Harness：用 DeepSeek Harness 搭建第一个 Agent 项目-你不熟悉的x先生

从一个普通的大语言模型，到一个能够自主思考、调用工具、执行任务的 AI Agent，中间究竟发生了什么？这篇文章带你从零理解 Harness，并通过 DeepSeek Harness 动手搭建一个真正能够干活的 Agent。

前言

最近在研究 AI Agent 的过程中，我发现一个词出现的频率越来越高：Harness。

无论是 Claude Code、Codex，还是各种 Coding Agent，背后都离不开一个重要概念：Harness。

刚开始接触这个词的时候，我其实也有点摸不着头脑。

我们平时使用 DeepSeek、ChatGPT，不就是输入问题，然后 AI 返回答案吗？为什么还需要一个 Harness？

后来我逐渐发现，大语言模型虽然很聪明，但它本身并不能直接操作电脑、读取文件、执行命令，也不能天然地记住所有任务状态。

如果想让 AI 真正成为一个能够干活的 Agent，就需要在模型外面搭建一套完整的运行机制。

这套机制，就是我们今天要介绍的 Harness。

本文会从一个初学者的角度，依次讲清楚：

Harness 到底是什么？
一个 Harness 通常由哪些部分组成？
Harness 是如何驱动 Agent 完成任务的？
如何使用 DeepSeek Harness，从零搭建一个 Agent 项目？

一、Harness 到底是什么？

1.1 先理解一个问题：大模型本身能做什么？

我们先不急着理解 Harness，先想一个简单的问题。

假设你打开 DeepSeek，输入：

帮我整理一下电脑桌面上的文件，把图片放到图片文件夹，把 PDF 放到文档文件夹。

DeepSeek 会怎么做？

它可能会告诉你：

创建一个图片文件夹。
创建一个文档文件夹。
找到桌面上的图片。
将图片移动到图片文件夹。
将 PDF 移动到文档文件夹。

它甚至可以给你写一段 Python 代码。

但是，有一个问题：

它真的能够直接帮你操作电脑吗？

答案是：仅仅通过普通的模型对话，它做不到。

因为大语言模型本质上是一个根据输入生成输出的模型。它可以理解你的需求、分析问题、生成代码，但它并不天然拥有访问电脑文件、执行命令、调用外部 API 的能力。

我们可以把它理解为一个非常聪明的大脑。

它知道应该怎么做，却不一定拥有真正执行任务的手脚。

1.2 如果给大模型装上手脚呢？

假设我们给这个大模型增加一些能力：

给它一个文件读取工具。
给它一个文件移动工具。
给它一个命令执行工具。
给它一个记忆系统。
给它一个任务管理系统。
再给它一套控制执行过程的机制。

这样，大模型就不再只是回答问题了。

它可以：

理解用户的任务。
分析应该如何完成任务。
选择合适的工具。
调用工具执行操作。
检查执行结果。
如果没有完成，就继续执行。
最终向用户汇报结果。

这时候，我们就拥有了一个真正意义上能够执行任务的 AI Agent。

那么，负责把这些能力组织起来，并让整个系统正常运行的这一层，就是 Harness。

1.3 Harness 的通俗理解

如果把 AI Agent 比作一个人：

人的组成	AI Agent 中的对应角色
大脑	LLM，大语言模型
记忆	Memory，会话历史和持久化记忆
知识和经验	Prompt、Skills、Context
双手	Tools，工具
工作环境	Runtime，运行环境
工作流程	Agent Loop，执行循环
行为规范	Guardrails，安全规则
工作记录	Logs、Tracing，日志和追踪

Harness 就像是这个人的整个工作体系。

它负责把大脑、记忆、工具、工作环境和执行流程组织起来，让 AI 能够持续完成任务。

可以用一个非常简单的公式理解：

Agent = LLM + Harness

这里的 Harness 不是某一个固定的软件包，而是围绕模型建立起来的一整套运行时机制。

//cdn.shiniest.cn/static/2026/harness.jpg

1.4 Harness 和 Agent Framework 有什么区别？

这里再补充一个容易混淆的概念。

我们经常听到 LangChain、AutoGen、CrewAI 等 Agent 开发框架。

它们和 Harness 是不是一回事？

其实并不完全相同。

可以这样理解：

Agent Framework：提供开发 Agent 的工具箱，帮助开发者组装各种能力。
Harness：把这些能力真正组织起来，形成一个能够持续运行的 Agent 运行环境。
Agent：最终对外提供智能任务执行能力的系统。

打个比方：

Framework 像是汽车零件和组装工具，Harness 像是汽车的整套运行控制系统，而 Agent 就是最终能够开起来的汽车。

它们之间存在交集，但关注点不同。

二、Harness 由哪些部分组成？

理解了 Harness 的基本概念，我们再来看它内部到底有哪些东西。

实际上，不同 Harness 的具体架构会有区别，并不存在一个绝对统一的标准。

但从一个完整 Agent 的运行需求出发，我们可以把 Harness 拆成下面几个核心部分。

2.1 整体架构

一个典型的 Agent Harness，可以抽象成下面的结构：

//cdn.shiniest.cn/static/2026/harness%E8%B0%83%E5%BA%A6%E6%8E%A7%E5%88%B6.png

接下来逐一解释。

2.2 LLM：大脑

LLM 就是我们熟悉的大语言模型，例如：

DeepSeek
GPT
Claude
Gemini
Qwen

它主要负责：

理解用户的意图。
分析当前任务。
推理下一步应该做什么。
决定是否需要调用工具。
根据执行结果调整后续计划。

需要注意：

LLM 负责思考和决策，但工具的实际执行通常由 Harness 中的程序负责。

例如：

用户说：

帮我统计一下项目中有多少个 Vue 文件。

模型可以判断需要遍历项目文件，然后决定调用文件搜索工具。

但是，真正遍历文件的操作，是工具执行的，而不是模型凭空完成的。

2.3 Prompt / Context：告诉 AI 应该怎么做

Prompt 可以理解为给 AI 的工作说明书。

例如：

你是一个专业的软件工程助手。

你的工作目标：
帮助用户分析、修改和维护项目代码。

工作要求：
1. 修改代码之前先理解项目结构。
2. 不要随意修改无关文件。
3. 执行代码修改后，需要检查修改结果。
4. 如果遇到无法解决的问题，及时向用户反馈。

这段内容就是系统提示词的一部分。

而 Context（上下文）不只是 Prompt。

它还可能包括：

当前用户的任务。
历史对话。
当前项目的文件结构。
已经完成的任务步骤。
可用工具的描述。
Skills 中的专业知识。
当前运行环境的信息。

Prompt 更像是工作规则，Context 更像是当前工作所需的全部资料。

2.4 Tools：让 AI 真正拥有执行能力

Tools 是 Agent 非常重要的一部分。

它让模型可以从单纯生成文字，变成真正调用外部能力。

常见的工具包括：

工具	能力
文件读取	读取项目文件
文件编辑	创建、修改文件
Shell	执行终端命令
Web Search	搜索互联网
Browser	浏览网页
Database	查询数据库
API	调用外部接口
MCP	接入标准化的外部工具和数据服务

举个例子。

用户要求：

帮我查看 package.json 中使用了哪些依赖。

模型可能生成一个工具调用：

{
  "tool": "read_file",
  "arguments": {
    "path": "package.json"
  }
}

Harness 接收到这个请求之后，找到对应的工具并执行。

执行完成后，再把结果交给模型。

这里要注意：模型生成的是工具调用请求，不代表工具已经执行。真正的执行和权限控制都需要由 Harness 负责。

2.5 Memory：记忆系统

我们知道，大语言模型并不会天然记住所有历史操作。

例如：

第一轮对话：

帮我创建一个 Vue 3 项目。

第二轮对话：

再帮我添加一个登录页面。

如果系统没有保存前面的对话和项目状态，模型可能不知道之前创建了什么项目。

所以 Harness 需要管理记忆。

常见的记忆可以分成三个层次：

第一层：短期记忆

保存当前会话的对话历史。

例如：

用户提出了什么需求。
模型之前做了什么。
工具返回了什么结果。

第二层：任务记忆

保存当前任务的执行状态。

例如：

任务：创建 Vue 项目

[✓] 创建项目目录
[✓] 初始化 package.json
[✓] 安装 Vue
[ ] 创建首页
[ ] 启动项目测试

第三层：长期记忆

保存跨会话仍然需要使用的信息。

例如：

用户的开发偏好。
项目架构约定。
长期有效的业务规则。

另外，当上下文越来越长时，Harness 还需要进行 Context Compaction（上下文压缩），把历史信息整理成更精简的摘要，避免上下文无限增长。

2.6 Agent Loop：让 AI 可以持续工作

这是 Harness 最核心的机制之一。

为什么这么说？

因为一个真正的 Agent，通常不是调用一次模型就结束了。

它需要不断执行：

思考 → 行动 → 获取结果 → 再思考。

例如：

用户要求：

帮我创建一个 Vue 3 项目，并启动起来。

Agent 可能需要：

判断需要创建项目。
执行项目初始化命令。
获取执行结果。
判断项目是否初始化成功。
如果成功，继续安装依赖。
再次获取结果。
执行启动命令。
检查是否成功启动。
向用户返回结果。

这个过程可能会循环多次。

//cdn.shiniest.cn/static/2026/harness%E6%89%A7%E8%A1%8C%E5%B7%A5%E5%85%B7.png

这就是 Agent Loop。

它负责控制模型请求、工具执行、结果反馈以及任务结束。

如果没有这个循环，即使模型能够生成正确的工具调用请求，也很难完成复杂的多步骤任务。

2.7 Runtime：给 Agent 提供工作环境

Runtime 可以理解为 Agent 的工作场所。

例如：

本地文件系统。
Linux Shell。
Windows PowerShell。
Docker 容器。
远程执行环境。
浏览器环境。

为什么需要 Runtime？

因为 Agent 调用工具时，需要有一个真实的执行环境。

比如：

模型要求执行：

npm install

Harness 需要找到合适的执行环境，真正运行这条命令，然后把运行结果返回给模型。

这里还涉及一个重要问题：安全隔离。

如果 Agent 可以随意执行任何命令，那么它可能误删文件、覆盖重要数据，甚至泄露敏感信息。

因此，成熟的 Harness 通常需要结合沙箱、权限控制和人工审批机制。

2.8 Guardrails：安全控制

Guardrails 可以理解为给 Agent 设置行为边界。

例如：

不允许访问指定目录之外的文件。
删除文件之前必须经过用户确认。
执行高风险命令之前需要审批。
限制工具调用次数。
限制任务执行时间。
避免无限循环。

举个例子：

Agent 想执行：

rm -rf /important

Harness 可以在真正执行之前进行权限检查。

如果属于高风险操作，就暂停执行并请求用户确认。

这意味着：

模型可以提出行动建议，但不应该拥有不受限制的执行权。

2.9 Observability：让 Agent 的执行过程可追踪

如果一个 Agent 最终给出了错误结果，我们应该怎么排查？

只看最终回答通常是不够的。

我们还需要知道：

模型收到了什么输入？
模型做出了什么决策？
调用了哪些工具？
工具执行是否成功？
中间是否发生异常？
为什么任务提前结束？

这就是 Observability（可观测性）的价值。

它通常包括：

Logs：日志。
Tracing：执行链路追踪。
Metrics：运行指标。
Evals：任务效果评估。

一个完善的 Agent 系统，不能只关心最后有没有返回答案，还要知道整个任务是怎么完成的。

三、Harness 是如何运行的？

前面介绍了 Harness 的各个组成部分。

接下来，我们把它们串起来，看看当用户发送一条任务指令之后，Harness 内部究竟发生了什么。

3.1 用一个真实场景理解

假设用户向一个 Coding Agent 发送任务：

帮我分析当前项目，找到登录接口，并检查有没有明显的安全问题。

这个任务看起来很简单，但对于 Agent 来说，需要经历多个步骤。

第一步：接收任务

Harness 接收到用户输入。

用户任务：

分析当前项目，找到登录接口，
并检查有没有明显的安全问题。

第二步：准备上下文

Harness 会准备模型需要的信息。

例如：

系统提示词。
用户任务。
当前项目目录。
当前会话历史。
可使用的工具列表。
已有任务状态。

然后把这些内容组合成模型请求。

第三步：模型分析任务

模型分析后发现，需要先了解项目结构。

于是决定调用文件搜索工具。

例如：

{
  "name": "search_files",
  "arguments": {
    "pattern": "login",
    "directory": "src"
  }
}

第四步：Harness 执行工具

Harness 收到工具调用请求后：

检查工具是否存在。
检查参数是否符合要求。
检查是否拥有执行权限。
执行对应工具。
获取执行结果。

假设结果是：

找到以下文件：

src/api/login.ts
src/views/Login.vue
src/utils/auth.ts

第五步：把结果返回给模型

Harness 将工具执行结果添加到会话记录中，再次请求模型。

此时模型已经知道项目中存在三个与登录相关的文件。

它可能进一步决定：

我需要读取 login.ts，检查登录接口的请求和响应逻辑。

于是再次调用文件读取工具。

第六步：持续执行和验证

模型读取代码后，发现登录接口使用了 Token。

它可能继续检查：

Token 是否正确保存。
是否存在敏感信息泄露。
是否有明显的认证逻辑问题。
是否存在不合理的错误处理。

如果还需要更多信息，就继续调用工具。

如果信息已经足够，就生成最终报告。

第七步：结束任务

当模型判断任务已经完成，Harness 检查是否还有未完成的工具调用或待处理任务。

如果没有，就结束当前任务，并将最终结果返回用户。

3.2 完整执行流程图

//cdn.shiniest.cn/static/2026/full-flow.jpg

可以看到，Harness 并不是简单地把用户输入转发给模型。

它在整个过程中承担着：

上下文管理。
模型请求。
工具调度。
权限控制。
结果反馈。
状态持久化。
任务结束判断。

这些工作共同构成了一个完整的 Agent 运行时。

//cdn.shiniest.cn/static/2026/agent-loop.jpg

四、使用 DeepSeek Harness 从 0 到 1 搭建一个 Agent 项目

理论讲完了，接下来进入实战。

这次我们使用 DeepSeek 官方开源项目：DeepSeek Harness（简称 dsh）。

项目地址：

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

官方文档：

https://deepseek-harness.github.io/deepseek-harness/

需要说明的是，DeepSeek Harness 本身就是一个 Agent Harness。我们不是单纯调用 DeepSeek API 写一个聊天机器人，而是使用它提供的 Agent 运行环境、工具和工作区能力，完成一个实际项目。

//cdn.shiniest.cn/static/2026/deepseek-harness-flow.jpg

本次实战的目标是：

搭建一个能够读取项目文件、执行命令、分析问题并修改代码的个人 Coding Agent。

4.1 准备开发环境

首先准备以下环境：

环境	作用
Node.js	运行 DeepSeek Harness
npm	安装和启动项目
DeepSeek API Key	调用 DeepSeek 模型
一个独立项目目录	作为 Agent 的工作区

建议使用较新的稳定版 Node.js。

另外，DeepSeek Harness 目前处于开发者预览阶段，功能和配置可能持续变化，实际操作时以官方文档为准。

4.2 安装 DeepSeek Harness

最简单的方式是直接通过 npx 启动。

打开终端，执行：

npx @deepseek-ai/dsh web

首次执行时，npx 会获取所需的软件包并启动 Web UI。

默认情况下，本地访问地址为：

http://127.0.0.1:3080

启动成功后，浏览器会打开 DeepSeek Harness 的操作界面。

如果没有自动打开，也可以手动访问上面的地址。

4.3 配置 DeepSeek 模型

打开 DeepSeek Harness 页面后：

进入 Settings（设置）。
找到 Model（模型）。
找到 DeepSeek 模型配置。
填入 DeepSeek API Key。
保存配置。

API Key 可以在 DeepSeek 开放平台申请：

https://platform.deepseek.com/

模型配置完成后，下一次请求就可以使用新的配置，不需要重启服务。

目前 DeepSeek API 官方推荐使用的模型标识为：

deepseek-flash

具体模型可用性以官方模型目录为准。

这里需要注意：

API Key 是调用模型服务的凭证，不要把它直接写进项目代码，也不要提交到 Git 仓库。

4.4 创建 Agent 工作区

接下来，我们创建一个独立的项目目录。

例如：

mkdir my-first-agent
cd my-first-agent

这个目录就是 Agent 的 Workspace（工作区）。

可以把 Workspace 理解为 Agent 的工作桌面。

Agent 后续读取文件、创建代码、修改文件和执行项目命令，都围绕这个工作区展开。

回到 DeepSeek Harness：

点击选择工作区。
添加刚刚创建的 my-first-agent 目录。
选中该目录。
创建一个新的会话。

至此，模型和工作区就已经连接起来了。

4.5 让 Agent 完成第一个任务

现在可以给 Agent 发送第一条指令：

请先分析当前工作区。

1. 查看当前项目目录结构。
2. 检查是否存在已有项目文件。
3. 总结项目当前的状态。
4. 不要直接修改任何文件。
5. 给出下一步开发建议。

你会发现，Agent 不只是返回一段文字。

它会根据自己的判断调用工具：

查看工作区。
读取文件。
执行必要的命令。

如果某个操作需要审批，Harness 会根据当前权限策略向用户请求确认。

这就是 Harness 与普通聊天机器人的区别。

4.6 开始搭建一个真正的 Agent 项目

为了让实战更有意义，我们不只是让 Agent 帮忙写代码，而是让它完成一个完整的小项目。

这里选择：

个人文件整理助手（File Assistant）

项目目标：

用户给出一个目录，Agent 能够分析里面的文件，并根据用户的要求进行分类和整理。

第一版实现以下功能：

扫描指定目录。
统计文件数量。
根据扩展名识别文件类型。
生成文件分类报告。
根据用户确认执行文件整理。
整理完成后再次检查结果。

这个项目不需要复杂的数据库，也不需要复杂的前端界面，非常适合入门。

第一步：让 Agent 设计项目结构

在 DeepSeek Harness 中输入：

现在请帮我创建一个 Python 项目：

项目名称：File Assistant

项目目标：
实现一个个人文件整理助手。

技术要求：
1. 使用 Python 3.11+。
2. 使用模块化结构。
3. 代码需要有清晰的注释。
4. 不需要数据库。
5. 不需要前端页面。

请先设计项目结构，并解释每个文件的作用。

暂时不要创建文件，等待我确认。

Agent 会根据任务分析项目，并给出建议。

例如：

file-assistant/
│
├── main.py
│
├── agent/
│   ├── __init__.py
│   ├── planner.py
│   └── executor.py
│
├── tools/
│   ├── __init__.py
│   ├── file_scanner.py
│   ├── file_classifier.py
│   └── file_mover.py
│
├── config/
│   └── settings.py
│
├── requirements.txt
│
└── README.md

这里我们有意把 Agent 的决策逻辑和实际文件操作拆开。

planner.py：负责任务规划。
executor.py：负责执行流程。
file_scanner.py：负责扫描文件。
file_classifier.py：负责文件分类。
file_mover.py：负责移动文件。

这样后续增加功能时，不需要把所有代码都堆在一个文件中。

第二步：让 Agent 创建项目文件

确认结构后，输入：

项目结构没有问题。

现在按照刚刚确定的结构创建项目文件。

要求：

1. 完成每个模块的基础代码。
2. 文件扫描需要支持递归遍历。
3. 文件分类需要支持图片、文档、视频、音频和其他文件。
4. 文件移动功能需要检查目标目录。
5. 移动文件之前必须支持预览模式。
6. 不允许覆盖同名文件。
7. 不允许删除原始文件。

完成后检查所有代码。

Agent 会开始执行：

创建目录。
创建 Python 文件。
编写代码。
检查文件内容。

你可以在执行过程中观察工具调用和文件变化。

这里要特别注意：不要为了追求自动化而关闭所有权限限制。文件移动属于有副作用的操作，应该先预览，再由用户确认。

第三步：测试项目

文件创建完成后，继续输入：

现在开始测试项目。

1. 检查 Python 语法。
2. 检查模块导入。
3. 检查是否存在明显的逻辑问题。
4. 为核心文件分类逻辑编写测试。
5. 执行测试并修复发现的问题。

不要修改无关文件。

最后输出测试报告。

Agent 会根据任务调用终端工具，执行测试命令。

例如：

python -m compileall .

如果项目配置了 pytest，还可以执行：

pytest -q

测试失败时，Agent 可以读取错误信息、分析问题、修改代码，再次运行测试。

这就是一个典型的 Agent Loop：

模型分析 → 调用工具 → 获取结果 → 再次分析 → 继续执行。

第四步：验证最终效果

项目完成后，可以给 Agent 一条测试任务：

请扫描当前工作区中的测试目录。

要求：

1. 统计文件总数。
2. 按照文件类型分类。
3. 输出分类统计报告。
4. 生成文件整理预览。
5. 不要实际移动文件。

假设测试目录中有：

test-files/
├── photo1.jpg
├── photo2.png
├── document1.pdf
├── document2.docx
├── video1.mp4
└── music1.mp3

Agent 预期生成：

文件统计报告

总文件数：6

图片：2
文档：2
视频：1
音频：1
其他：0

建议整理方案：

images/
  photo1.jpg
  photo2.png

documents/
  document1.pdf
  document2.docx

videos/
  video1.mp4

audios/
  music1.mp3

当前为预览模式，没有移动任何文件。

如果预览结果正确，再让 Agent 在用户确认后执行整理。

这样，一个简单的文件整理助手就完成了。

4.7 从实战中理解 Harness 的价值

回过头来看，我们刚才的整个操作过程，其实就是 Harness 在发挥作用。

我们可以把每个操作和 Harness 的组成部分对应起来：

实际操作	对应的 Harness 能力
理解用户需求	LLM
分析项目结构	Context + Tools
制定开发计划	Agent Loop
创建 Python 文件	文件系统工具
执行 Python 命令	Runtime
测试代码	Tools + Verification
记录对话和执行结果	Session / Memory
操作前请求确认	Approval / Guardrails
查看任务执行过程	Logs / Observability

这也是为什么 Harness 不只是一个模型调用器。

它实际上是整个 Agent 的运行基础设施。

五、DeepSeek Harness 本身是如何设计的？

前面我们使用 DeepSeek Harness 完成了一个小项目。

如果想进一步理解它，就需要了解它自己的内部架构。

这里不深入源码实现，只介绍几个比较重要的设计概念。

5.1 一切皆插件（Everything is a Plugin）

DeepSeek Harness 有一个非常重要的设计理念：

Everything is a Plugin（一切皆插件）。

它的底层使用 Cordis 作为插件框架。

简单来说，模型适配器、工具注册表、会话管理，甚至 Agent Loop 本身，都可以作为插件参与运行。

这意味着：

可以替换模型提供商。
可以增加新的工具。
可以扩展文件系统能力。
可以替换或调整执行逻辑。
可以通过配置组合不同的运行能力。

这种设计相比把所有功能写死在一个核心程序里，更加灵活。

5.2 Profile：运行配置组合

DeepSeek Harness 中还有一个重要概念：Profile。

可以把 Profile 理解为一套预先定义好的运行配置。

官方提供了多个 Profile，例如：

Profile	主要用途
web	Web UI 交互
headless	无界面运行
sdk	SDK 集成
sdk-minimal	精简 SDK 运行
acp	自动化协议接入

不同 Profile 会组合不同的插件和能力。

例如，Web Profile 更适合通过浏览器使用 Agent，而 SDK Profile 更适合在自己的程序中集成 Agent。

5.3 Bundle：插件组合包

如果 Plugin 是一个个独立能力，那么 Bundle 可以理解为一组插件的组合包。

它负责将相关插件和配置组织起来，方便复用和分发。

Profile 则可以按顺序组合多个 Bundle。

因此，DeepSeek Harness 的配置不是简单地在一个配置文件里写一堆开关，而是通过分层组合来构建运行环境。

5.4 Session：会话管理

Session 用来管理一次 Agent 会话中的状态和执行记录。

它不仅仅是普通聊天记录。

在 DeepSeek Harness 中，会话事件会记录用户输入、模型消息、工具调用以及工具执行结果等信息。

这些记录可以用于：

恢复会话。
重建模型上下文。
查看执行过程。
追踪失败步骤。
继续尚未完成的任务。

这对于长时间运行的 Agent 尤其重要。

5.5 Agent Loop：真正驱动任务执行

DeepSeek Harness 的 Agent Loop 负责驱动整个执行过程。

一次完整的任务执行会涉及：

接收待处理输入。
组装模型请求。
请求模型。
处理模型输出。
执行工具调用。
保存执行结果。
判断是否需要继续请求模型。
判断是否结束当前任务。

这与前面我们介绍的 Harness 通用执行流程是一致的。

如果想深入了解，可以阅读官方架构文档：

https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/architecture.zh.md

六、总结：Harness 为什么越来越重要？

回到最初的问题：

为什么现在越来越多的 AI Agent 产品都在强调 Harness？

因为模型能力只是 AI Agent 的一部分。

一个模型可以很聪明，但如果它没有合适的工具、记忆、执行环境和任务控制机制，就很难稳定完成复杂工作。

同样是一个 DeepSeek 模型：

只接入聊天接口，它是一个对话助手。
增加工具调用，它可以执行简单任务。
增加记忆和上下文管理，它可以处理连续任务。
增加 Agent Loop，它可以持续推进复杂任务。
增加权限控制、沙箱和可观测性，它才能逐渐具备更可靠的工程化执行能力。

所以，我认为理解 Harness，是从普通大模型应用开发走向 Agent 工程化开发的重要一步。

最后用一句话总结：

LLM 决定 AI 有多聪明，Harness 决定 AI 如何把聪明真正转化为行动。

如果你也正在研究 AI Agent，不妨从 DeepSeek Harness 开始，亲自体验一下模型如何通过工具、上下文和执行循环，真正完成一项工作。

七、参考资料

以下是本文涉及的官方资料，建议进一步阅读：

DeepSeek Harness GitHub：
https://github.com/deepseek-ai/deepseek-harness
DeepSeek Harness 官方文档：
https://deepseek-harness.github.io/deepseek-harness/
DeepSeek Harness 架构文档：
https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/architecture.zh.md
DeepSeek Harness Python SDK：
https://deepseek-harness.github.io/deepseek-harness/guide/python-sdk
DeepSeek API 官方文档：
https://api-docs.deepseek.com/zh-cn/
DeepSeek Tool Calls：
https://api-docs.deepseek.com/zh-cn/guides/tool_calls/

本文为个人学习和实践总结，DeepSeek Harness 仍处于开发者预览阶段，具体功能和配置请以项目最新文档为准。

Harness：用 DeepSeek Harness 搭建第一个 Agent 项目

前言