一切皆插件的黑鯨架構
將模型適配、工具、沙箱、任務調度與界面全數插件化，讓 Agent 的「身體」各組件皆可獨立替換。
DeepSeek Harness预览版发布 | Agent运行时 | 一切皆插件 | 大模型 | AI智能体 | 开源 | Cordis | MCP | AI编程 | 插件架构 | MIT协议
✓ 這篇在你的庫裡
在摘要庫開啟 →
這部在講什麼知識講解
介紹 DeepSeek 開源的 Agent 運行基礎設施 Harness，強調「一切皆插件」的架構，旨在將大模型能力轉化為高效且可控的實務執行力。
適合誰AI 開發者、智能體研究員與關注 DeepSeek 生態的技術愛好者。
關鍵概念理解 Harness 插件化架構、掌握 Agent 運行時的成本控制邏輯、知曉如何快速部署與擴充功能。
最值得看02:11 透過實驗數據揭示不同框架對同一模型效能與成本產生的巨大影響。
概念地圖
概念與關係意義優先，時間戳用來導航
時空可組合性與會話日誌
插件卸載可撤銷副作用，且採用僅追加日誌（Append-only）作為唯一事實來源，確保任務過程 100% 可追溯與回放。
框架決定模型的能力上限
實測顯示同一模型在不同框架下，任務成功率差異極大，且單次任務成本最高可相差 4 倍以上。
作業系統級沙箱隔離
捨棄虛報，直接調用 Linux Landlock、macOS Seatbelt 與 Windows ACL 等原生機制，落實失敗即關閉的安全原則。
高度相容與 Code Mode
支持 MCP 協議、OpenAI 兼容接口與 TypeScript SDK，模型可透過生成程序一次性處理複雜循環，減少 Token 往返。
看完可以做什麼
安裝 Node.js 22/24+ 版本，並於終端機執行 `npx @ds-harness/cli` 快速體驗 DeepSeek Harness 的本地運行環境。需要留意：目前為開發者預覽版（0.1 版本），後續可能有破壞兼容性的變更，不建議直接部署於生產環境。
生成於 3 小時前
檢舉
早期觀眾反應
整理 7 則有效留言信心 低觀眾對 DeepSeek Harness 的實際應用體驗與技術背景存在分歧，並對模型評測的準確性提出討論。
部分觀眾分享使用 DeepSeek 模型與相關工具的體驗，並指出不同模型在程式碼審查時可能產生差異化的評估結果。
有觀眾指出該專案部分程式碼可能源自 OpenAI Codex，與影片介紹的技術背景存在認知落差。
目前僅整理 7 則有效留言，反應仍可能改變。