DeepSeek Harness – DeepSeek开源的命令行AI智能体框架

DeepSeek Harness（DSH）是一款由深度求索DeepSeek于2026年8月开源的命令行AI智能体框架，采用MIT许可证，主要用于把大模型升级为能自主管理项目、编排多Agent、执行长任务的智能体，支持”一切皆插件”的Cordis插件系统和四种运行模式，适用于编程自动化、任务托管与Agent框架二次开发等场景。

DeepSeek Harness核心能力与架构

DeepSeek给它的公式是”Model + Harness = Agent”：模型只负责思考，Harness（马具/执行架）负责把思考变成行动——管项目、管上下文、管工具、管沙箱。官方将其对标Claude Code和Codex，但选择了彻底开源（MIT）的路线，且明确标注为v0.1开发者预览版，不建议直接用于生产环境。

“一切皆插件”的Cordis系统

Cordis是DSH的骨架，也是它区别于其他CLI Agent的最大差异点。模型、工具、技能（Skill）、会话、沙箱、存储、循环（Loop）、调度、UI九大组件全部插件化——换一个底层模型、换一个沙箱实现、加一种存储后端，都不需要动框架本体。对想做Agent平台二次开发的团队，这意味着极高的可定制自由度。

这套设计也解释了为什么DSH敢对标闭源的Claude Code：闭源产品的扩展边界由厂商决定，而MIT许可加全插件化架构，让社区可以把任何一个环节替换成自己的实现。

四种运行模式

模式即调度策略。标准模式面向常规交互任务；PTC（Programmatic Tool Calling，程序化工具调用）模式让模型用代码而非逐个JSON调用工具，批量操作效率更高；极简模式削减开销、适合脚本化嵌入；创造模式面向开放式生成任务，放宽工具调用约束。开发者可以按任务类型切换，不必为所有场景共用一套折中配置。

面向真实工程的四类能力

项目管理方面，DSH能维护跨会话的项目状态，长任务可以拆解、挂起、续跑；多Agent编排支持把任务分派给多个子Agent并行推进；上下文管理负责在长会话里压缩和检索历史，缓解”聊太久变笨”；联网搜索与Skill系统则让Agent能自主补信息和沉淀可复用技能。这些能力组合起来，指向的是”把一摊工作整体托管给AI”而非”问一句答一句”。

DeepSeek Harness与Claude Code、Codex对比

三条路线的取舍很清晰。Claude Code和Codex胜在打磨度和模型-框架一体优化，站内GPT-5.3 Codex评测有详细体验；DSH胜在开放——MIT许可、全插件化、模型可换，适合想深度定制Agent管线的团队。也可以配合站内的DeepSeek-V4模型评测和GLM-5.3等国产模型组合使用。

DeepSeek Harness应用场景与适用人群

• 编程与工程自动化：代码库级重构、跨文件修改、自动化测试修复，长任务拆解后托管执行。
• 多Agent管线搭建：调研、编码、评审分派给不同子Agent，开发者只审最终产出。
• Agent框架二次开发：基于Cordis替换模型、沙箱、存储组件，搭建自有Agent平台。
• 本地任务托管：定时跑数据整理、信息聚合、批量文件处理等脚本化工作流。

适合谁用：能接受命令行操作、希望深度定制Agent行为的开发者；想研究Agent架构的实现思路、或想基于开源框架构建内部工具的工程团队。暂不适合的情况：追求开箱即用稳定体验的普通用户——v0.1预览版仍在快速迭代，官方明确不建议用于生产环境。

如何使用DeepSeek Harness

• 环境要求：Node.js环境，一条命令启动：npx @deepseek-ai/dsh web即可拉起Web界面，纯CLI用法参考GitHub仓库文档。
• 配置模型：默认接入DeepSeek系列模型，Cordis插件体系下也可替换为其他兼容模型。
• 选择模式：常规任务用标准模式，批量工具操作切PTC模式，脚本嵌入用极简模式，开放生成用创造模式。
• 获取源码：GitHub搜索DeepSeek组织下的Harness仓库，MIT许可证，可自由fork和商用。

DeepSeek Harness的官方资源

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

DeepSeek Harness开源状态与已知局限

MIT是业界最宽松的许可证，商用零门槛。对比部分”社区许可”（限制营收规模或地域）的所谓开源模型，DSH在框架层面没有附加条件，企业接入无需法务审查成本。

局限要正视：v0.1是开发者预览版，官方自己都标注了不建议生产使用，稳定性和文档完整度都在早期；功能打磨优先级由社区和官方共同决定，遇到问题可能需要读源码解决；多Agent编排和Skill系统的实际效果依赖底层模型能力，模型不够强时编排收益有限；国内网络环境下npm拉取和模型API访问需要自行解决。

常见问题