DeepSeek Harness 系列（01）：它是什么——生产级 Agent 运行时全景

冬奇Lab
106 阅读8分钟

从一个问题开始

你用 Python 写了一个 Agent，接了几个工具，在本地跑得不错。然后你想把它上线——

  • 对话历史怎么存？进程重启后怎么恢复？
  • 用户 A 的 Agent 不能用用户 B 的工具，怎么隔离？
  • Agent 要执行 shell 命令，怎么防止它删掉不该删的文件？
  • 哪个工具被调了几次，每次花了多少 token，怎么统计？
  • 想换一个模型提供商，需要改多少地方？

如果你在用 LangChain、LangGraph、AutoGen，你会发现这些问题要么没有官方答案，要么需要自己拼很多东西。

**DeepSeek Harness（dsh）**就是为了解决这些问题而生的。它不是一个"帮你调 LLM 的库"，而是一个生产级的 Agent 运行时——把 Agent 跑起来需要的那些基础设施，它全部内置了。

dsh 是什么

官方的一句话定义：

DeepSeek Harness (dsh) is an open-source agent harness developed by DeepSeek AI, built on an everything-is-a-plugin architecture.

拆开来看：

Agent Harness：harness 这个词来自工程领域，意思是"线束/安全带"——把各种松散的部件约束在一起，让它们安全、有序地协同工作。Agent Harness 就是让 Agent 的各个部件（模型调用、工具执行、记忆管理、权限控制……）有序运转的运行时框架。

Everything-is-a-plugin：这是 dsh 的核心设计哲学。模型适配器是插件，工具注册是插件，Agent 循环本身也是插件，甚至日志记录和权限控制也是插件。没有不可替换的"核心"——你可以换掉任何一个部分，系统照常运行。

Open-source：MIT 许可证，代码在 GitHub 上完全公开。

它能做什么

功能一览

功能说明
工具调用注册工具、schema 自动生成、权限审批、执行沙箱
多 Agent 协作Subagent 调用、Agent Teams（实验性）
Session 持久化对话历史 append-only 存储，进程重启后可完整恢复
沙箱隔离文件写入、shell 执行都可以限制在安全边界内
可观测性Token 计量、Session 遥测、OTel 集成
动态 Prompt各插件注册自己的 prompt 片段，统一组装
热重载修改插件配置，不重启进程即可生效
多种运行模式Web UI、headless（命令行）、SDK、ACP 服务

一键启动

# 不需要 clone 代码，直接运行
npx @deepseek-ai/dsh web

这一行命令会启动一个完整的 Agent 服务，带 Web UI，默认地址 http://127.0.0.1:3080。背后已经内置了：模型连接、完整工具集（文件操作、shell 命令、网络搜索）、Session 持久化、权限策略。

整体架构

dsh 的架构可以从三个层次来理解：

┌────────────────────────────────────────────────────────┐
│                     应用层                              │
│   Web UI  │  headless  │  SDK  │  ACP API              │
├────────────────────────────────────────────────────────┤
│                    核心子系统层                          │
│  Agent Loop  │  Tools  │  Session  │  System Prompt     │
│  LLM Adapter │  Sandbox │  Subagent │  Observability     │
├────────────────────────────────────────────────────────┤
│                   Cordis 插件框架                        │
│     Plugin  │  Context  │  Service  │  Event  │ Effect   │
└────────────────────────────────────────────────────────┘

底层：Cordis 插件框架

这是整个 dsh 的地基。所有上层功能都是以 Cordis 插件的形式挂载的。Cordis 提供：插件的注册/注销、服务的依赖注入、类型化事件系统、可逆的注册效果。

如果你理解了 Cordis，你就理解了 dsh 的一切。这也是系列第二篇要重点讲的内容。

中层：核心子系统

这些是 dsh 真正做事情的地方：

  • Agent Loop（ctx.agentLoop）：Agent 的主循环，负责接收用户输入、调度工具调用、管理对话流程
  • Tools（ctx.tools）：工具注册表，管理工具的注册、schema 生成、执行 pipeline
  • Session（ctx.sessions）：对话持久化，append-only 日志存储
  • System Prompt（ctx.systemPrompt）：动态 prompt 组装，各插件贡献自己的片段
  • LLM（ctx.llm）：模型适配器注册表，支持多种模型提供商
  • Sandbox（ctx.sandbox）：沙箱隔离，保护宿主系统安全

上层：应用

同一套核心，可以组合成不同的运行形态：

  • dsh web：带 Web UI 的交互式 Agent
  • dsh --profile headless：命令行一次性任务
  • dsh --profile sdk：SDK 模式，供其他程序调用
  • dsh --profile acp：自动化控制协议服务

Profile 和 Bundle：配置即产品

dsh 的运行形态不是通过代码切换的，而是通过配置组合决定的。

Bundle：一组插件配置，描述"要挂载哪些插件"。比如 dsh-base 这个 bundle 包含了模型适配器、工具集、持久化、沙箱等基础插件。

Profile：按顺序叠加的 bundle 列表，加上用户自己的覆盖配置。web profile 在 dsh-base 上叠加了 Web UI 相关的插件；headless profile 叠加的是命令行运行器。

# 这是一个最小化的自定义 profile
{
  "name": "my-profile",
  "dsh": {
    "profile": {
      "bundles": ["@deepseek-ai/dsh-base"]
    }
  }
}

想看当前 profile 包含了哪些插件？

dsh --profile web --dump-config

这会把完整的插件树打印出来——每一行都是一个可以被你的配置覆盖的插件。

和其他框架的本质区别

市面上的 Agent 框架很多，dsh 的定位是什么？下面是一个直接的对比：

dsh vs LangGraph

LangGraphDeepSeek Harness
核心抽象有状态图（State Graph）插件树（Plugin Tree）
执行控制图节点 + 条件边Agent Loop 事件
扩展方式自定义节点、Runnable注册插件到 ctx
持久化需要自己接 Checkpointer内置 Session append-only 日志
生产就绪需要大量自定义工作开箱即带沙箱/权限/遥测
适合场景复杂工作流编排，需要精确控制图结构生产级 Agent 直接部署

LangGraph 是"先设计图，再跑"；dsh 是"直接跑，需要什么挂什么插件"。

dsh vs AutoGen

AutoGenDeepSeek Harness
核心抽象对话式 Agent插件化 Agent 运行时
多 Agent多 Agent 对话是核心Subagent 作为扩展能力
工具支持有，但需要较多配置内置完整工具集 + 执行沙箱
持久化基本没有内置 Session 日志
适合场景多 Agent 协作研究工程化单 Agent/多 Agent 部署

dsh vs Dify / n8n

Dify/n8nDeepSeek Harness
类型流程驱动 Agent（低代码）AI Native Agent（代码驱动）
使用方式可视化拖拽写代码/配置文件
灵活性流程预设，动态性有限完全可编程
适合人群非开发者、快速原型工程师、需要精确控制

一句话总结

  • LangGraph：我要精确控制 Agent 的执行流程，用图来描述
  • AutoGen：我要让多个 Agent 相互对话协作
  • Dify/n8n：我不想写代码，拖拽搭建工作流
  • dsh：我要把一个 Agent 部署到生产环境，需要持久化、沙箱、权限、监控这些全套基础设施

什么时候用 dsh

适合 dsh 的场景：

  • 需要把 Agent 真正部署到生产环境（不是 demo）
  • Agent 需要执行真实的 shell 命令、文件操作，需要沙箱保护
  • 需要 Session 持久化（用户离开后可以继续上次对话）
  • 需要细粒度的权限控制（哪些工具需要用户确认）
  • 需要接入监控系统，统计 token 消耗、延迟、错误率
  • 想要一个可以按需扩展的插件架构，而不是 fork 框架代码

不适合 dsh 的场景：

  • 你只是想快速实验一个 Agent 想法（LangGraph + LangChain 更轻）
  • 你需要复杂的图状工作流（LangGraph 更擅长）
  • 你的团队没有 TypeScript 经验（dsh 主体是 TypeScript）
  • 你需要一个国内有完整商业支持的方案（dsh 还在快速迭代中）

五分钟跑起来第一个 Agent

需要先装好 Node.js（18+）。

# 启动 Web UI 版本
npx @deepseek-ai/dsh web

浏览器会打开 http://127.0.0.1:3080，在设置里填入你的 API Key（支持 DeepSeek、OpenAI 等），就能和 Agent 对话了。

Agent 默认具备：

  • 文件读写（限制在当前工作目录）
  • Shell 命令执行（有沙箱保护）
  • 网络搜索和 HTTP 请求
  • 任务追踪

想用命令行模式？

# 一次性任务，不启动 Web UI
npx @deepseek-ai/dsh --profile headless "帮我列出当前目录下所有的 Python 文件"

系列规划

这是系列的第一篇，后续每篇会深入一个模块：

篇主题你会学到
01（本篇）dsh 是什么全局认知，定位，和其他框架的区别
02Cordis 插件系统理解 dsh 一切的基础
03工具系统怎么给 Agent 加工具，怎么控制权限
04Agent Loop一次对话是怎么跑起来的
05Session 与记忆对话历史怎么存、怎么跨会话恢复
06System Prompt 组装动态 prompt 的工程实现
07能力 Seam一行配置换掉整个执行环境
08多 Agent 协作Subagent 和 Agent Teams
09可观测性怎么知道 Agent 在干什么
10写一个完整插件从需求到上线的完整流程

如果你已经对插件系统有些了解，可以直接跳到感兴趣的模块。如果你是第一次接触 dsh，建议先读第二篇 Cordis 入门——它是读懂后续所有内容的钥匙。

在 PrimeSkills 可以找到已在真实企业场景验证过的 AI Agent 技能和工作流，不是演示级的，是用在实际项目里的。

更多内容见我的个人主页

avatar
文章
阅读
粉丝