【体验毛坯房】Deep Harness 入门教程

作者:程序员三明治日期:2026/9/3

👨‍💻程序员三明治个人主页

🔥 个人专栏: 《设计模式精解》 《重学数据结构》
《AI探索日志》 《从0带你学深度强化学习》

🤞先做到 再看见!


目录

      • DeepSeek Harness到底是什么?
        • 和CC、Codex这些Agent有什么区别?
        • 为什么Harness会火?
        • 安装方式
          • **路线 A:npm 一行命令(最省事)**
            * **路线 B:交给 AI Agent 帮你安装**
            * **路线 C:桌面客户端(小白首选,想自己折腾、看源码、搞插件的,可以用这种方式)**
        • 插件生态
        • 插件怎么装?
        • 满血DeepSeek V4 Pro
        • 总结

deepseek-harness半个月前横空出世,短短半个月时间已经获得了 207K 的 star!

我也来安装使用下。

安装前,先来搞懂DeepSeek Harness到底是什么?

DeepSeek Harness到底是什么?

我们都知道下面这个公式:

Agent =大模型+ Harness

大模型负责思考和生成结果,相当于一匹跑得很快的野马,但有时候很容易放飞自我。

这时候就需要装上 Harness——包括工具(Tools)、技能(Skill)、操作权限及系统等等。相当于给这匹野马套上缰绳、马鞭这一整套驾驭工具,让它变成在真实任务中不会跑偏的 AI Agent。

简单来说,Harness 就是帮你驾驭 AI大模型的这一整套系统。

和CC、Codex这些Agent有什么区别?

如果说 CodeX,WorkBuddy 这种是自带精装房的四室一厅江景豪宅。

那刚发布的 DeepSeek Harness,就是个彻头彻尾的毛坯房。

常见的客户端没有,命令行界面也没有,只给大家做了个最朴素的网页端。

像 Codex、Workbody 这样的 Agent 产品,相当于你骑了一匹平台帮你训练好的马——怎么跑、怎么停,别人都基本帮你设定好了,你下命令,Agent 就能按照设计好的路线自动跑完任务。

但 DeepSeek Harness 不仅给了你一匹训练好的马,还把跑马场也开放给你了。你可以训练自己的马,也就是定制自己的 AI Agent。

为什么Harness会火?

因为大家发现,同样的大模型,装上不同的 Harness,Agent 的干活能力会有很大差距。

安装方式

路线 A:npm 一行命令(最省事)
1npx @deepseek-ai/dsh web
2

这条命令会拉一个包、起一个 Web UI,默认地址 http://127.0.0.1:3080。

路线 B:交给 AI Agent 帮你安装

如果你电脑上已经有 Codex、Claude Code、Workbody 等任意 Agent 工具,直接把 DeepSeek Harness 的仓库地址发给 AI,让它帮你安装并启动好就行。

同样,安装完成后你会拿到一个本地地址,在浏览器打开即可使用。

路线 C:桌面客户端(小白首选,想自己折腾、看源码、搞插件的,可以用这种方式)

步骤一:下载安装包

打开 DSH Desktop 官网,你会看到两个下载按钮:“下载 Mac 版"和"下载 Windows 版”,根据自己的电脑系统选择对应版本下载即可。

官网地址:https://www.dshdesktop.cn/

下载完成后,像安装普通软件一样双击安装包,一路下一步即可。

步骤二:首次启动与初始化设置

安装完成后打开 DSH Desktop,选择一个自己本地的项目,直接就可以用。

当然我们也可以自己去把自己的 API key 接过来,然后在这个 Harness 里面去用我们的 DSH Desktop

获取 API Key 的方法:

**1.**打开 DeepSeek 开放平台官网:https://platform.deepseek.com/

**2.**注册/登录账号后,在"API Keys"页面点击"创建 API Key"

**3.**给 Key 起个名字(比如"harness"),创建后复制生成的密钥

**4.**回到 DSH Desktop,把密钥粘贴到输入框,点击"保存并继续"

插件生态

DeepSeek Harness(简称 dsh)是 DeepSeek 官方开源的 agent harness,仓库地址 deepseek-ai/deepseek-harness它最狠的一句话写在 AGENTS.md 第一行:

everything is a plugin.—— 一切都是插件。

这句话不是口号。它背后的设计是:没有特权核心

它底层用的是 Cordis 插件内核,只负责插件的加载、卸载和依赖管理;而 Agent 真正需要的能力——模型、工具、界面、会话、记忆、循环、调度、沙箱——全都是一个个插件拼出来的。

默认的 Harness 更像一个"毛坯房":纯聊天框,没有文件树、没有终端、没有任务看板。装上合适的插件,才能变成你顺手的"精装房"。这也是它发布短短几周,社区就冒出几千个插件的原因。

你看这张表,每一行都是可以被替换的插件:

连主循环都是插件。想换模型?注册一个新的 LLM 适配器。想换执行环境?把文件系统 provider 从本地换成远程沙箱,Bash、终端、LSP 会跟着一起切——因为它们都走同一个能力接口。

这个框架底层是 vendor 进来的 Cordis 插件框架,五个概念把"插件怎么协作"讲完了:

  • 插件:一段实现 apply(ctx) 的代码,就是一个能力的最小单元。
  • 上下文:服务的仓库。别的插件按键找服务,而不是 import 具体实现——这就是解耦。
  • inject:声明"我需要哪个服务",加载顺序由依赖关系决定,不靠人工排。
  • 事件:四种派发模式(emit 观察 / waterfall 逐个包裹可短路 / parallel 并行 / serial 按序)。事件即扩展点。+ 可逆副作用:所有注册都通过 ctx.effect() / ctx.on() 安装,插件卸载时自动回收——热更新是设计内的,不是补丁。
    一个最小插件大概长这样:
1export const inject = ['llm']            // 声明依赖
2export function apply(ctx) {
3  ctx.effect(() => ctx.llm.registerAdapter(myAdapter), '换掉默认模型适配器')
4}
5

理解了这套心智模型,后面装、配、用、打包,你都会发现同一个规律反复出现:所有动作,本质都是"往插件树上挂东西"。

插件怎么装?

在设置里安装插件市场

安装完重启一下,再打开设置,就能瞅见插件市场了。

看上去其实跟 WorkBuddy 的技能商店差不多,有各种各样组装好的技能包,也有补足 DSH 短板的补丁。

有了这个可视化的界面,想用啥,一搜一点直接齐活儿。

装上插件市场,咱这毛坯的 DSH 算是入驻装修队儿了。

举例子:

因为众所周知,一个成熟的 Harness, 是能够直接在里面查看它生出来的文件的。但 DSH 没这待遇,想看项目文件?得跳转到其他应用里才行。好在社区里已经火速更新了。

在刚刚装好的插件市场里搜 sidebar,找到这个「DSH-better-sidebar」,直接安装就行。

这样一来,我们就能在 DSH 里面直接看到 Markdown,HTML 这些文件,Markdown 里的文本还能直接编辑。

而且除了预览,它还内置了一堆其他功能,像是看任务进度,感受 Agent 集群吭哧吭哧干活儿的氛围。

另外,咱们还可以通过插件让DSH连接微信,飞书,钉钉,让它像龙虾一样融入生产环境。

还是打开插件市场,搜索IM,也就是即时通讯软件,安装这个dsh-im插件,装好刷新一下就能用了。

此时再打开设置,在插件的子菜单中,就能看到IM机器人的选项。

里面打包了飞书,钉钉等应用的接口,生成二维码后扫一下就连上了,相当方便。

满血DeepSeek V4 Pro

除了加功能,DSH 插件的另一大妙用是打补丁。

因为一切皆插件,所以咱甚至能用插件的方式,改变模型的思维方式,帮 DeepSeek V4 Pro 的性能往上再堆一些。

还记得这个模型发布时褒贬不一的风评吗?
有人仔细的观察了一下 DeepSeek V4 Pro 的思维链,发现了一个挺玄学的现象:

简单点说就是发挥不稳定,如果思维链的起步是 Let me,那这次对话基本上就有点拉;但如果开头变成 We need,那就说明这把稳了,AI 的智商又占领高地了。

所以为了稳定让 DeepSeek 的智商在线,就有大佬做了个插件「dsh-anchored-standard」。

装上后,可以让模型的思维链尽量用 We need 起手,属于强制给 DeepSeek 开机了。

总结

总而言之,Deep Harness (DSH) 远不止是一个支持 Markdown 和 HTML 预览与编辑的开发套件。它真正的核心竞争力在于其高度灵活的插件生态:向外,我们可以通过 IM 插件轻松将其接入飞书、钉钉等即时通讯软件,让 Agent 真正落地到日常生产环境中;向内,我们甚至能以“打补丁”的方式(例如强制干预 DeepSeek V4 Pro 的思维链起手式),从底层稳定和优化大模型的输出表现。对于想要深度折腾 Agent 开发、探索大模型潜力的开发者来说,DSH 提供了一个既有可玩性又具备实用价值的平台。

如果我的内容对你有帮助,请辛苦动动您的手指为我点赞,评论,收藏。感谢大家!!


【体验毛坯房】Deep Harness 入门教程》 是转载文章,点击查看原文


相关推荐


[SAP ABAP] Excel批量维护货源清单
胡说八道的大双、2026/8/26

在SAP中,货源清单是控制物料只能从特定供应商处采购的主数据,它定义了物料与供应商、工厂、采购组织之间的合法供应关系 相对于逐条使用事务代码 ME01 维护货源清单,开发自定义程序,通过Excel批量维护货源清单,能够降低用户的使用门槛,同时提升用户的工作效率 Excel导入模板 效果展示 用户在Excel导入模板填写相关信息以后,进行文件上传操作 点击执行按钮,效果如下所示: 提示Tips:自定义程序,增设了数据校验逻辑,当用户执行Excel文件上传以后,会进行ALV报


centos flink配置读写hbase
abcy0712132026/8/13

Apache Flink 是一个开源流处理框架,可以用来处理有界和无界的数据流。HBase 是一个开源的、非关系型的分布式数据库,它运行在 Hadoop 上,提供了高可靠性、高性能、列式存储和可伸缩性。将 Flink 配置为读写 HBase,可以有效地结合两者的优势,用于实时数据处理和分析。 以下是如何在 CentOS 系统上配置 Flink 以读写 HBase 的步骤: 1. 安装 Java 确保你的 CentOS 系统上已经安装了 Java。Flink 需要 Java 环境。 sud


从算力到智能体,面向 Agentic AI 的基础设施演进
阿里云大数据AI技术2026/8/4

摘要 当大模型的能力边界不断扩展,真正决定 AI 价值上限的已不再只是算法本身,而是支撑其落地的基础设施体系。本文基于 2026 Agentic AI 超级智能体系统架构峰会演讲,系统阐述了阿里云 PAI 平台如何围绕算力、推理与场景三条主线构建面向 Agentic AI 的全栈基础设施——从数十万卡集群的统一调度与训推一体,到企业级 Token 服务 TokenWorks 的 KV Cache 感知调度与 SLO 保障,再到 Physical AI、自动驾驶、具身智能等场景化方案的落地,以及 


AI名词完整入门教程【看懂各种黑话】
一条泥憨鱼2026/7/27

🌈个人主页:一条泥憨鱼(欢迎各位大佬莅临) 🎬精选专栏:数据结构与算法,Java ,AI与Agent 前言: Harness、Loop、MCP、Agent、Skill……每次看到这些词都想关掉页面? 我懂。先别管它们 看一个你大概率会遇到的场景: ▎ 你是一个课程主理人,手头攒了几十份直播逐字稿、一堆学员问答、案例截图、产品说明。你想搞一个「AI 内容生产小助手」——能读你的资料,帮你出公众号文章、小红书文案、课程大纲。拿不准的信息它会先翻知识库,需要配图的时候能自己生


C++11核心特性全解:从C++98到现代C++的全面升级(万字总结)
邪修king2026/7/19

观众老爷们大家好 我是邪修KING 本文属于系列C++ 进阶篇 ,欢迎来到C++进阶篇博客 C++重点语法运用! 一、C++11简介:为什么需要C++11? C++11 是 C++ 的第⼆个主要版本,并且是从 C++98 起的最重要更新。它引⼊了⼤量更改,标准化了既 有实践,并改进了对 C++ 程序员可⽤的抽象。在它最终由 ISO 在 2011 年 8 ⽉ 12 ⽇采纳前,⼈们曾使 ⽤名称“C++0x”,因为它曾被期待在 2010 年之前发布。C++03 与 C++11 期


我开源了 BeeWeave,给 AI Agent 搭一个越用越懂你的知识创作台
超级东哥CyberFD2026/7/11

GitHub 项目地址 : github.com/ptonlix/bee… 事情是这样的。 过去一段时间,我一直在用 Claude Code、Codex、OpenClaw 这些 Agent 做研究、写文章、整理知识。 它们很强,真的很强。你把资料扔进去,它能总结。你给一个主题,它能起草。你让它分析一个仓库,它也能很快摸清结构。 但我反复遇到一个很烦的问题。 每开一个新会话,很多事情都要重新讲一遍。 我以前研究过什么,我对某个问题已经形成了什么判断,上一篇文章留下了哪些线索,哪些资料可信,哪些坑已


FPGA与STM32的双核协奏曲:硬核拆解中速采集卡的高速数据流与双缓冲机制
zlinear数据采集卡2026/7/3

zlinear开源电子 前言 大家好,我是ZLinear的硬件工程师。 在之前的博文中,我们聊了常速采集卡DABL-7606的过采样算法与通信协议。不少读者看后私信问:“张工,如果我的采样率要求更高,比如要到200K甚至500K SPS,同时还要输出多路DDS波形和带加减速的PWM脉冲,单靠一颗STM32还能扛得住吗?” 答案是:很难,且极其吃力。 当采样率攀升到百K级别,且涉及多通道同步、复杂波形输出时,单核MCU的中断响应延迟和DMA总线带宽就会成为明显的瓶颈。为了彻底打破这个性能


开发了一个进阶版Apple健康
神奇的程序员2026/6/25

前言 使用iPhone + Apple Watch组合有段时间了,当初买的时候,想着用它来记录我的跑步数据,但是坚持了没多久,我就懒惰了,手表最大的作用就成了睡眠监测工具了,由于作息一直比较规律(晚11~早7),就没怎么关注过这些。 最近半年时间,时不时的熬夜写开源项目,我开始关注自己的健康状况了,打开系统自带的的健康app把玩了一番,发现它的数据特别全,但是有几个不好用的地方: 首页的内容比较分散,指标都是以列表的形式进行展示的 指标层级较深,需要切来切去,很多指标我更希望将他们展示到一个大


Mac 软件推荐
yuanyxh2026/6/16

OrbStack 轻量 Linux 系统、Docker 容器、K8S 容器,用它的原因是工作/开发环境在系统里拉太多屎了,开个 Linux 虚拟机隔离工作环境,本地代码编辑器 + ssh 远程连接开发,这种模式适合 web 前端/后端。 安装: brew install orbstack 使用: VSCode 安装 RemoteSSH 插件,连接 host@orb 除了隔离环境,还可以导入导出镜像,方便打包整体环境;或在后台运行服务。 缺点:Linux 虚拟机有一定内存占用 Tart macO


每日一个开源项目(第125篇):taste-skill - 给 AI 装上审美,让前端不再千篇一律
冬奇Lab2026/6/9

引言 "AI 生成的前端,为什么看起来都一个样?" 这是"每日一个开源项目"系列的第125篇文章。今天的主角是 taste-skill——一套给 AI Agent 配上「审美」的前端设计技能包。 让 AI 写前端代码已经很普遍了,但结果往往大同小异:居中排版、蓝色主色调、卡片式布局、圆角阴影,整齐但无聊。问题不在于 AI 不会写代码,而在于它没有任何关于「这个设计应该有什么气质」的约束。 taste-skill 的答案很直接:用一套经过研究积累的设计规则文件,告诉 AI 什么是品位,什么是

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读