听说DeepSeek 发布 Harness 开发者预览版（dsh）。于是我迫不及待的跑去官网一探究竟。
依旧Deepseek风格，简单直接不废话，上来就直给。依然是MIT协议开源。官方也提醒，产品还在快速迭代，后续可能出现不兼容的改动。简单来说一下DeepSeek Harness是什么东西。如果把大模型比作发动机，那么 Harness 就是方向盘、变速箱、仪表盘和安全系统：它决定模型如何理解任务、调用哪些工具、能否修改文件、失败后如何继续，以及人怎样看清它做过什么。DeepSeek Harness给我的感受是：他想把开放、自由、透明做到极致。
安装
按照官方指导，直接在终端执行：
npx @deepseek-ai/dsh web等待一会儿，命令会自动安装好DeepSeek Harness，并且启动服务。
完成后，可以直接通过浏览器访问http://127.0.0.1:3000，就能进入DeepSeek Harness了。
界面看上去简洁、漂亮，不过跟其他家的AI工具长得差不多，没什么好说的。就说一说我的使用体验吧。
亮点一：从固定产品，变成可自由组合的“积木盒”
很多 AI 编程工具允许用户换模型、加插件，但更核心的部分通常已经固定：任务怎么拆、工具怎么调、权限怎么管、界面怎么展示，用户只能接受。DeepSeek Harness 的思路更彻底。它把模型、工具、文件读写、沙箱、任务流程、会话记录，甚至网页界面，都当作可以替换的“积木”。开发者不必推倒重来，就能针对自己的工作方式重新组合：例如，给代码审查任务配上更严格的只读权限；给数据分析任务换成更适合的工具；或者把团队常用流程做成一个可复用的 Agent 模板。
这里最重要的，这可不仅仅是“插件数量多”，而是插件能深入到系统内部。DeepSeek使用的Cordis框架强调：组件被移除时，它留下的服务和配置也应随之清理，不让系统越改越乱。这有点像搭积木：拆下一块也不会在成品里留下半截多余结构。对企业和重度开发者而言，这种能力很有意义。大家需要的往往不是同一个万能助手，而是符合自身规范的助手：有的必须先读后改，有的每一步都要审批，有的可以自动跑测试。DeepSeek Harness 试图把这些差异做成配置和组件，而不是一次次修改底层代码。
亮点二：创造模式，让 Harness 自己参与“改造自己”
我觉得最好玩的就是这个创造模式了。
DeepSeek Harness 的创造模式给了你很大的想象空间。你可以直接告诉它，“帮我改造当前界面，在右侧增加一个文件预览框”。它会结合当前运行环境，协助检查、试验插件，并生成新的 Agent 预设。官方对这一模式的定位也很明确：它用于创建自定义 Agent preset，提供运行时检查、插件实验和预设创作指导。这让 Harness 不再只是一个等待使用的工具，而更像一间“AI 自助改造工坊”。用户不必先完全理解底层架构，便可以先用自然语言描述需求，再让 Agent 帮自己搭出一个雏形。想做一个自动整理会话标题的小功能、给项目快速创建 Git worktree、在输入框旁显示调用成本，甚至组合出某个垂直场景专用的 Agent，都可以成为对话里的改造目标。首日社区里，已经有人晒出这类自定义插件，也正因如此，创造模式被不少网友玩出了花。
当然，这不是“说一句话就能放心把系统交给 AI”。创造模式生成的插件和预设，仍需要用户检查权限、验证行为，尤其涉及文件修改、命令执行和外部服务时更是如此。但它的意义在于，把原本属于少数开发者的定制能力，变成更多人可以边聊边试、边用边改的过程。从产品角度看，这也许是 DeepSeek Harness 最有趣的一面：它不只帮你完成任务，还试图帮你造出一个更适合自己做任务的助手。
亮点三：给 Agent 装上一台“行车记录仪”
很多时候，AI 工具最让人不安的地方在于：它最后给了一个错误结果，但用户不知道错误发生在哪里。是它没读到关键文件？误解了需求？调用工具失败？还是模型本身判断失误？DeepSeek Harness 的解决办法，是把任务过程尽可能完整地保存下来。用户说了什么、模型如何回答、调用了什么工具、工具返回了什么结果，都会形成一条可回看的“任务轨迹”。官方要求，凡是模型实际看过的内容，都应该能从这份记录中重新找回。
它提供的 Trajectory 视图，就像 AI 的行车记录仪：用户可以按时间查看模型、工具和子任务的行为，也能看到耗时、Token 用量、输入和输出。这件事的意义不只是“方便看日志”。当团队发现一个任务反复失败时，可以追溯到底是哪一步出了问题；当一条思路走偏时，也能从此前的记录分叉，换一条路径继续尝试，而不是从头再来。对开发者来说，AI 从一个难以解释的黑箱，变成了一个可以检查、复盘和优化的工作过程。
其他亮点与首日口碑
DeepSeek Harness 目前准备了四种预设模式：标准模式适合完整的开发任务；极简模式只保留必要工具，方便做对比测试；PTC 模式适合多步编排；创造模式则帮助开发者试验插件、制作自己的 Agent 模板。它既支持 DeepSeek，也支持 OpenAI、Anthropic 和自定义兼容接口。模型配置文档发布第一天讨论的态度很分化。有人喜欢它的界面、过程展示和高度可定制性，有用户已经做出了自动命名会话、Git worktree、余额展示等小插件。有的人则认为它目前速度不够理想、Token 消耗偏高，Skills 的加载方式与文档也不够清楚；还有高互动讨论指出，子代理仍有不少问题。
对 AI 生态意味着什么
DeepSeek Harness 最有特点的地方，不是它开源了，也不是它有插件、工具调用或任务记录——这些能力在其他产品中都能找到。它的特别之处在于，DeepSeek 想把“可自由组合的系统”“可编排的工具调用”“可复盘的任务轨迹”放进同一套开源底座。这会推动 AI 竞争从“谁的模型更聪明”，进一步走向“谁能让模型在真实任务里更可靠、更安全、更容易被改造”。对开源模型尤其如此：模型本身开放，不代表用户就能方便地把它用进自己的流程。真正决定体验的，往往是它有没有合适的工具、规则、记忆和反馈机制。所以，DeepSeek Harness 当前更像一个面向开发者的 Agent 底盘。它未来能否形成生态，要看插件是否丰富、文档是否易懂、性能是否改善，以及权限和安全是否足够可靠。但它已经提出了一个值得重视的方向：未来的 AI 助手不应只是一个“拿来就用”的黑箱，也应是一套用户能够看懂、检查并亲手塑造的系统。
