可以不夸张地说，最近开源圈突然杀出来的 DeepSeek Harness，真的太懂 AI Agent 用户的痛点了。从公开发布到现在仅仅几天时间，DeepSeek Harness 的 GitHub Star 就已经冲到了 18.8 万级别，同时 Fork 数也突破了 2 万。

 

那么问题来了：为什么一个刚刚开源的 Agent 框架，能在这么短的时间里获得如此夸张的关注？

我觉得，核心其实就四个字：

一切皆可插件

 

DeepSeek Harness，到底特别在哪里？

如果你以前用过各种 AI Agent，应该会发现一个非常明显的问题：很多 Agent 看起来功能很多，但实际上自由度并不高。模型是开发者帮你选好的，工具是固定的，Agent 循环是固定的，记忆和会话是固定的，甚至连 UI 都是固定的。你可以使用它，但很难真正改变它。而 DeepSeek Harness 反过来了。

 

它从底层架构上就把各种能力设计成了可以替换、组合和扩展的插件。官方架构文档甚至直接把这种设计概括成：Everything is a Plugin。

在 DeepSeek Harness 背后的 Cordis 架构中，模型适配器、工具注册、Session、Agent Loop 等核心组成部分，都可以通过插件机制进行替换。

 

换句话说：它不是给你一个已经组装好的 Agent，而是给你一套可以自己组装 Agent 的积木。模型可以换、工具可以换、Skills 可以换、Session 可以换、沙箱可以换、文件系统可以换、甚至连 Agent 的循环和编排逻辑都可以换！这才是 DeepSeek Harness 最有意思的地方。

 

一、本地部署 DeepSeek Harness

如果你也想体验一下，其实部署并不复杂。不过需要注意，目前官方项目仍然处于 Developer Preview 阶段，官方明确提醒项目迭代非常快。

第一步：安装必备环境

首先准备 Node.js。建议使用当前项目要求的 Node.js 版本。在正式安装 DeepSeek Harness 之前，需要先准备两个基础环境：

  1. Node.js

  2. pnpm

1. 安装 Node.js

首先安装最新的 Node.js LTS 版本

1、官方下载：【点击前往】

2、高速下载：【点击前往】

 

安装后在CMD下执行命令：

pnpm -v

 

它会自动安装pnpm

 

第二步：下载 DeepSeek Harness

直接进入官方 GitHub 仓库：

首先，我们需要下载最新开源的DeepSeek Harness。

1、GitHub 下载：【点击前往】

2、网盘下载：【点击前往】 无需翻墙

 

下载后将其解压，然后在命令终端下进入其根目录，并依次执行下方3个命令：

 

1、安装依赖：

pnpm install

 

2、构建

git init
git add .
git commit -m "initial commit"
pnpm run build

3、启动：

pnpm dsh web

 

默认情况下，WebUI 会运行在：http://127.0.0.1:3080，启动后它会自动弹窗出来

第三步：连接模型

DeepSeek Harness 真正好玩的地方，从这里才开始。如果你不想使用本地模型，可以接入兼容的 API 服务。并且可以对接大量免费的API，如果自己轻量使用，还是非常可以的。

例如：OpenRouter

 

OpenRouter 官方网站：【点击前往】

 

 

这样可以根据自己的需求选择不同模型。当然，如果你有自己的 GPU，也完全可以考虑本地模型。

例如：

Ollama

或者：

vLLM

最终形成：

DeepSeek Harness
       ↓
     Agent
       ↓
本地 Qwen / 其他模型
       ↓
工具 + Shell + 文件系统
       ↓
     你的电脑

这时候，Agent 就真正开始“干活”了。当然为了降低新手的使用难度，这次我们使用jan这款开源软件来进行本地部署开源模型，并将本地模型对接到DeepSeek Harness

第四步：下载Jan

【点击前往】

安装后在软件中心，可以自由下载Hugging face上的开源模型，比如我输入最新开源的 Qwen3.8 27B 模型

 

https://huggingface.co/unsloth/Qwen3.8-27B-GGUF

 

载入下载地址就可以识别多种不同尺寸的模型，它会根据你的硬件配置大小，来推荐你下载最适合你的模型

 

 

点击右侧是下载按钮进行下载模型，下载完成后就可以使用这个本地模型，同时你需要在设置中心，开启本地API服务器，如下载图所示：

 

 

最后只需将API 服务地址：http://127.0.0.1:1337/v1 对接到deepseek harness 上去就可以了

 

 

对接API后，在对话框就能选择本地开源模型

 

 

 

如果电脑拥有比较强的 GPU，那么 DeepSeek Harness + 本地模型其实是非常值得尝试的组合。尤其是现在开源模型的能力越来越强。过去可能需要：

云端模型 + API + 订阅

才能完成的事情。

现在已经可以逐渐变成：

本地模型 + 本地 GPU + Agent + 插件。

成本从按 Token 付费，逐渐变成：

一次性硬件成本 + 电费。

当然，本地模型并不会在所有任务上都比顶级闭源模型更强。

速度、推理能力、工具调用稳定性以及长任务可靠性，都还存在差距。

但是对于愿意折腾的人来说：你得到的是完全不同的控制权。

四、真正夸张的是：Agent 本身也可以被“拆开”

DeepSeek Harness 有意思的地方，并不只是“可以换模型”。

更核心的是：

Agent 自己也不再是一个黑盒。

在传统 Agent 里，你通常只能控制：

Prompt → 模型 → 工具 → 结果

但 DeepSeek Harness 的插件架构允许开发者进一步介入 Agent 的运行机制。

例如：

  • Agent 怎么调用工具
  • 工具如何注册
  • Session 怎么保存
  • 模型怎么接入
  • Agent Loop 怎么运行
  • 不同组件之间如何通信
  • UI 如何展示
  • 如何增加新的能力

都可以通过插件扩展。

这也是为什么它更像一个 Agent 操作系统的雏形，而不只是一个 AI 编程助手。

官方文档明确指出，Cordis 的核心思路就是让插件向共享 Context 注册 Service、事件以及可撤销的 Effect，然后让其他插件通过稳定的服务接口进行协作。

简单理解：

不是把所有东西写死，而是把整个 Agent 拆成一套可以动态组合的模块。

五、WebUI 看起来简单，却可能是最实用的设计之一

其实 DeepSeek Harness 刚出来的时候，也有人吐槽：

为什么又搞一个 WebUI？

但实际用起来之后，你会发现这个设计其实非常实用。

DeepSeek Harness 默认可以通过 WebUI 启动，本地运行时默认地址就是：

http://127.0.0.1:3080

官方也支持通过源码启动 WebUI。

这意味着：

Agent 跑在哪里，并没有那么重要。

你可以把它部署在：

  • 自己的 Windows 电脑
  • Linux 服务器
  • 家里的 NAS
  • GPU 工作站
  • 云服务器

然后通过浏览器查看 Agent 的执行状态。

尤其对于需要运行几十分钟、几个小时甚至更长时间的 Agent 任务来说，这种方式非常方便。

比如你在办公室启动任务。

下班以后回家。

甚至第二天早上起来。

只要能够访问运行中的 WebUI，就可以继续查看 Agent 的执行过程。

所以它没有搞特别复杂的客户端架构，而是采用了一个非常朴素的方案：

浏览器 + Agent Runtime。

但恰恰因为简单，反而非常实用。

六、网友已经开始把 DeepSeek Harness 玩出花了

真正让人震撼的，其实不是官方 Demo。

而是开源以后，社区开始疯狂折腾。

有人直接把 DeepSeek Harness 接到了本地开源模型，然后让 Agent 从零开始制作游戏。

其中一个案例尤其夸张：

完全本地运行，直接让 Agent 从零开始做一个第一人称射击游戏。

整个过程进行了 687 个步骤，输入累计约 8790 万 Token，输出约 82.2 万 Token。

模型运行时间超过 5 个小时，另外还有大量工具调用。

而最终的结果并不是一个简单的 HTML Demo。

而是一个真正可以运行的 FPS 游戏。

敌人会生成并向玩家推进。

枪械拥有后坐力。

游戏中存在阴影。

太阳会移动。

甚至能够看到太阳从高楼背后落下。

最重要的是：

它真的能玩。

这才是这个案例真正震撼的地方。

过去我们说“本地模型可以写代码”，很多时候只是写一个脚本、网页或者简单的小工具。

但现在，当 Agent + 本地模型 + 工具调用 + 长时间运行结合起来之后：

本地 AI 已经开始从“帮你写代码”，变成“自己完成一个项目”。

七、而这一次，Token 全部跑在自己的显卡上

这个案例还有一个特别值得关注的地方。

整个过程并不是调用云端前沿模型完成的。

而是让本地模型持续运行。

速度可能只有几十 Token/s。

相比云端模型当然慢很多。

但是问题在于：

它不需要你一直盯着。

你完全可以让它运行一个晚上。

睡觉的时候继续跑。

第二天起来，看看 Agent 做完了什么。

这其实改变了一个非常重要的东西：

以前本地模型最大的缺点之一是：

“慢。”

但 Agent 时代的计算方式发生变化以后，“慢”并不一定意味着“不能用”。

如果一个任务本身就允许运行几个小时，那么：

60 Token/s 和 200 Token/s 的差别，有时候并没有想象中那么重要。

尤其是当你拥有一张高性能显卡，而且不想持续支付 API 费用的时候。

八、18 个月前，本地模型还是玩具

这也是我觉得 DeepSeek Harness 最值得关注的地方。

大概一年多以前，本地大模型更多还是：

聊聊天、写写代码、跑跑 Demo。

但现在情况已经完全不一样了。

本地模型开始拥有：

模型 + Agent + 工具 + 浏览器 + Shell + 文件系统 + 沙箱 + 编程环境

这一整套能力。

而 DeepSeek Harness 恰好把这些东西组合到了一起。

所以真正发生变化的，其实不是单纯的：

“又出现了一个 AI Agent。”

而是：

本地模型正在逐渐拥有真正执行复杂任务的能力。

以前我们讨论本地 AI，重点是：

模型有多强。

现在我们开始讨论：

模型能自己完成什么。

这可能才是 Agent 时代真正重要的变化。

九、甚至有人已经把 DeepSeek Harness 接到了 iOS 自动化

如果你觉得做游戏已经够夸张了，那社区还有更高级的玩法。现在已经有人为 DeepSeek Harness 开发专门的 iOS 自动化插件。

安装之后，DeepSeek Harness 里的 Agent 就可以进一步操作 iOS 模拟器，甚至连接真实设备。

 

比如：

  • 自动构建 App
  • 自动运行 App
  • 点击
  • 滑动
  • 输入文字
  • 检查进程
  • 调用栈分析
  • 自动化测试
  • 排查内存问题

甚至可以把 iOS 实时画面直接显示在侧边栏。

插件一键安装命令：

 

dsh plugin --profile web add @zseven-w/dsh-ios@latest
dsh web

 

 

这意味着什么？

以前你可能需要：

AI → 写代码 → 人工编译 → 人工运行 → 人工测试 → 人工修改

现在则可以逐渐变成：

AI → 编码 → 构建 → 运行 → 操作设备 → 测试 → 发现问题 → 修改 → 再测试

整个闭环都可以交给 Agent。

而这正是“插件化”真正恐怖的地方。

因为只要有人愿意开发插件：

Agent 的能力边界就可以不断往外扩。

甚至 SwiftUI 预览也可以加入进来

对于 iOS 开发来说，这种组合尤其有意思。

如果再加入 SwiftUI Preview、热重载以及自动化测试能力，那么从：

开发 → 调试 → 运行 → 测试

整个流程都可以逐渐塞进 DeepSeek Harness。

这时候 DeepSeek Harness 就已经不太像传统意义上的“AI 编程助手”了。

它更像：

一个可以自己操作开发环境的 AI 工作台。

而且这个工作台不是固定死的。

你可以自己加插件。

别人也可以开发插件。

整个社区还可以继续扩展。

 

这才是“一切皆插件”的真正意义

所以回过头来看：

为什么 DeepSeek Harness 能在这么短时间内冲到接近 18.8 万 Star？

我认为，真正吸引开发者的并不是某一个具体功能。

而是它背后的思路：

不要告诉用户应该怎么使用 Agent。

直接把 Agent 拆开，让用户自己决定怎么组合。

模型可以换。

工具可以换。

Skill 可以换。

UI 可以换。

Agent Loop 可以换。

沙箱可以换。

甚至未来你完全可以开发自己的插件。

这其实非常符合开源社区的文化。

因为开源最有意思的地方，从来不是：

“官方给了你什么。”

而是：

“你拿到源码之后还能折腾出什么。”

而 DeepSeek Harness 恰恰把这种自由度直接写进了架构里。

DeepSeek Harness 真正值得期待的，是接下来

现在的 DeepSeek Harness 还只是 Developer Preview。

甚至官方自己都明确提醒：

会有兼容性破坏性更新。

所以现在评价它是不是一个“成熟产品”，其实还太早。

但如果从开源生态的角度来看，它已经非常值得关注。

因为真正决定一个 Agent 项目未来上限的，可能并不是：

“今天它有多少功能。”

而是：

“明天社区可以给它增加多少功能。”

而 DeepSeek Harness 的答案非常简单：

Everything is a Plugin。

模型可以进来。

工具可以进来。

Skills 可以进来。

开发环境可以进来。

手机可以进来。

浏览器可以进来。

甚至未来任何你能想象到的执行环境，都有可能通过插件接入。

写在最后

我觉得 DeepSeek Harness 这次真正有意思的地方，并不是 18.8 万 Star 这个数字本身。

Star 只是结果。

真正值得关注的是背后的方向：

AI Agent 正在从一个“软件功能”，逐渐变成一个可以自由组合的基础设施。

过去我们用软件，是软件规定我们怎么用。

而未来的 Agent，可能会反过来：

由用户自己决定它应该是什么。

你可以给它换一个模型。

给它增加一个工具。

塞进去一个 Skill。

接入自己的服务器。

连接本地 GPU。

让它控制浏览器。

让它操作手机。

甚至自己开发一个插件。

最终搭出来的 Agent：

可能只有你自己能定义。

这也许就是 DeepSeek Harness 这句 “Everything is a Plugin”，真正值得我们关注的地方。

18.8 万 Star 只是开始。

真正值得期待的，是接下来这个插件生态到底会长成什么样。

相关资源