大家好，我是 JavaPub 的王仕宇。

昨天 DeepSeek 又干了一件很值得关注的事情。

这次不是单纯发布一个新模型，而是直接开源了一个新的项目：

DeepSeek Harness

GitHub：

https://github.com/deepseek-ai/deepseek-harness

DeepSeek 官方对它的定义非常直接：

DeepSeek Harness（dsh）是 DeepSeek AI 开发的开源 Agent Harness。

而且项目首页还写了一句话：

Everything is a Plugin.

也就是：

一切皆插件。

截至 2026 年 8 月 14 日，DeepSeek Harness 还处于 Developer Preview（开发者预览版），官方明确提醒目前仍在快速迭代，未来可能出现破坏兼容性的修改。

但我觉得这个项目的重要程度，可能比很多人想象中更高。

因为这意味着：

DeepSeek 不满足于只提供“大模型”了，它开始自己做 Agent 的执行层。

---

一、DeepSeek Harness 到底是什么？

很多人第一次看到 Harness 这个词，可能会有点懵。

其实可以先用一个很简单的公式理解：

Agent = Model + Harness

比如：

DeepSeek V4
    ↓
负责思考、推理、生成代码

DeepSeek Harness
    ↓
负责读取文件
负责修改文件
负责执行命令
负责调用工具
负责管理上下文
负责控制权限
负责维护任务状态
负责 Agent Loop

所以如果把大语言模型比作“大脑”：

DeepSeek V4 = 大脑

DeepSeek Harness = 身体 + 神经系统 + 工具系统

以前我们调用 DeepSeek，大多数时候可能是：

用户
 ↓
Chat UI
 ↓
DeepSeek API
 ↓
DeepSeek Model

模型回答问题，然后结束。

但是进入 Agent 模式以后，整个流程就不一样了：

用户
 ↓
Agent Harness
 ↓
DeepSeek Model
 ↓
决定调用工具
 ↓
读取文件 / 执行命令 / 修改代码
 ↓
工具返回结果
 ↓
DeepSeek Model 再次判断
 ↓
继续执行
 ↓
直到完成任务

这个不断循环的过程，就是我们经常说的：

Agent Loop。

所以 DeepSeek Harness 并不是一个简单的“DeepSeek 聊天客户端”。

准确来说，它是一套：

围绕 DeepSeek 模型构建 AI Agent 的运行框架。

---

二、它已经不是一个纯 CLI 工具了

DeepSeek Harness 当前已经提供了 Web UI。

安装 Node.js 后，可以直接运行：

npx @deepseek-ai/dsh web

默认会启动：

http://127.0.0.1:3080

如果想从源码运行，则是：

git clone https://github.com/deepseek-ai/deepseek-harness.git

cd deepseek-harness

pnpm install

pnpm run build

pnpm dsh web

也就是说，它现在已经具备一个比较完整的 Agent 产品形态：

DeepSeek Model
       ↓
DeepSeek Harness
       ↓
Agent Runtime
       ↓
Web UI

而不只是给开发者提供几个 Agent SDK。

---

三、它已经能做什么？

官方 Web UI 文档里给出的能力非常典型。

Agent 目前可以：

• 阅读项目文件
• 修改项目文件
• 执行命令
• 维护 Plan
• 委派任务
• 操作 Workspace
• 根据权限策略请求用户批准

也就是说，你可以打开一个代码仓库，然后让它执行类似这样的任务：

分析这个项目的整体架构，并告诉我主要模块分别负责什么。

它会自己读取目录、查看代码并整理结果。

甚至进一步：

找到用户登录接口，
给登录增加 Redis 限流，
修改代码，
补充单元测试，
然后运行测试。

这时候 Harness 就可以形成这样的工作流：

理解需求
  ↓
搜索代码
  ↓
读取文件
  ↓
制定方案
  ↓
修改代码
  ↓
执行命令
  ↓
运行测试
  ↓
分析报错
  ↓
再次修改
  ↓
验证结果

这就已经非常接近我们今天使用 Codex、Claude Code 时的 Coding Agent 工作模式了。DeepSeek 官方文档确认，目前 Agent 可以读写 Workspace、执行命令、委派任务以及维护计划。

---

四、真正值得看的，是它的架构

DeepSeek Harness 最让我感兴趣的，其实不是 UI。

而是它的设计理念：

Everything is a Plugin

官方架构文档甚至明确写道：

模型 Adapter 是插件。

Tool Registry 是插件。

Session Log 是插件。

Agent Loop 自己也是插件。

换句话说：

                 DeepSeek Harness

                       │
        ┌──────────────┼──────────────┐
        │              │              │
    Model Plugin   Tools Plugin   Agent Loop
        │              │              │
        ├──────────────┼──────────────┤
        │              │              │
    Session Plugin   Sandbox       Storage
        │              │              │
        └──────────────┼──────────────┘
                       │
                     Cordis

这是一种非常激进的模块化设计。

官方甚至说：

系统里没有一个“特权核心”需要你去 Patch。

你要扩展 DeepSeek Harness，通常不是修改核心代码，而是：

挂载一个新的 Plugin。

DeepSeek Harness 底层使用的是 Cordis，插件可以向共享 Context 注册 Service、Event 等能力，因此整个 Harness 可以通过组合插件进行扩展。

这实际上给未来的生态留下了非常大的空间。

---

五、核心模块有哪些？

官方架构文档已经把几个关键模块列了出来。

比较重要的包括：

core/session
core/system-prompt
core/tools
core/agent
core/agent-loop
core/scope
llm/llm

我们分别看一下。

---

1. core/session

负责：

Session Event
Session Log
会话状态

而且它采用的是：

append-only SessionEvent log

可以简单理解为：

Agent 发生的重要事件都会不断追加进 Session Log。

例如：

user/message

assistant/message

tool/call

tool/result

step/start

step/end

然后系统可以根据这些事件重新构建模型需要看到的上下文。

这样做有个非常大的好处：

Session Log
   ↓
恢复会话
Fork 会话
重放
Telemetry
持久化
生成模型上下文

都可以建立在同一套事件流之上。

---

六、Agent Loop 才是真正的灵魂

DeepSeek 官方甚至直接把：

core/agent-loop

做成了独立模块。

它就是 Agent 不断执行任务的核心 Driver。

官方公布的流程可以简化成：

Turn Start
   ↓
获取用户输入
   ↓
组装 Prompt
   ↓
组装 Tool Schema
   ↓
请求 LLM
   ↓
DeepSeek 返回结果
   ↓
是否调用 Tool？
   ↓
是
   ↓
执行 Tool
   ↓
获得 Tool Result
   ↓
重新请求模型
   ↓
...
   ↓
没有后续任务
   ↓
Turn End

官方对此还做了更加细致的区分：

Step

一次：

Model Request
+
该请求产生的 Tool Calls

叫一个 Step。

Turn

而一个 Turn 可以包含：

0 ~ N 个 Step

也就是说：

一个用户问题
    ↓
Turn

Turn
 ├── Step 1
 │     └── read_file
 │
 ├── Step 2
 │     └── grep
 │
 ├── Step 3
 │     └── edit_file
 │
 └── Step 4
       └── run_test

直到 Agent 判断：

任务完成

Turn 才结束。

这基本就是一个标准的 Coding Agent Runtime。

---

七、Tools 是怎么工作的？

DeepSeek Harness 有独立的：

core/tools

它负责：

Tool Registry
+
Tool Execution Pipeline

一次工具调用大概会经过：

tool/call

     ↓

tools/pre-execute

     ↓

tools/execute

     ↓

tools/post-execute

     ↓

tool/result

这个设计非常重要。

因为以后完全可以在：

pre-execute

这里加入：

权限判断
安全检查
参数修改
审计
限流

然后在：

post-execute

加入：

结果过滤
日志
Telemetry
结果转换

所以企业如果基于 Harness 做内部 Agent，会比较方便加入自己的安全控制。

---

八、它的扩展能力可能才是最大看点

DeepSeek 官方已经列出了大量可替换的能力。

例如：

添加新的模型

注册：

ctx.llm

---

添加新工具

注册：

ctx.tools

---

添加 Shell

注册：

ctx.shell

---

添加 Terminal

注册：

ctx.terminals

---

添加后台任务

注册：

ctx.jobs

然后 Agent 可以通过类似：

job_*

的工具进行管理。

---

替换文件系统

可以实现：

ctx.fs

---

添加 Sandbox

可以实现：

ctx.sandbox

---

添加 UI / 编辑器

可以使用：

ctx.agents
+
session/event

进行开发。

所以理论上以后完全可以出现：

DeepSeek Harness VS Code Plugin

DeepSeek Harness JetBrains Plugin

DeepSeek Harness Desktop

DeepSeek Harness Web

DeepSeek Harness Server

DeepSeek Harness Cloud

甚至第三方厂商都可以基于它重新包装自己的 Agent 产品。

---

九、它并没有把自己锁死在 DeepSeek API 上

这一点也很有意思。

虽然名字叫：

DeepSeek Harness

但官方 Web UI 文档已经提到：

除了 DeepSeek Provider，也支持配置：

自定义 OpenAI-Compatible Endpoint。

所以从整个架构来看，它并不一定只能运行 DeepSeek。

理论结构更像：

                   DeepSeek Harness

                          │

                ┌─────────┴─────────┐

                │      LLM Adapter   │

                └─────────┬─────────┘

                          │

       ┌──────────────────┼─────────────────┐
       │                  │                 │
   DeepSeek           OpenAI兼容         其他 Adapter

这点非常关键。

以后如果自己有 API Gateway / AI 中转平台，只要接口满足对应的 OpenAI-Compatible 协议，就有机会把 Harness 指向自己的 Endpoint。官方模型配置文档已经明确提供自定义 OpenAI-Compatible Endpoint 的配置入口。

所以它更像一个：

通用 Agent Runtime。

只不过 DeepSeek 自己掌握开发权。

---

十、DeepSeek Harness 和 Codex 有什么区别？

很多人看到这里，第一个问题肯定是：

这是不是 DeepSeek 版本的 Codex？

从用户使用场景上看：

很像。

例如：

                    Codex      DeepSeek Harness

读取代码              ✓               ✓

修改代码              ✓               ✓

Shell                 ✓               ✓

Agent Loop            ✓               ✓

任务规划              ✓               ✓

工具调用              ✓               ✓

项目级操作            ✓               ✓

但是从产品定位来看，两者还是有所区别。

可以粗略理解成：

Codex
=
OpenAI 做好的 Coding Agent 产品

而：

DeepSeek Harness
=
可高度扩展的 Agent Runtime
+
官方 Agent 实现
+
Web UI

DeepSeek Harness 现在尤其强调：

Plugin
Service
Provider
Events
Capability Seam
Profile
Bundle

所以它目前给我的感觉更像是：

Agent 开发平台 + Coding Agent。

而不是单纯做一个 Coding CLI。

---

十一、它和 Claude Code 又有什么区别？

Claude Code 的路线更偏：

Claude
+
Terminal
+
Coding Agent
+
Tool Use
+
Skills
+
MCP

然后围绕 Claude 模型建立开发生态。

DeepSeek Harness 现在走的路线更底层一些：

Harness Runtime
        ↓
所有能力插件化
        ↓
Model Adapter
Tool
Agent Loop
Session
Sandbox
Filesystem
Terminal
UI
全部可以替换

所以如果一定要一句话概括：

Claude Code 更像一个产品。

DeepSeek Harness 更像一个 Agent 操作系统框架。

当然，目前 DeepSeek Harness 还处于 Developer Preview，这个定位未来是否会继续保持，还要看 DeepSeek 后续迭代。

---

十二、一个非常有意思的设计：Capability Seam

这是我觉得 DeepSeek Harness 架构里面比较专业的一部分。

DeepSeek 把很多能力抽象成：

Capability Seam

一个 Seam 一般包括：

Service Definition

        ↓

Service Provider

        ↓

Consumer

例如文件系统：

Filesystem Interface

        ↓

Local Filesystem Provider

        ↓

Agent Tool

以后完全可以换成：

Filesystem Interface

        ↓

Remote Sandbox Filesystem

        ↓

Agent Tool

但是上层 Agent 不需要修改。

同样：

Shell
Terminal
Subprocess
Filesystem
Sandbox

这些能力可以共享一个执行环境。

这意味着以后：

本地执行

切换成：

Docker Sandbox

或者：

Cloud Sandbox

理论上只需要换 Provider，而不是重写整个 Agent。

这是非常典型的企业级 Agent Runtime 思路。

---

十三、为什么 DeepSeek 现在要自己做 Harness？

这其实是整个事情最值得讨论的地方。

以前 DeepSeek 的生态基本是：

DeepSeek Model
      ↓
Claude Code

DeepSeek Model
      ↓
Cline

DeepSeek Model
      ↓
OpenCode

DeepSeek Model
      ↓
各种第三方 Agent

DeepSeek 官方甚至维护了：

awesome-deepseek-agent

专门教大家怎么把 DeepSeek 接入各种 Agent 和 Coding Assistant。

但是这里始终存在一个问题：

模型是 DeepSeek 的，Harness 却不是。

例如：

Claude Code

最开始肯定优先针对 Claude 自己的模型特性优化。

类似：

Prompt
Tool Schema
Context Management
Compaction
Agent Loop
Tool Calling
Permission System

每一个地方其实都会影响模型最终表现。

所以：

同一个 DeepSeek V4

放到不同 Harness 里面，最终 Coding Agent 的表现完全可能不同。

这也是为什么现在大家越来越开始接受一个观点：

Agent 能力不只取决于模型。

真正的结果更像：

Agent Capability

=

Model
×
Harness
×
Tools
×
Context Engineering
×
Agent Loop

所以 DeepSeek 自己做 Harness，是非常合理的一步。

---

十四、Agent 时代，模型可能只占一半

过去大家比较 AI，经常只看：

Benchmark
参数量
上下文
推理能力
Token 价格

但是到了 Agent 时代以后，我们越来越会关注：

模型会不会正确调用工具？

会不会主动搜索代码？

上下文怎么压缩？

任务失败以后会不会重试？

Tool Result 怎么反馈？

怎么维护长期任务？

如何处理权限？

如何执行 Shell？

如何进行 Sandbox？

能不能跑 Sub Agent？

这些很多已经不是：

Model

本身的问题了。

而是：

Harness

的问题。

所以未来我们比较 AI Coding 产品时，可能不能再简单说：

GPT 比 DeepSeek 强

Claude 比 GPT 强

而应该比较：

Model + Harness

比如：

GPT + Codex

Claude + Claude Code

DeepSeek + DeepSeek Harness

这才是一个更加完整的比较单位。

---

十五、DeepSeek Harness 可能成为 DeepSeek Agent 生态的底座

我觉得 DeepSeek Harness 真正的野心，很可能不只是：

做一个 DeepSeek 版本 Claude Code。

因为如果只是为了做 Coding Agent，其实没有必要设计得这么高度插件化。

现在整个架构已经涉及：

Agent
Agent Loop
Tools
Session
LLM
Filesystem
Shell
Terminal
Sandbox
Jobs
Goals
SubAgent
UI
Editor
Telemetry
Persistence

这已经是一个比较完整的：

Agent Runtime

了。

未来完全可能变成：

                    DeepSeek Harness

                          │

       ┌──────────────────┼──────────────────┐
       │                  │                  │
 Coding Agent        Research Agent      Data Agent

       │                  │                  │

       ├──────────────────┼──────────────────┤

                          │

                      Plugin 生态

所以：

DeepSeek Harness 很可能不是 DeepSeek Agent 的终点，而是起点。

---

十六、现在值得用吗？

目前我的建议是：

如果你只是普通用户：

暂时不用急着把现有 Codex / Claude Code 换掉。

因为官方已经明确标记：

Developer Preview

而且强调：

THERE WILL BE COMPATIBILITY-BREAKING CHANGES

也就是说接口、配置甚至插件体系都有可能发生较大调整。

但是如果你是：

AI 开发者

Agent 开发者

Coding Agent 用户

DeepSeek API 用户

Claude Code / Codex 重度用户

那这个项目非常值得现在就关注。

尤其建议研究：

packages/core/agent-loop

packages/core/tools

packages/core/session

packages/llm

Sandbox

Agent Preset

Plugin System

因为这些模块基本就是：

现代 Agent Harness 的核心组成部分。

---

十七、最后

DeepSeek 以前给我的感觉更多是：

我要做一个更强、更便宜的模型。

但是 DeepSeek Harness 出来以后，这条路线明显开始发生变化。

现在逐渐变成：

Model
+
API
+
Agent
+
Harness
+
Tools
+
Plugin Ecosystem

这意味着 DeepSeek 开始从：

模型提供商

往：

Agent 平台

走。

而 DeepSeek Harness 最值得关注的一句话，我觉得依然是官方首页那句：

Everything is a Plugin.

如果 DeepSeek 真把这套 Plugin 生态建立起来，那以后我们看到的可能就不只是一个：

DeepSeek Code

而是一整套：

DeepSeek Agent Ecosystem

现在来看：

GPT 有 Codex。

Claude 有 Claude Code。

而 DeepSeek，也终于开始有自己的 Harness 了。

这场 AI 编程工具的竞争，正在从：

谁的模型更强

逐渐进入：

谁的 Agent 系统更强

的新阶段。

一起成为勇猛精进的人类。