指令派生子代理，把子任务完整打包下发，不要拆分细碎对话。5. 等待两个子代理返回结果，再做汇总、校验、冲突处理，输出最终结论。@agent(name=coding_agent, model=deepseek-v4-pro)任务：阅读本地代码库，完成XX模块编码实现，输出可落地代码。@agent(name=review_agent, model=qwen3.7-max)任务：对方案做架构评审，识别风险点，输出测试用例清单。

一个实战组合拳（实测过的场景）：

用 subagent_fork 基于刚才的审查报告写总结（子代理自动继承了父会话的审查结果，不用重新贴一遍）→ list_agents 看到它在跑→ send_message 补一句：”重点检查触控区域和减弱动效的实现”→ interrupt_agent 停掉当前轮次，Agent 状态从 running 变 idle

注意：interrupt_agent 只中断当前这一轮，不销毁子代理，随时可以再唤醒。

3.3 一个反直觉的用法：ralph

ralph 的设计思路值得单独说——换人，比纠正人管用。

它每一轮都用全新的子代理推进同一个目标，每轮之间只传一份结构化交接报告，不继承对话历史。实测跑 3 轮检查一个提交：第二轮的子代理直接修正了第一轮的优先级判断，合并了重复内容，还补上了第一轮漏掉的问题——干完它自己判定目标已达成，第三轮都省了。

防"越干越钻牛角尖"，这个工具就是答案。

四、新能力三：Workflow，让模型自己写多 Agent 编排脚本

这是 8 月 21 日 v0.1.1-rc.2 正式进入 Standard 预设的能力，也是我认为最值得把玩的一个。

4.1 它是干嘛的

以前你想并行派 4 个 Agent 干 4 件事，得自己反复发指令、等结果、再发下一轮。Workflow 的做法是：你给一个任务，模型先写一段 JavaScript 编排脚本，脚本负责派活和汇总，一次执行完。

脚本能调用的编排原语：

// 启动一个子 Agent，可按 JSON Schema 要求返回结构化结果const r1 = await agent(”审查模块边界”, { schema: auditSchema });// 并行放出一组任务，在同一屏障处等待全部返回const results = await parallel([taskA, taskB, taskC]);// 流水线：第一阶段输出喂给第二阶段const out = await pipeline([stage1, stage2]);// 标记阶段 + 上报进度phase(”审查中”);log(”3/4 完成”);

几个必须知道的边界：

• 脚本本身不能碰文件、网络、定时器或 Node API——它只负责排班，真正读文件查资料的是子 Agent
• 并发数和 Agent 总数受配置上限控制
• 脚本执行在独立 Node worker 线程里，返回 JSON 可序列化数据
• 脚本参数非法、Schema 不支持、超 Agent 上限，会直接中断 Workflow，不会变成普通子代理失败——这点对"区分干净审计和部分执行"很重要

4.2 实操模板：四路并行 Code Review

官方社区给了一个四路并行只读审计的模板，我精简后贴出来，直接能用（先在小仓库上试，再调文件路径和命令）：

用 Workflow 对当前仓库做一次并行预发布审计。硬性约束：- 必须用 Workflow，整个审计只读，禁止创建/修改/删除/移动任何文件- 禁止运行任何会重写锁文件、快照、缓存、生成产物的命令启动四个独立子 Agent：1. 检查模块边界和依赖方向2. 检查错误处理和失败路径3. 检查测试覆盖和高风险未测行为4. 检查输入校验、授权边界、外部数据信任每个子 Agent 必须返回结构化 JSON，每条发现包含：area / severity(critical|high|medium|low) / file / line / evidence / impact / recommendation / confidence并列出 files_read、commands_run、limitations。文件或行号无法核实的，不许当发现上报。收到四份结果后：1. 同根因的重复发现合并2. 无代码证据的删除3. 按严重度排序，同级按置信度排序4. 分 confirmed / needs_verification / rejected 三组返回5. 子 Agent 失败的，报告 partial_result 和缺失范围，不许编造结果

这个模板的关键设计是用 JSON Schema 钉死返回结构，四路并行产出统一格式的证据，主 Agent 去重、排序、分档——这套结构可以平移到任何"并行审计"场景：依赖安全检查、性能回归、配置核查……

4.3 100 文件审计的进阶版

官方示例里还有个更狠的玩法：审查 100 个源文件，每个高风险结论再由另一个 Agent 复核——

100 个文件 ├─ 为每个文件启动审计 Agent ├─ 统一返回 { 文件, 风险, 证据, 严重度 } ├─ 只把高风险项送给验证 Agent 复核 └─ 主 Agent 去重汇总报告

人工干这事要协调几十次，模型自己写编排脚本，一次成。这就是"把 agent 调度从手动挡换成自动挡"。

五、升级前，五个坑必须先知道

新能力虽好，但这波版本是"开着飞机换引擎"式的迭代，动手前把雷区排了：

1. 先搞清楚 npm 上到底有什么。写稿时查了 dist-tags：latest 和 next都指向 0.1.1-rc.2（8/21 发布），也就是说现在直接装默认就能拿到多模态、子代理和 Workflow 这三大能力：

npm i -g @deepseek-ai/dsh# 或 @next，等效

但注意：8/27 的 v0.1.2-alpha.1 还没发 npm（registry 上最新就是 rc.2）。想尝鲜 alpha.1 的子代理模型调度，目前只能从源码跑：

git clone https://github.com/deepseek-ai/deepseek-harness.gitcd deepseek-harness && pnpm install && pnpm run buildpnpm dsh web

另外官方 README 给的零安装方式是 npx @deepseek-ai/dsh web，本地起 Web UI（默认 http://127.0.0.1:3080），SSH 远程只打印宿主机 URL，加 --no-open 可不弹浏览器。首次上手推荐这条路。

2. SQLite 存储格式不兼容，升级前备份。rc.8 重构了 SQLite 后端，读写和分叉性能变好、体积变小，但老数据结构的库读不了。生产环境务必先备份。

3. 视觉能力不随版本升级自动获得。默认模型目录还是纯文本的 V4 Flash / V4 Pro，想看图要自己配置视觉模型或依赖工具层降级，别以为升个级就自动"长眼睛"。

4. 这是开发者预览，会有 breaking changes。官方明确提示存在兼容性破坏变更，插件、配置、数据格式都可能变。当前正确的姿势是：固定版本 + 记录当前 profile 配置，方便随时回退。alpha.1 里已经有实际案例：Code Mode 正式更名 PTC mode（旧会话还能读），APIProxy 接口迁移后直接移除，要统一用 @Remote 网关——依赖旧接口的脚本升级即挂。

5. 安全预期要摆正。alpha.1 同步更新了官方安全说明：DeepSeek Harness尚未接受安全审计，沙箱、审批与权限控制不能保证隔离。本地把玩随便，放生产环境跑敏感代码库之前，先想清楚这条。顺带一提，alpha.1 默认开启了公网 WebFetch（内置 SSRF 防护，不再逐次审批），方便是方便了，边界也比以前更宽了。

六、一句话总结

DeepSeek Harness 的首周连更（截至写稿已经 10 天 5 版），证明了一件事：Agent 框架的竞争，正在从"谁的模型更强"转向"谁能把更多模型、工具和 Agent 编排进同一个工作环境"。

• 视觉可以靠工具链模拟 → 底座模型的边界被模糊
• Claude Code、Codex 可以被"招安"成子代理，连模型都能逐个指定 → 竞品变成零件，成本自己分配
• 模型自己写编排脚本 → 调度从手动挡变自动挡

上周那 8 个插件，是让你适应"一切皆插件"的世界观；这周这 3 个新能力，是这个世界观的第一个完整演示。如果你还没升级，现在npm i -g @deepseek-ai/dsh就能拉到带 Workflow 的 rc.2，或者直接npx @deepseek-ai/dsh web零安装起一个 Web UI——先试"看图"，再试 Workflow，这两个是今天收益最大的。