3 天 127k star！DeepSeek Harness 把整个 agent 拆成了 133 个 plugin，确实够彻底!

大家好！我是瓜哥。前互联网技术副总裁，现在带队死磕 AI 编程。

8 月 13 日，DeepSeek 开源了一个新东西：deepseek-harness。仅 3 天的时间，Github 上的 star 已冲到 127k。

这是个什么东东？又凭什么这么火爆？

一句话解释：它是 DeepSeek 官网最新开源的智能体，一个让大模型在真实场景里能调用工具、跑多步任务、写代码的那种智能体。

千呼万唤，终于等来了 deepseek 自家的 agent。话不多说，我花了一个晚上把它装上、跑起来、拆开看了一圈。

下面是我看到的所有东西，全部带截图、带耗时数据、带产物文件，值不值得你装上，一次拆开给你看。

01 ｜ 三个真实任务

我自己跑通了 3 个任务，每一个都从 0 到能跑能看。这是实测结果。

① 橘猫名片

一句话告诉 dsh「做一张橘猫程序员名片，要会眨眼、要能点按钮投喂」。它花了 2 分钟，吐出一个 449 行的 HTML 文件，单文件、零依赖。

底下这张 GIF 是按投喂按钮之后的效果：

尾巴会摇一下，屏幕上飘过 5 条小鱼干。按钮文字会变成「投喂成功」。

这些彩蛋我没要求，是它自己加的。

② 午餐投票小站

难度上来了：Node.js 后端 + Express + 文件存数据 + 前端 + 启动说明，全套。

dsh 自己列了任务清单，5 个文件一个个写完，然后装依赖、启动服务、自己跑了一遍冒烟测试 —— 下面是它给的执行总结：

跑通之后我用浏览器真的投了一次票，麻辣烫拿了 1 票：

这是整个过程的 GIF：

功能和逻辑一把过，挑不出什么毛病。

③ 3D 立方体

要求是纯 CSS 3D、不要 WebGL、不要 Three.js。6 个面分别代表 DeepSeek Harness 的 6 个核心概念。

它 1 分 33 秒就搞完了。旋转的动效：

④ 三个任务的耗时

缓存复用最高跑到 97% —— dsh 把每次对话的 system prompt 和工具清单都缓存了，第二轮直接复用，不用重新发给模型，这个缓存命中率真是相当可以。

我还看到有人执行的任务，缓存命中率能高达 99%，这意味着你只需要极低的成本就可以完成一个任务。

02 ｜ dsh 如何安装？

① npx 启动

装它其实就一行：

codeCOPY
npx @deepseek-ai/dsh web

打开浏览器访问 http://127.0.0.1:3080，UI 长这样：

打开之后它第一件事是拦住你，让你配 API Key：

配上 API Key之后，才露出真实样子：

写个 prompt，回车，它就开始干活。顺手查了下这个包：

codeCOPY
$ npm view @deepseek-ai/dsh version0.1.0-rc.6$ npm view @deepseek-ai/dsh licenseMIT

包名是 @deepseek-ai/dsh，命令叫 dsh，最新版本 0.1.0-rc.6，MIT 协议。

看 dependencies 是一长串：@deepseek-ai/cordis-plugin-*、@deepseek-ai/dsh-base、@deepseek-ai/dsh-headless 等等。

真相是：dsh CLI 自己只是个调度器。真正干活的是这些子包，按需要拼起来用。

03 ｜ 拆开看内部

① dump-default-config 把插件树摊开

启动一个 dsh 进程，里面到底加载了啥？官方给了一条命令：

codeCOPY
npx @deepseek-ai/dsh --profile web --dump-default-config

输出是一份 490 行 的 cordis.yml 树，里头有 129 个插件。

换 headless profile 跑一次：

codeCOPY
npx @deepseek-ai/dsh --profile headless --dump-default-config

只剩 333 行、81 个插件。

对比一下：

注意 ui-* 那一行：从 54 变成 0。同一套 base，换个 profile，整个客户端就没了。

换句话说，UI 不是 dsh 的「壳」，UI 是另一个插件包。这个设计思路挺有意思 —— 它没有「核心代码 vs 插件」之分，全是插件，连 agent loop 自己都是插件。

04 ｜UI 长这样

① 设置面板把 cordis.yml 摊成 UI

点左下角的齿轮，会弹出一个设置面板：

四个 tab：通用设置、模型、插件、Agent 预设。右上角有个「打开配置文件」按钮 —— 点开就是 cordis.yml 本身。

切到「插件」tab：

每个 capability 都有「打开设置」折叠项。

再切到「插件列表」：

注意顶部那个数字：133 个插件。这是这个部署实际加载的插件数。

所有插件只有两种状态：已启用 / 已停用。没有「这个是核心」「那个是边缘」的区分 —— 这就是 README 里反复说的 Everything is a Plugin。

任务跑完之后，还可以切到「轨迹」tab：

顶上是一张彩色甘特图，三条轨道：Input / Model / Tools 并行跑。下面是 SYSTEM、Turn 1、USER、CONTEXT、ASSISTANT、TOOL 的完整调用链。

每一次工具调用、每一次思考、每一条上下文注入，都摆在这里。

「会话日志作为唯一事实源」这句话，在 trajectory 视图里变成了一张可视化的图。

05 ｜ 我的判断

① 现状：开发者预览版，不是稳定版

README 自己警告：「THERE WILL BE COMPATIBILITY-BREAKING CHANGES」。

GitHub 的 releases 数组是空的，npm 上最新是 0.1.0-rc.6，release candidate，不是 stable。

写生产代码不建议。

写 demo / 学习 / 自己 fork 一个改造，倒是正好。

② 它押的是什么

DeepSeek 把 Agent 拆成「Model + Harness」两层，把 Harness 当 npm 包发出来，把 Cordis 上游化（还给上游写了一篇论文）。

这不是 LangChain 那种 SDK 抽象的复刻路径，是新范式。

赌的是：未来 12 个月，「agent = model + harness」会被大多数开发者接受，而 harness 必须可替换、可组合、可本地化。

DeepSeek 把 harness 开源、协议 MIT、还给 Cordis 上游写论文。

这个赌注是来真的，不是营销。

③ 和 Pi 是同一个物种，但不是同一个实现

写到这，我顺手查了下另一个 harness：Pi（仓库 earendil-works/pi，91k star）。它的官网第一句话是：

Pi is a minimal terminal coding harness.

>

Designed to stay small at the core, extended through TypeScript extensions, skills, themes, and pi packages.

和 dsh 说的是同一件事 —— 把 agent 拆成 model + harness，把 harness 做小、把扩展做活。

但实现路径不一样：

两者押的是同一个赛道（harness 标准化、可替换），但实现路径不一样。

dsh 走得更极端。它把 Everything is a Plugin 这件事贯彻到底，连 agent loop、模型适配、会话日志都是 plugin。

Pi 走得更稳。它承认一个最小核心，然后让 extensions / skills / packages 在外围生长。

这就像 npm vs yarn：解决的是同一个问题，但做法不一样。现在还看不出谁会是最优解。

④ 它跟谁对位

和 LangChain / LlamaIndex 的 SDK 抽象：不是一个物种。

和 Claude Code / Codex CLI 的「完整产品」：也不是一个物种。

它对位的是 npm 之于 Node：把「agent 需要的各种能力」标准化成可安装、可替换、可组合的小包。

06 ｜ 写在最后

3 天 127k star 不是刷出来的。

是因为「npx 一行命令 + 133 个真插件 + 真能跑通 3 个不同类型的任务」这三件事同时发生，这种稀缺性本身就是流量。

但也别上头：它是开发者预览版，releases 数组空着，README 自己说会有破坏性变更。

怎么理解这句话？

1. deepseek-harness 当前还在快速迭代阶段，内部代码结构、API签名、数据格式这些都还没稳定；

1. 别把它当稳定版本用，不要拿这个版本去搭生产系统、上线给真用户；

1. 升级有风险，不要盲目追新版本号，看 changelog 再升；

1. 自己 fork 是 OK 的，你下载源码研究、自己玩，没问题

结论：它当前的状态是「开发者预览版」，能用，但每天都在变。

想跟上玩一玩的话，三步走：

1. 先 npx @deepseek-ai/dsh web，花 5 分钟看一眼 133 个插件

1. 再 --dump-default-config，看 cordis.yml 是怎么拼出来的

1. 有 API key 之后回头跑标准模式，看 trajectory 是怎么记录每一步的

扩展阅读：

• 仓库：https://github.com/deepseek-ai/deepseek-harness

• 落地页：https://deepseek.com/harness

• API 文档：https://api-docs.deepseek.com/

• Cordis 论文：https://github.com/cordiverse/paper