千呼万唤始出来：DeepSeek Harness 开源当天狂揽近 3 万 Star！8 月 13 日,DeepSeek

8 月 13 日,DeepSeek 的 Agent Harness 仓库突然转公开,截止13日当天24点 Star 数就冲到 2.8 万+,我们撰稿时已经逼近 3 万,同时还有 2100 多个 Fork。

一、它到底是什么?

DeepSeek Harness(dsh)是一个开源的 agent harness——就是给 AI 编程智能体提供"身体"的那套框架:怎么调用模型、怎么执行命令、怎么读写文件、怎么审批、怎么沙箱隔离。补齐了DeepSeek作为模型厂商没有自己的agent入口这件事情，业内现成的对标物是Anthropic的 Claude Code 以及 OpenAI Codex 还有各家模型厂商自己的agent应用。

DeepSeek 做这件事不是心血来潮。早在 5 月,官方就确认组建 Agent Harness 团队,目标是“从零做 DeepSeek Code Harness,对标 Claude Code”;挂帅的是崔添翼——Jane Street 九年量化老兵,后来做过量化机构联合创始人。6 月,团队一口气放出 Harness 研究员、工程师、产品经理三个招聘岗位;6 月 23 日,崔添翼还在社交媒体上感叹“人手很缺,每天都在面试”。就是这样一支小团队,两个月后交出了这份答卷。

二、公开前的一条内测帖,变成了开源圈大摸底

8 月 1 日,崔添翼在 X 上发帖招募内测,条件很简单:参与过开源 Agent 项目的建立维护,并提交 GitHub 代表作。

结果这条帖 47.6 万浏览、近 700 条回复。评论区变成了开源 Agent 项目的路演现场:LLaMA-Factory 作者、LobeHub、字节的 deer-flow、elizaOS 核心成员、camel-ai 核心成员、ModelScope 创始成员……全来了。有媒体统计,报名者手里的仓库加起来超过 120 万 Star。

你想测别人的 harness,别人先把你摸底了。 但 DeepSeek 团队显然是认真的:8 月 13 日,仓库直接以 MIT 协议开源,插件生态同步开放。

三、我们把代码克隆下来,扒出了这些细节

光看新闻稿没意思。我们本地克隆了仓库、读代码、翻提交、查依赖,还把它在自己的机器上跑了起来。把它和市面上已有的 coding agent 产品放在一起比,差异比想象中大得多:

其一,本地 UI 交互,不拘泥于 CLI或者GUI。 Claude Code、Codex 都是终端或者GUI优先的产品;dsh更像OpenClaw或者Hermes一上来就是一个本地 Web UI:npx @deepseek-ai/dsh web 一条命令,浏览器打开 http://127.0.0.1:3080,模型配置、工作区选择、会话、审批、插件管理全在网页里点。在这里插入图片描述 我们在本地跑起来的 Web UI:会话区、工作区、模式选择都在浏览器里。

其二,四种工作模式,而不是一种"全能模式"。 官方对预设的定义很直白:"预设即一个会话的 Agent 所运行的插件组装——它的工具、提示词与能力"。内置四种:

标准模式:功能完整的编码 Agent,文件编辑、Shell、检索、Skills、计划、目标、子代理、工作流全开,是默认的主力形态。
PTC 模式:通过 Code Mode SDK 呈现工具,让模型用一个 TypeScript 程序组合多步操作——给模型"编程接口",而不是让它手搓一次次工具调用。
极简模式:只留持久 bash 和 str_replace_editor 两个工具,给追求可控、省 token 的轻量场景。
创造模式:在标准能力之外加上运行时检查与插件实验,让 Agent 反过来帮你设计和创建新 preset——用 Agent 造 Agent,官方直接把它做成了产品功能。

换模式 = 换一份插件清单,这和 Claude Code 里改几个配置项完全是两种思路。

在这里插入图片描述

设置 → Agent 预设:四种内置模式,自定义预设可以复制修改,或让 Agent 帮你写。

其三,默认支持所有模型厂商。 这点上DeepSeek还是很大方，并没有邦死自家的模型。设置 → 模型里,DeepSeek 官方只是其中一个提供方;任何 OpenAI 兼容端点都能作为自定义提供方加进来,保存即生效,不用重启服务。

在这里插入图片描述

设置 → 模型:支持 DeepSeek 官方与任意 OpenAI 兼容提供方。

对比之下,Claude Code 主要服务自家模型,第三方接入要靠环境变量拼;Codex 更是把模型和产品绑得死死的。dsh 从架构上就把模型适配器做成了插件——支持谁、路由到谁,只是注册表里的一行。

其四,全员插件化,整个系统就是插件驱动的。 这个是这套harness和其他模型厂商推出的coding agent最大不同点，整个 harness 跑在一个叫 Cordis 的插件微内核上——核心源码只有 9 个文件,连 agent loop 本身都是一个插件,可以被整体替换。我们本地实例 dump 出来 133 个插件,每个都能单独启停:模型适配、工具注册、会话日志、沙箱策略、权限审批、Claude Code/Codex hooks 桥接、MCP、ACP、网页搜索……全都是插件,没有"特权内核"。

在这里插入图片描述

设置 → 插件:这个部署一共装配了 133 个插件,每个都能单独启停。

这是我们从本地实例 dump 出来的真实启动配置(节选),连 hmr 被 web 模板 patch 成停用都看得一清二楚:

# dsh --profile web --dump-config
# == @deepseek-ai/dsh-base
- id: llm
  name: '@deepseek-ai/dsh-llm'
- id: session
  name: '@deepseek-ai/dsh-session'
- id: agent
  name: '@deepseek-ai/dsh-agent'
# == @deepseek-ai/dsh-base, patched by @deepseek-ai/dsh-web-app
- id: hmr
  name: '@deepseek-ai/cordis-plugin-hmr'
  disabled: true

连最"核心"的东西都是插件:会话日志是插件(append-only 事件日志,Resume/Fork/Replay 共享同一事件流,"模型可见的一切都能从日志重建"),沙箱是插件(默认 workspace-write、失败关闭 fail-closed),Claude Code 的 hooks.json 也能被插件桥直接解析执行。你想改什么,挂个插件进去就行。

所以,它到底是个什么? 我们的结论是:这不是又一个"同事型" cowork 产品,也不是又一个 Claude Code/Codex 式的 coding agent——它是一层更底下的东西:一个把界面、模式、模型、工具全部解耦开来的 harness。dsh 不跟你抢"怎么帮你写代码"这个答案,它抢的是"agent 产品该长什么样"这个命题:模型、工具、界面、模式都是可插拔零件,谁都能用它组装出自己的 coding agent。这是一种全新的产品品类——harness 本身第一次成了主角。

四、设计血缘大起底:它"借骨"借得很聪明

继续往深挖,我们找到了它的"设计血统"。

插件的骨架 Cordis,作者是 Shigma(史一凡)——著名聊天机器人框架 Koishi 的作者,4000 多个社区插件验证过这套架构。现在他的 GitHub 主页公司一栏写着 @deepseek-ai:DeepSeek 没自己造插件系统,而是直接"雇佣"了这个领域最合适的人,把框架源码内联进了仓库。 开源当天,还有一篇 88 页的配套论文《A Programming Paradigm for Spatiotemporal Composability》(时空可组合性的编程范式)同步发布,harness 的 README 直接链接它——这就是论文的工业级验证。

更妙的是内联的代价:仓库里记录了 18 条对上游 Cordis 的本地修改。这已经不是 vendor,是 fork。借骨是有代价的,但他们把代价管理成了白纸黑字的清单。

五、一个容易被忽略的细节:这是"agent 开发 agent"的活样本

翻这个仓库,最大的冲击不是代码,而是开发过程本身。

.agents/notes/ 目录里躺着 1372 个文件、约 450 组决策笔记,从 6 月 11 日起逐日滚动。项目自己的文档写得很清楚:"Agent Notes 即 agent 写的 RFC"——这些设计决策记录,大部分是 AI 写的。也就是说,你现在能在仓库里翻到的"架构决策",很多出自一个 agent 之手。

这还没完。仓库里内置了一整套给 AI 用的技能:dsh-code-review(AI 代码审查)、dsh-merging-stacked-prs(AI 合并 PR 栈)、自动管理 issue 生命周期的机器人……最幽默的是 dsh-trim-cot-leakage——专门负责修剪 AI 散落进文档里的思维链痕迹。你品品:一个项目,AI 多到需要一个专门技能去清理 AI 的"思考残留",这是什么浓度?

64 天,1.2 万提交,核心团队约 15 人。人肉根本写不出这个速度。这就是 AI 原生开发的活样本:人定规则、AI 写码、机器把关。 DeepSeek 用 agent 开发了一个给 agent 用的框架,然后开源了它。

不过该吐槽还得吐槽:这波开源,等于把工厂的流水线日志也一起打包发货了。Agent Notes、三语版本、内部技能清单、连"防止思维链泄漏"这种遮羞布级的小工具,全都原样躺在仓库里。你可以说这是 AI 原生团队的心大,也可以说是极致的坦诚——他们连"AI 参与开发的证据"都懒得藏,或者说,根本没觉得这需要藏。

但换个角度想:对想学 AI 原生开发的团队来说,这个仓库是绝佳教材——450 组决策记录就是 450 份教学案例。看热闹的人只看到 3 万 Star,真正会看的人,已经开始抄它的 Agent Notes 作业了。

六、争议也不少

先说清楚,不是一片叫好。

拿到内测资格的机器之心实测过:V4-Flash 30 分钟零干预生成了一个丧尸射击游戏(3 个 turn、127 步、5 个并行子代理),"华强买瓜"3D 动画的质量反超了 Codex + GPT-5.6 的组合。HN 讨论帖 268 分,有人用本地 Qwen 9B + llama.cpp 跑通,说"很顺"。

但质疑同样尖锐:内测 NDA 被曝索要身份证复印件,知名云原生开发者 gaocegege 公开吐槽隐私合规;"插件疲劳症"——是不是又要学一套新插件生态?npm 供应链安全谁负责?"时空可组合性"被调侃为 word salad;最损的一句是:"一切皆插件——他们是刚刚发现 Unix 管道吗?"

官方作者亲自下场回帖:"这是早期开发者预览,MIT 许可,会有破坏性变更。"姿态诚实。

七、我们的判断

正如 dsh 官方自己所说,harness 还处于开发者预览(公测)阶段,未来还要在开源社区持续打磨,破坏性变更随时会来。但从这次开源,我们已经能看出 agent 领域的几个趋势:

1. Agent 框架又回来了,插件化将是未来 agent 框架的建设方向。 2023 到 2024 年那波框架热(AutoGPT、LangChain 那一代)退烧之后,行业一度流行"框架无用论":模型够强,一个循环加几个工具就够用了。随后 Claude Code、Codex 用产品化证明了 agent 的价值,但把框架藏进了产品内部——你只能"用",不能"拆"。dsh 这次把框架重新放回台前,开源当天近 3 万 Star,证明社区对"可组装底座"的需求一直都在。而插件化的意义在于改变扩展方式:从"改源码、提 PR、等合并"变成"挂一个插件";Cordis 的"注册即效果、可逆卸载"又给了插件热挂载、可回滚的工程保证——这是老一代框架靠回调和生命周期管理做不到的。判断:agent 框架会回来,但赢的是"内核极小、一切可替换"的插件化框架,不再是全家桶。

2. 插件化的 agent 框架,将重新和"coding agent 作为核心产品架构"产生竞争。 过去一年的主流叙事是"把 agent 能力封装进产品":Claude Code、Codex、Cursor 都走这条路,靠整合体验和独占模型赢市场。dsh 代表的是相反路线:框架开源、体验完整(Web UI、四种模式、模型中立),而且把兼容性做成了武器——直接读你现有的 hooks.json,还能把 Claude Code、Codex 本身当子代理调用,连对手都是它的插件。插件框架真正的威胁在于:它把"产品"降维成了"preset + 插件组合",任何 coding agent 产品理论上都能被组装出来。当产品功能可以被组装,护城河就会从功能转向模型与数据,竞争也会重新回到框架层——谁的插件生态大,谁就是事实标准。两种架构会长期并存,但"组装一个 coding agent"的成本将被压到史上最低。

3. 模型厂商的"模型 + agent"形式,将不再拘泥于 coding agent 和 cowork 类产品。 此前模型厂商下场做 agent,形态基本只有两种:coding agent(Claude Code、Codex),或者"AI 同事"式的 cowork 产品。DeepSeek 这次选了第三种形态:harness——不做产品,做产品的底座。"模型 + harness"把组装权交给社区:谁都能基于 DeepSeek 模型搭出自己的 agent 产品,而 harness 对模型厂商中立,反而让 DeepSeek 模型成为"默认项"。开源当天同步发布 V4 Pro 正式版,"模型 + 框架"双引擎同台,商业逻辑很清晰:模型定智能上限,harness 定智能的形态,而形态越丰富,token 消耗的场景就越多。业内已经开始把 Model + Harness 当作下一代形态来讨论——coding agent 和 cowork,不再是模型厂商仅有的两个选项。

如果你喜欢这种的深度内容,欢迎关注我:后续我会持续更新一系列技术拆解与设计分析——从 agent 框架的loop循环，插件内核,到沙箱与权限模型,再到“AI 参与开发”的工程方法,把每个热点背后的真东西一篇一篇讲清楚。

参考来源: