近几年「AI Agent」火得一塌糊涂，但光看名字容易一头雾水：Claude Code、AutoGPT、LangGraph、OpenHands……这些叫法到底是不是一回事？就在这堆工具里，DeepSeek 开源了一个叫 DeepSeek Harness 的框架，命令行工具叫 dsh，GitHub 上 star 已经接近 20 万。它的官方主页挂了一句很硬气的话：Everything is a Plugin（一切皆插件）。

这篇文章不堆专业术语，用大白话讲清楚三件事：它是什么、它和业界其它 agent 到底差在哪、以及小白怎么一条命令跑起来玩一把。文末附上我本地跑通的 Web UI 截图，看完你就能自己动手。

先搞懂：agent 框架到底在解决什么

大模型本身只会「想」，不会「做」——它不能读你的文件、不能跑命令、更不能自己打开浏览器。所谓 agent 框架，就是给大模型「装上手脚」的底座：由框架负责组织提示词、下发工具调用、管理对话上下文、控制沙箱、再驱动一个循环让模型一步步把活干完。

DeepSeek Harness 干的就是这件事，而且它是 MIT 开源的。理解了这层，再往下看它和别家的区别就轻松多了。

它的招牌：一切皆插件，是真的「一切」

很多框架也标榜自己「插件化」，但它们的内核往往是写死的，插件只能往里面添东西。DeepSeek Harness 不一样——按官方架构文档的说法，它产品的每一部分都是插件，包括：

• 模型适配器（接 DeepSeek、还是接别的模型，是插件）
• 工具注册表（能调哪些工具，是插件）
• 会话日志（记录了哪些内容，是插件）
• 甚至 agent 循环本身（模型「想一步、做一步」的驱动器，也是插件）

也就是说，不存在一个需要打补丁的特权内核。你想扩展它，就是把你的插件挂到其它插件旁边；插件被卸载时它的副作用会自动撤销，装上就生效、卸了就恢复原样。

拿手机打个比方：传统框架换个核心组件，得像刷系统一样打补丁；而在这里，所有组件本来就在一张插件列表里排队，你换哪一个都不算「越界」。

它和业界主流 Agent 到底差在哪

这才是重点。市面上的「agent 类工具」其实分好几个物种，把它们摊开对比，DeepSeek Harness 的位置就清楚了。

工具	本质定位	架构范式	内核能不能换	上手难度	开源	成熟度
DeepSeek Harness	通用 agent 框架	插件树 + Cordis 组合	能，连 agent 循环都能换	中（源码构建有坑，npx 快速体验）	MIT	开发者预览
Claude Code	编码助手「产品」	封闭工具集 + MCP 扩展	不能	低	闭源	成熟
OpenHands（原 OpenDevin）	软件工程 agent	Agent + Docker 沙箱	不能	低（有 Web UI）	MIT	较成熟
LangGraph	编排「框架」	图编排（节点/边/状态）	部分	中高（要自己画图）	MIT	成熟
AutoGPT	自主 agent（鼻祖）	「目标 → 循环调模型 → 执行」	不能	低但结果不稳	Apache	热度回落
CrewAI	多 agent 协作	角色/目标/任务定义团队	不能	低	MIT	较成熟

逐个说它们和 DeepSeek Harness 的差在哪：

对比 Claude Code：Claude Code 更像一个「开箱即用的成品」，体验很顺，但它是一个封闭的编码助手，你想改它的核心逻辑是没门的，扩展只能靠 MCP 外接工具。DeepSeek Harness 则是一套「给你造助手的零件」，自由度更高，代价是你要自己搭。

对比 OpenHands：两者都开源、都有 Web UI，但 OpenHands 的定位是「AI 软件工程师」，把 agent 关进 Docker 沙箱里改代码、跑测试。DeepSeek Harness 更泛，是一个可以拿去造各种 agent 的底座，而不仅仅是做软件工程这一件事。

对比 LangGraph：这是最微妙的一组。LangGraph 用「图」来描述 agent 工作流，你想让 agent 先做什么、再做什么、什么条件下回退，都得自己画节点和边。DeepSeek Harness 的答案是另一套范式：靠 Cordis 的「时空可组合」把堆叠的插件组装成树，用事件去扩展。一句话概括——LangGraph 是「手绘流程图」，DeepSeek Harness 是「拼乐高」。

对比 AutoGPT：AutoGPT 是 2023 年把「让 AI 自己干活」带火的自主 agent，可惜后来证明不稳定、还特别烧 token。DeepSeek Harness 吸取了这类教训，把「模型可见即已记录」当成一条铁律：凡是模型能看到的东西，都必须能从日志里原样重建——这让会话可以放心地 fork、恢复、审查，不会越跑越偏。

优劣势，说直白点

优势：

1. 架构最干净。别的框架最多做到「开放扩展点」，它做到了「内核也能换」，这是它和所有竞品最本质的分水岭。
2. seam（可替换接缝）设计漂亮。一项能力被拆成「接口、实现、消费方」三个角色，换一个 provider 就能改变整个产品——典型例子是把文件系统和子进程一起指向远程沙箱，Bash、编辑器、LSP 会一起搬过去。
3. 透明。Web UI 里每一步用了多少 token、缓存命中多少、工具调用耗时多少都明明白白（见后面截图），对排查问题非常友好。
4. MIT 开源 + 活跃。star 增长极快，文档里专门写了 architecture 架构说明。

劣势（不回避）：

1. 还是开发者预览。官方原话是「正在快速迭代，未来会出现破坏性变更」，生产环境先别急着上。
2. 概念有门槛。Cordis、seam、turn/step 这些名词，对没接触过的人需要一点消化时间。
3. Windows 源码构建不顺畅。pnpm run build 一把过的概率不高，至少要手动 clean 一次、理清 host/client 构建顺序。
4. 生态还年轻。插件数量、社区案例，跟 LangChain 那种庞然大物还有差距。

轻松上手：一条命令跑起 Web UI

说了这么多，不如动手玩一把。官方给的最快路径就一条命令：

npx @deepseek-ai/dsh web

启动成功后，浏览器访问 http://127.0.0.1:3080，就能看到下面这个界面：

界面很清爽：左上角是「新会话」和「工作区」，中间是一个大输入框，提示语是「描述你想要构建的内容」，右下角还能选模型和访问权限。到这里，你就能像聊天一样给它派活了。

我随手输入了一句：「用 Python 写一个生成随机密码的函数，并解释每个参数的含义」。它没有只回一段代码了事，而是真的进入 agent 工作流：生成了 random_password.py 文件，还逐条解释了参数和设计点——为什么用 secrets 而不是 random、为什么要做 Fisher-Yates 洗牌、参数互相冲突时怎么抛异常。

更值得注意的，是底部那排小的性能统计：「1 轮 · 3 步」「工具调用 0.6s」「缓存命中 61%」「输出 2.5K tok」。别人的聊天框大多只给你结果，它把 agent 每一步的内部动作和开销都摊开给你看——这就是前面说的「透明」，也是它作为框架留给开发者的一种信任感。

小提示：如果你更想深入看源码、改插件、跑测试，那就走源码路线：git clone 仓库后 pnpm install，再按 clean → tsc host → tsdown host → tsc client → build:web 的顺序构建，最后 pnpm dsh web 启动。只想体验，用 npx 预构建包最快。

总结：它适合谁

DeepSeek Harness 最值得记住的就两条：一切皆插件，以及驱动它的 Cordis 框架。它对普通开发者是个能快速起一个 Web UI 的智能体框架；对框架研究者和进阶开发者，「换一个 provider 就换整个产品」和「模型可见即已记录」这两条设计，可能比框架本身更值得借鉴。

一句话给结论：如果你想要一个开箱即用、体验丝滑的编码助手，Claude Code 是更省心的选择；如果你想要一套「内核都能换」、可以按自己想法造 agent 的底座，并且愿意一起吃它的预览期苦头，那 DeepSeek Harness 是当下最独特的那个。 等它从开发者预览毕业，这套架构在 agent 领域的影响，值得继续盯着。