DeepSeek Harness

DeepSeek Harness是什么

DeepSeek Harness 是 DeepSeek 推出的 AI 智能体运行框架，采用”一切皆插件”理念，基于 Cordis 系统构建。模型、工具、技能、会话、沙箱、存储、调度、UI 等全部能力均为插件，可自由组合替换。DeepSeek Harness提供标准、PTC、极简、创造四种运行模式，支持全程轨迹追踪与回放。DeepSeek Harness 对标 OpenAI Codex 与 Anthropic Claude Code，主攻编程和办公场景，实现从需求理解到代码交付的完整闭环。

https://ai-bot.cn/wp-content/uploads/2026/08/DeepSeek-Harness-website-2.png

DeepSeek Harness的主要功能

• 插件化架构：基于 Cordis 系统，模型、工具、技能、UI 等所有 Agent 能力均为插件，可自由替换与组合，无需改动源码。
• 四种运行模式：提供标准、PTC（Code）、极简、创造四种预设模式，分别对应完整工具集、代码编排、基准测试和自定义 preset 开发。
• Agent 工具能力：内置文件编辑、Shell 执行、文件/网页检索、任务计划、子 Agent 调度等全套编码与自动化工具。
• 全程可追踪：每次运行的系统提示、思维链、工具调用和子 Agent 调度均写入仅追加日志，支持恢复、分叉与回放。
• Web UI 界面：提供可视化操作面板，支持插件管理、模型切换、会话交互和 Trajectory 轨迹查看。
• 开源生态：开发者可基于 Cordis 框架编写自定义插件，共建可复用、可组合的 Agent 基础设施。

DeepSeek Harness的技术原理

• Model + Harness = Agent：模型仅负责理解需求、推理和生成方案， Harness 作为模型之外的执行系统，负责调度上下文、工具、任务状态、反馈与边界，将模型的推理能力转化为可在真实环境中落地的执行动作，完成从需求理解到代码交付的完整闭环。
• Cordis 插件系统：DSH 基于 Cordis 元框架，内核只负责插件的加载、卸载和依赖解析，Agent 的全部能力（模型、工具、会话、沙箱、UI 等）都是独立插件；插件通过服务接口和事件总线协作，开发者不用改源码，改配置就能替换或扩展任意能力。
• 一切皆插件：传统 Agent 的模型层、工具层、技能层、会话层、存储层、调度层和 UI 层被全部解耦为可插拔单元，每个插件暴露标准服务契约，通过依赖注入和事件订阅通信；Agent 的能力边界完全由配置文件中启用的插件集合决定，实现全栈可定制。
• 时空可组合性：Cordis 遵循”时空可组合性”范式，组件不仅在空间维度上能无缝拼接，在时间维度上的生命周期、加载顺序和状态演进也保持可预测；插件可运行时动态挂载或卸载，服务创建、事件注册和依赖关系均严格按时序执行，避免状态不一致。
• 仅追加事件流：系统把系统提示词、思维链、工具调用、子 Agent 调度和上下文注入全部序列化为不可变事件，写入仅追加的会话日志；Trajectory 视图、会话恢复、执行分叉和过程回放都基于这同一份事件流，确保行为完全可审计、可复现。
• 反馈循环：反馈循环是 Harness 实现自我进化与任务自动化的核心机制。当执行沙箱完成代码运行后，系统会将输出结果、错误信息、性能指标等反馈数据自动回传给模型。模型基于反馈进行自我诊断，识别问题根因并生成修正方案，随后再次进入执行沙箱验证。

微信关注回复“开源”，加入AI开源项目交流群

如何使用DeepSeek Harness

• 快速体验：安装 Node.js 后，在终端运行 npx @deepseek-ai/dsh web 可一键启动 Web 界面。
• 源码安装：执行 git clone https://github.com/deepseek-ai/deepseek-harness 拉取完整代码，按仓库说明完成本地构建。
• 选择运行模式：根据需求切换标准、PTC、极简或创造四种模式，每种模式自动加载不同的插件组合。
• 配置插件：在设置面板中查看、启用或停用各类插件，所有 Agent 能力均可自由替换与组合。
• 创建任务：在输入框中描述你想构建的内容，Agent 将调用插件完成编码、文件编辑、Shell 执行等操作。
• 查看轨迹：在 Trajectory 视图中回溯每一次系统提示、工具调用和思维链，支持会话恢复与分叉。
• 开发插件：基于 Cordis 框架编写自定义插件，无需改动 DSH 源码即可扩展任意 Agent 能力。

DeepSeek Harness的核心优势

• 开放生态：不限于接入 DeepSeek 自家模型，计划通过标准化接口支持多模型接入，与 Claude Code 的封闭策略形成鲜明差异化。
• 极致性价比：配合 DeepSeek 低价缓存机制，社区实测单次真实编程任务平均成本仅约 0.028 美元，约为 Claude Code 的七分之一。
• 安全合规：国产自研框架无后门隐患，恰逢 Claude Code 被工信部确认存在严重安全后门、国内大厂加速排查管控的替代窗口期。
• 系统可靠性：团队负责人崔添翼拥有 Jane Street 九年量化交易背景，长期专注于”如何让复杂系统稳定运转”，将金融级执行可靠性带入 Agent 工程。
• 模型解耦：Harness 团队与模型团队独立运作、独立注册公众号，以独立于大模型的业务形态推进，生态合作灵活性和扩展性显著更强。
• Harness 效能：同一模型在不同 Harness 下表现可差出 53 个百分点，DeepSeek Harness 能让中等强度模型以极低价格完成大部分标准化任务，实现”便宜模型打出豪华战绩”。
• 端到端闭环：覆盖上下文管理、工具调用编排、执行沙箱、反馈循环、会话持久化五大核心模块，实现从需求理解到代码交付的完整自动化闭环。

DeepSeek Harness的项目地址

• 项目官网：https://www.deepseek.com/harness/
• GitHub仓库：https://github.com/deepseek-ai/deepseek-harness

DeepSeek Harness的同类竞品对比

对比维度	DeepSeek Harness	Codex	Claude Code
开发公司	深度求索（DeepSeek）	OpenAI	Anthropic
产品定位	AI 智能体运行框架	终端原生编程智能体	终端原生编程智能体
模型接入策略	开放多模型，计划支持第三方模型接入	仅限 OpenAI 官方模型	仅限官方 Claude 模型，曾通过隐写手段限制非官方端点
生态开放度	开放共建，面向全球征集插件、Skill、MCP 及第三方界面生态伙伴	闭源运营，生态由官方控制	封闭生态，逆向工程修改令牌后被官方限制
安全合规	国产自研，无后门隐患，符合国内监管要求	美国公司，存在数据跨境风险	被工信部 NVDB 确认存在安全后门隐患（2.1.91–2.1.196 版本）
单次任务成本	约 $0.028（配合低价缓存机制）	较高	较高（Claude Code 年化收入已达 25 亿美元级别）
核心架构	五大模块：上下文管理、工具调用编排、执行沙箱、反馈循环、会话持久化	内置工具调用与代码执行环境	内置工具调用与代码执行环境
团队背景	负责人崔添翼，Jane Street 九年量化交易与系统开发背景	OpenAI 内部研究团队	Anthropic 内部研究团队

DeepSeek Harness的应用场景

• 智能编程开发（VibeCoding） ：开发者通过自然语言描述需求，Harness 自动完成从代码生成、运行测试、报错捕获到自我修正的完整闭环，实现端到端的软件交付。
• 办公自动化：Harness 调用文件系统、浏览器及各类 API，自动完成文档处理、数据分析、邮件分类回复和日程安排等日常办公任务，替代重复性人工操作。
• 系统运维与 DevOps：通过终端命令执行服务器部署、监控配置、日志分析和故障排查，集成到 CI/CD 流水线中实现代码的自动构建、测试与发布。
• 多 Agent 协作项目：协调产品经理、架构师、开发工程师、测试工程师等不同角色 Agent 分工合作，统一调度完成大型复杂项目的拆解与交付。
• 企业私有化部署：在金融、政务、医疗等安全敏感行业的本地环境中部署，对接内部 ERP、CRM、数据库等私有系统，实现安全可控的智能化改造。

DeepSeek Harness面临的挑战

• 先发巨头挤压：OpenAI Codex 与 Anthropic Claude Code 已占据智能体代码市场头部地位，Claude Code 年化收入达 25 亿美元且占 GitHub 公开提交量 4%，DeepSeek Harness 作为后来者需在生态和用户习惯上实现突破。
• 开发者生态冷启动：Harness 的核心价值高度依赖插件、Skill、MCP 及第三方界面等生态伙伴的丰富度，而生态建设需要长期积累，短期内难以与已成熟竞品抗衡。
• 长程任务可靠性验证：Agent 框架需要处理多轮推理、工具调用和失败重试等复杂场景，从内测到证明其在真实生产环境中稳定交付长程任务，仍有大量工程验证工作。
• 多模型适配的工程复杂度：开放支持多模型接入虽为差异化优势，但不同模型的上下文机制、工具调用格式和推理特性各异，适配和维护成本将显著增加。
• 用户迁移成本与习惯壁垒：开发者已深度习惯 Claude Code、Cursor 等现有工具的工作流和交互范式，切换至新框架面临学习成本和工具链重构阻力。