DeepSeek Harness 解析：「Model + Harness = Agent」背後的 Agent Runtime

DeepSeek Harness —— dsh（簡稱）——它並不是一個模型。它是 DeepSeek 於 2026 年 8 月 13 日以 MIT 授權條款發布的開源代理執行環境，而且至今仍是 DeepSeek 推出過、採用速度最快的東西：新聞報導指出，它在最初 12 小時內就拿下約 50,000 顆 GitHub 星，而我們今天讀取 GitHub API 時，該儲存庫已有 242,211 顆星、29,059 個 fork。它執行的是 DeepSeek V4.1 Flash，也就是 DeepSeek API 以 deepseek-flash 名稱提供的模型，或者在你指定時，改用更大型的 DeepSeek V4 Pro。它的職責，是介於語言模型與完成任務之間的那層工程：檔案編輯、終端機執行、網頁搜尋、脈絡管理、任務規劃，以及呼叫其他代理。DeepSeek 自家團隊所用的公式是模型 + 執行框架 = 代理——模型負責推理，執行框架負責其餘一切。

這個區別正是本文的重點。搜尋「deepseek harness」的人通常預期會看到模型評測，結果卻落到了發布報導上。所以這裡直接把答案說在前頭：DSH 不是你透過 API 呼叫的模型。它是一套你安裝後執行的程式——npm 套件是 @deepseek-ai/dsh，其 latest 標籤現在指向 0.2.0-rc.2——比本頁最初撰寫時所依據的 0.1.x 版本晚了三個發行系列，也超過上方卡片上的版本標籤——它會把你提供的任何模型（預設為 DeepSeek V4.1 Flash）連接到你的檔案系統、終端機、網路以及其他代理程式。它採用 MIT 授權，建構於名為 Cordis 的外掛框架之上，而且明確標示為開發者預覽版，會警告有破壞性變更。DeepSeek 在 10 月 2 日發表的封裝桌面應用程式——有 macOS 和 Windows 版本，Linux 使用者則被引導使用 npm 套件——是它最上層的最新介面。以下是它實際的功能、今天如何執行它，以及它的不足之處。

「測試夾具實際上做什麼（以及為什麼這個術語令人困惑）」

框架（harness）是讓原始模型在現實世界中實際運作的支架。單靠模型本身只能產生文字。給它一個框架，它就能讀寫檔案、在你的 shell 中執行指令、搜尋網路、維持計畫、呼叫工具、對錯誤做出反應，並判斷任務何時完成。DeepSeek 的公開公式——在發布報導和其自身的職缺公告中反覆出現——是「Model + Harness = Agent」：模型提供推理能力，框架提供其餘一切。

這就是為什麼這次發布的意義超越單一產品。DeepSeek在該測試框架內報告了其最新兩個模型的智能體基準分數：DeepSeek V4 Flash API文件說明其Terminal-Bench 2.1結果為82.7，是在「DeepSeek Harness minimal mode」下產生的。該測試框架是這些數據所來自的參考環境，現已公開，任何人都可以重現——或反駁。

一切都是插件：Cordis 架構

DSH 的核心設計，如其 README 所述，就是「一切皆為外掛程式」。代理迴圈、模型適配器、工具、技能、工作階段儲存、沙箱、排程，甚至 Web UI，全都是 Cordis 外掛程式。沒有需要修補的特權核心：你可以透過在其他外掛程式旁掛載一個外掛程式來擴充框架，而每次註冊都是一個會在外掛程式卸載時自動解除的效果。外掛程式引擎是 Cordis，一個元框架，其設計見於北京大學–DeepSeek 的論文〈A Programming Paradigm for Spatiotemporal Composability〉。

實際結果是關注點被明確劃分：外掛負責新增能力；預設集則決定特定代理能看到哪些能力。這個 monorepo 目前在 packages/ 底下包含 55 個套件——core、llm、mcp、sandbox、context、plan、goal、workspace 等等——而發布時的涵蓋範圍計有超過 100 個第一方外掛，外掛商店也已預留，且在發布後 24 小時內於 GitHub 上蒐集到 288 個社群外掛儲存庫。那是六週前的事。DeepSeek 用來提升外掛可發現性的 dsh-plugin 主題，現在在 GitHub 搜尋中會傳回超過 17,000 個儲存庫，這是我們在 2026 年 10 月 2 日看到的——即使這個框架本身仍停留在發布候選版，生態系仍持續成長。

四種預設模式 — 以及何時該使用哪一種

DSH 隨附四個代理程式預設集，每個預設集會載入不同的外掛程式集。從 Web UI 自身的預設選單：

• Standard — 完整的編碼代理：檔案編輯、Shell、檔案與網頁搜尋、技能、規劃、目標、子代理與工作流程。是大多數工作的正確預設選擇。

• Code — 中文媒體報導稱之為 PTC（「程式化工具呼叫」）— 包含 Standard 的所有功能，外加 Code Mode SDK，讓模型能撰寫 TypeScript 程式，在單一程式中組合多步驟的工具呼叫。更強大，但副作用與工具呼叫的數量也可能倍增。

• 精簡——僅有持久化的 bash 加上 str_replace_editor。專為重現基準測試運行而建置；這是 Deep​Seek 用於 V4 Flash Terminal-Bench 82.7 成績的預設。精簡並非無害——shell 存取仍然是 shell 存取。

• Creator — 第四個預設目錄字面上就叫 cordis — 標準版加上執行期檢查、記憶體中的 Cordis 外掛實驗，以及預設集編寫。代理可以在對話中途安裝、替換或銷毀外掛。這是工程環境，而非生產審批層。

你應該選哪一個？如果你是要重現基準測試，選 Minimal。如果你希望代理程式自行編寫多步驟的編排流程，選 Code。如果你正在建置或測試外掛程式，選 Creator。至於其他所有情況，先從 Standard 開始——權限範圍愈廣，你愈需要嚴格的工作區與權限政策。

軌跡：評論家稱之為「代理的 DevTools」的功能

實機評測中最受好評的功能是Trajectory。每次執行都會寫入僅能附加（append-only）的工作階段日誌——以 zstd 壓縮的 JSONL 格式，採用統一的類型、順序、時間與資料事件封套——記錄模型所見的一切：系統提示、推理過程、工具呼叫與結果、子代理排程、上下文注入。Trajectory 檢視支援依來源檢查、繼續、分支（fork）、搜尋與重播。分支是一大亮點：你可以變更一個指令，然後與原始執行並排重播，而不必丟棄追蹤紀錄。

具體而言，在8月15日發布的一項實作測試中，單一檔案寫入任務產生了61個工作階段事件，而一個簡單的「回覆PONG」任務在首次請求時仍消耗了約13,467個輸入token——這些開銷來自預設系統提示、工具結構描述、自動注入的儲存庫規則與技能摘要。這就是一個記錄所有內容的測試框架的真實成本：你為這些輔助架構付出token，而且可以確切看到你為哪些項目付費。

MCP、外掛程式，以及與其他代理對話

MCP 正是炒作熱度超越目前實作的領域。這個 monorepo 包含 mcp 套件，CLI 也隨附 dsh-mcp-client 依賴，但預設並未啟用任何 MCP server，而且架構是透過 Cordis 外掛來整合工具，而非將 MCP 視為一級公民。你可以將 MCP server 連接為工具來源；只是目前這還不是預設路徑。

更令人意外的是子代理提供者清單所顯示的內容。DSH 可以產生其他代理程式作為子代理——根據 capability-seams 文件，其中包括 Codex 提供者和 Claude Code 提供者。對競爭對手而言，這是個不尋常的立場：DSH 是一個可以將工作委派給那些與它一同被評測之產品的框架。

外掛這條故事線才是真正的平台賭注。DeepSeek 已預留外掛商店，社群儲存庫也加上標籤以利探索，而且第三方應用程式內商店早已存在。0.2.0-rc.2 版本說明大半篇幅都用於外掛安裝指引——區分已安裝、不相容與隨附外掛——而工程心力仍持續投入於此。長遠的布局是：成為生態系的是框架，而非模型，這正是為何圍繞 DSH 的定價討論，比任何單一功能都來得重要。

今天如何執行它

你需要 Node.js 22.19 或更新版本 — 套件清單要求 ^22.19.0 或 >=24 — 然後只需一個指令：

npx @deepseek-ai/dsh web

這會啟動 Web UI，預設在 http://127.0.0.1:3080 提供服務。在 UI 中：開啟「設定」→「模型」，貼上 DeepSeek API 金鑰，然後選擇工作區——在你完成這些步驟之前，工作階段編輯器會保持鎖定。預設模型是 DeepSeek V4.1 Flash，預設權限原則為 workspace-write，其他所有操作都會顯示核准提示。

現在有五個進入點：Web UI、打包好的桌面應用程式、無頭一次性執行、透過 JSON-RPC stdio 驅動 DSH 的 Python SDK，以及 --dump-config，它會印出組裝後的外掛樹狀結構（web profile 組裝出 129 行的外掛設定；無頭模式則是 81 行）。本週有變動的是桌面應用程式。DeepSeek 發布了 macOS 與 Windows 的組建版本——包含 Intel Mac，而我們九月的筆記載明當時 Intel 組建會出現 404——而每個桌面版消息來源都回報版本 0.2.0-rc.2，發布日期為 9 月 29 日。0.2 版的說明也把 dsh 指令打包進桌面應用程式以管理外掛，因此這條路徑不再需要另外安裝 Node 或 pnpm。DeepSeek 自家的公告宣稱外掛與 Workspaces 在 0.2 中開箱即支援——這是廠商對一個候選版本的說法，不過應用程式與 CLI 共用的外掛頁面與工作區儲存庫在公開儲存庫中確實可見。Linux 是 DeepSeek 自家公告點名的例外：打包腳本支援的目標組合為 mac-arm64、mac-x64 與 win-x64，DeepSeek 的下載主機底下沒有任何 Linux 成品，而 Linux 使用者被指示執行 npx @deepseek-ai/dsh web。從原始碼建置的路徑不變：git clone、pnpm install、pnpm run build，然後 pnpm dsh web。

誠實的部分：預覽等級，以及 DSH 不適用的地方

DSH 的版本是 0.2.0-rc.2——不是 1.0，甚至還算不上穩定的 0.x：npm 上全部 29 個版本，以及 GitHub 上全部 24 個發行版，都是搶先預覽版，而 README 也寫得很明確：「將會有破壞相容性的變更。」發布初期的評論記錄了各種粗糙的邊角——Windows 上 MSYS2 環境下的無聲失敗、熱重載快取過期、約 200 毫秒的批次持久化延遲拖慢了 UI 進度顯示，以及社群批評：一個被定位為公共基礎設施的儲存庫竟停用了 GitHub Issues。相較於被拿來衡量它的那些精緻 coding agent，預設的產品體驗也仍舊落後；一篇實際試用評論總結道，這個開源版本是代理執行環境的鷹架，還算不上完成品。

DSH 在哪些情況下不是正確的工具？四種情境。第一，如果你想要開箱即用的完善體驗——現今的 Claude Code 和 Codex 更為成熟，而 DSH 是為那些想要骨架並願意自行完成的人所打造。第二，如果你無法稽核所執行的內容：外掛程式來源、設定差異與憑證邊界都需自行提供，生產環境使用需要你提供治理機制。第三，如果你在對模型進行基準測試：你不能用 Standard 模式執行一個模型，再用 Minimal 模式執行另一個模型，然後將差異稱作模型結果——你改變的是測試框架，而不只是模型。第四，如果你對 token 開銷的成本敏感：常駐上下文可能在模型執行任何實際工作之前，就消耗數千個輸入 token。

這對 DeepSeek V4.1 Flash 和 DeepSeek V4 Pro 意味著什麼

DSH 預設採用 DeepSeek V4.1 Flash——也就是 DeepSeek 的 API 以 deepseek-flash 名稱提供的模型——以及旗艦級的 DeepSeek V4 Pro 版本（DeepSeek-V4-Pro-0813），而這正是這套測試框架當初打造來執行的同一模型家族。兩者現在都能透過一般的 API 呼叫取得，無需任何測試框架，而且兩者都hosted在 Orca 上、以 DeepSeek 自家的定價提供，零加成、原價轉供：DeepSeek V4.1 Flash 每百萬權杖 $0.15 輸入、$0.60 輸出，DeepSeek V4 Pro 則為 $0.66/$1.98。這些是離峰費率，DeepSeek 會在平日的 UTC 01:00 至 04:00，以及 06:00 至 10:00 期間加倍計費。那張截圖是 DeepSeek V4 0731 模型頁面的八月快照，上面印的 $0.15/$0.29 是那個版本的價格：DeepSeek 的定價頁面現在只列出單一 Flash 項目，deepseek-flash = DeepSeek-V4.1-Flash，價格為 $0.15/$0.60。請把這張卡片當成一份有日期的存檔紀錄，而不是今天的費率。

誠實的界線：OrcaRouter 是模型路由器，不是代理執行環境，所以我們不代管 DSH——它不是模型。路由器在這裡真正能回答的，是 DSH 所引發的容錯移轉問題。這套測試框架是快速演進中的預覽版——今天還是 0.2.0-rc.2，而疊在其上的桌面應用程式又更年輕——把正式環境流量導向它，等於是在押注供應商自行回報的代理能力評分。透過單一金鑰，讓同一批 DeepSeek 模型經過一層路由，即可測試 DSH 的原生效能數據，同時保有自動容錯移轉跨供應商的能力，以因應必須持續運作的流量。這套測試框架是適合拿來實驗的對象；它所執行的模型則是必須謹慎路由的對象。

底線

DeepSeek Harness 是 DeepSeek 自模型本身以來最具影響力的開源成果，因為它改變了「DeepSeek」的意義：不只是模型，還包括執行這些模型的代理層。對於正在決定該怎麼做的讀者：如果你在打造代理，這週就安裝桌面應用程式或 0.2.0-rc.2 命令列，並執行重現測試——DeepSeek 為其 Flash 模型公布的 Terminal-Bench 82.7 成績，就是在這個框架內產生的，現在你可以自己驗證。但請把它當作它本來的樣子：一個開發者預覽版，未來還會有破壞性變更；一個會回報那些喜歡掌控自己技術堆疊者的外掛系統；以及一個仍比精雕細琢的替代方案更粗糙的框架。如果你使用 Linux，套裝應用程式目前還不是你的選擇——npm 才是。底層的模型是可靠的部分，而這些模型你今天就能放心地進行路由。