第02篇·DeepSeek Harness 四种运行模式实测：标准、PTC、极简、创造到底差在哪

原文链接：第02篇·DeepSeek Harness 四种运行模式实测：标准、PTC、极简、创造到底差在哪

【欢迎关注作者微信公众号，第一时间获取最新好文和AI日报。👇】

上一篇把 dsh 跑了起来，完成了第一个「读目录」任务。这一篇进入 DeepSeek Harness 的核心设定：它提供了标准、PTC、极简、创造四种运行模式。很多初学者的第一个困惑是——模式到底差在哪？是不是只是提示词不同？

这篇你能得到三样东西：一张把四种模式拆成「工具集 + 提示词 + 循环策略」的对比图；一套在同一任务上跑四遍的对照方法。所有结论都基于 dsh 当前 developer preview（0.1.1-rc.2）的配置结构，命令与参数名可能随版本微调，请以官方文档为准。

---

一、四种模式，本质是三种东西的排列组合

官方把 dsh 的运行模式设计为「可替换的配置包」。通俗理解，模式不是换皮肤，而是把下面三样东西重新打包：

• 工具集：agent 能调用哪些工具；
• 提示词：system prompt 的风格与约束；
• 循环策略：agent 如何决定下一步、何时停止。

图 1｜DeepSeek Harness 四种运行模式对比

从这张图可以直观看到，DeepSeek Harness 四种运行模式区别并不神秘：标准模式给完整工具集，PTC 模式偏向评测过程，极简模式大刀阔斧只留两个工具，创造模式则允许更多探索空间。

其中最关键的一点是：极简（Minimal）模式是官方跑分的基准口径。

---

二、同一任务跑四遍，差别立刻显现

对照实验的设计很简单：固定输入、固定模型、只改模式。沿用上一篇的目录摘要任务：

请阅读“/Users/root/deepseek-harness/docs”目录下的文档，产出一份文档说明摘要。

采用DeepSeek-V4-Flash大模型，推理等级默认是「High」，分别在标准、PTC、极简、创造四种模式下下发同一任务，记录八项指标（§2.2 四项行为/结果指标 + §2.3 四项耗时/Token 指标）：工具调用次数、总耗时、轮数/步数、输出质量（§2.2 记加权分、§2.4 统一百分制，二者 ×20 等价）；以及 LLM 耗时、工具调用耗时、输入/输出 token、缓存命中率。

2.1 启动方式与模式切换

启动命令只需敲一次，模式可直接在WebUI指定：

pnpm dsh web

图 2-1（上）｜终端执行 pnpm dsh web 的启动输出，蓝色处为本地访问地址。

启动后在浏览器打开本地地址进入对话界面，通过 Web UI 的模式（Profile）选择器 直接点选切换即可：

图 2-1（下）｜Web UI 内的模式选择器，展开后可见 标准 / PTC / 极简 / 创造 四个选项。

下表记录各模式在 UI 中的实际显示名，方便与后文对照表逐行对应：

模式	UI 中的选择项
标准 Standard	标准模式
PTC	PTC模式
极简 Minimal	极简模式
创造 Creative	创造模式

注：若你用命令行而非 Web UI 跑，可改用 --mode 参数指定模式，具体以 dsh --help 输出为准。

2.2 四模式对照表（核心行为与结果）

下面四张截图是同一任务在四种模式下的运行结果页：

图 2-2（1/4）｜标准 Standard 模式：底部状态栏显示 7 轮 · 26 步、LLM 2m10s、缓存命中 95%。

图 2-2（2/4）｜PTC 模式：底部状态栏显示 11 轮 · 28 步、LLM 4m20s、缓存命中 95%。

图 2-2（3/4）｜极简 Minimal 模式：底部状态栏显示 1 轮 · 22 步、LLM 1m13s、缓存命中 92%。

图 2-2（4/4）｜创造 Creative 模式：底部状态栏显示 1 轮 · 14 步、LLM 1m18s、缓存命中 88%。

模式	工具调用次数	总耗时	输出质量（加权分）	轮数 / 步数
标准 Standard	30次	4m05s	4.7	7 轮 · 26 步
PTC	59次	6m38s	3.5	11 轮 · 28 步
极简 Minimal	24次	1m33s	4.4	1 轮 · 22 步
创造 Creative	35次	1m21s	4.8	1 轮 · 14 步

2.3 耗时与 token 拆解

下面四张截图分别是四种模式下的 Web UI 底部状态栏细节：

图 2-3（1/4）｜标准 Standard 模式：LLM 2m10s · 工具调用 2s · 输入 914K / 输出 14.1K · 缓存命中 95%。

图 2-3（2/4）｜PTC 模式：LLM 4m20s · 工具调用 3.6s · 输入 2M / 输出 29.9K · 缓存命中 95%。

图 2-3（3/4）｜极简 Minimal 模式：LLM 1m13s · 工具调用 19.3s · 输入 874K / 输出 6K · 缓存命中 92%。

图 2-3（4/4）｜创造 Creative 模式：LLM 1m18s · 工具调用 3.6s · 输入 650K / 输出 8.6K · 缓存命中 88%。

模式	LLM 耗时	工具调用耗时	输入 / 输出 token	缓存命中率
标准 Standard	2m10s	2s	914K / 14.1K	95%
PTC	4m20s	3.6s	2M / 29.9K	95%
极简 Minimal	1m13s	19.3s	874K / 6K	92%
创造 Creative	1m18s	3.6s	650K / 8.6K	88%

页面底部还会显示「首 token 平均」和「tok/s」。它们主要反映模型侧响应速度，同一模型下受网络波动影响较大，不建议作为模式横向对比的主指标，只作为补充参考。

只要跑出一次对照表，就会发现：工具集越少的模式，agent 的行为越可预测；工具集越宽，潜在能力越强，但也越容易「想太多」。不过，「工具调用次数」和「耗时」只说了行为，没说结果好坏。下面这一节才是本文的核心。

2.4 输出质量统一评分：同一道题，四种答卷

图 2-4｜四模式输出质量评分（百分制）：创造 96% / 标准 94% / 极简 88% / PTC 70%。同一任务、同一 rubric、统一加权。

评分坚持一把尺子量四条：提前定好 5 个维度与权重，逐份按同一百分制标准打分并加权汇总，避免「凭感觉打印象分」。

维度	权重	看什么
覆盖完整性	25%	八大区域是否齐
事实准确度	25%	数字/文件名无误
结构组织	20%	层级清晰
细节深度	15%	有可验证细节
实用导向	15%	给路径可落盘

逐份看：

• 标准（94%）：覆盖最均衡，教科书式答卷；唯一小瑕疵是篇数口径前后略不统一。
• 创造（96%）：多挖出「维护机制」一节，细节最深；页数计数与标准差 1 页，属口径差异。
• 极简（88%）：仅两个工具、耗时最短，仍交出完整清爽摘要，短板在细节深度。
• PTC（70%）：调用最多、耗时最长，答卷却最薄，精力耗在流程上；文件数前后矛盾，准确度扣分最多。

核心结论：对「读目录、产出摘要」这类信息整合任务，工具多 ≠ 答得好。PTC 用最多工具、跑最久，分数反而最低；极简用最少工具、跑最快，仍拿 88%。标准与创造并列第一，差异只在侧重。模式选择看「任务类型匹配」，不是堆工具。

评分为按上述 rubric 的人工评定（非 dsh 官方自动化指标），读者可按同一标准复评；四个模式的原始输出与五维明细见文末「阅读原文」的对比卡。

---

三、为什么极简模式是官方评测的基准口径

极简（Minimal）模式为什么是官方评测的基准口径？答案不在文档口号里，而是在源码层面——这个模式从配置文件起，就把工具集锁死了。

钥匙是仓库里的这个 preset 文件，顶部注释已经写清楚了：

| apps/cli/config/agent-presets/minimal/agent.cordis.yml
# the model composes only the persistent shell

# (bash on POSIX, pwsh on win32) and str_replace_editor

翻译过来就一句话：模型在这里只能组合两个工具——persistent-bash 与 str-replace-editor。该配置文件实际注册的插件，也正是这两个。

这不是简陋，而是为了评测可控。

仓库 BENCHMARK.md 规定，评测跑的是 jsonrpc-agent 的 minimal variant；而极简 preset 把工具集锁死成同一套 bash + str_replace_editor。

为什么要锁死？评测要能横向比，前提是所有跑分的工具集完全一致。否则分数涨了跌了，你分不清是模型变强了，还是工具在帮忙。

所以读各家模型卡时，先确认一点：它是在「同一套固定工具集（minimal）」下跑出来的吗？不是，那数字直接对比就没意义。

---

四、四行对照表：把差距摊开来

用文字再总结一次四模式的核心差异：

模式	工具集特点	提示词风格	循环策略
标准	完整内置工具	通用助手指令	标准 agent loop
PTC	评测特化工具	过程式分步	PTC 风格循环
极简	bash + str_replace_editor	极简收敛	最小化 loop
创造	可扩展工具	发散探索	创造式 loop

上面的定性表只讲「差异长什么样」。四模式的实测数据（工具调用次数、总耗时、轮数 / 步数、输出质量、LLM 耗时、工具调用耗时、输入/输出 token、缓存命中率）已在第二节 2.2、2.3 逐行摊开，这里不再重复贴表。

这张表的价值不是记住四个名字，而是以后拿到官方跑分或社区测试时，能第一反应去核对「这是在哪种模式下跑的」。

---

五、当前版本的几个常见坑

由于 dsh 还处于 developer preview，模式相关配置可能有变化。下面这几个点跑之前先注意：

坑点	说明	处理建议
模式名可能变	preview 版本迭代快，名称与参数以文档为准	跑前先执行 --help 确认
Minimal 不是万金油	它只适用于可控评测，日常任务可能能力不够	先判断任务是「跑分」还是「干活」
工具少 ≠ 成本低	极简模式下模型可能反复调用同一工具，实际 token 不一定最少	以实测数据为准

说明：dsh 当前为 developer preview，命令可能随版本变化，遇到问题优先查阅官方 README 与 BENCHMARK.md。

---

小结

四种模式不是四个「皮肤」，而是三套可替换的引擎组合。标准模式适合日常泛用，PTC 模式偏向过程评测，极简模式是官方跑分的基准口径，创造模式则给探索性任务留足空间。

讨论：你更倾向用极简模式做可控评测，还是用标准模式让 agent 自己发挥？评论区聊聊你的选择。

如果这篇帮你厘清了四种模式的关系，点个「分享」或「收藏」。

【欢迎访问我的个人博客主页，这里有我的精选文章和AI大模型日报专栏。👇）