DeepSeek Harness 全套教程：从安装到 Agent 模式进阶

DeepSeek^广告 新推出的 Agent 框架 DeepSeek Harness（视频中亦被称作 DeepSeek Harmless），正在程序员圈子里引发讨论。它到底是什么？和 Codex、WarpBody 这类本地 Agent 工具有什么本质区别？本文基于 B 站 UP 主的实测教程，带你从环境安装、底层逻辑到工作模式实战，快速上手这个「一切皆插件」的 Agent 工具。

本地 Agent 的核心逻辑：调度与编排

所有本地 Agent 工具，甭管上层包装得多花哨，核心就干两件事。第一，它们安装在本地机器上，天生可以调度本地资源，读写文件、执行应用程序都不在话下。第二，对任务进行编排——当你提出一个任务，它并非直接丢给大模型，而是先在中间对任务进行拆解，拆成不同的小任务，再依次按顺序调用大模型，最后把结果整合起来给你。

这些工具的实质区别，恰恰在于「任务怎么拆解」。DeepSeek Harness 官方用一句话揭示了本质：一切皆插件。什么意思？就像你要读文件，本地存储不够，插个 U 盘；读完了，把 U 盘拔掉。模型、工具、调度，全由插件组合而成，可以自由替代、灵活重组。这意味着你使用它时，完全可以根据任务特点选择不同模式，甚至进行不同组合。

什么是「本地 Agent」

本地 Agent（Local Agent）指的是运行在用户自己机器上的智能代理程序，区别于完全跑在云端的对话式 AI。它的关键在于拥有对本地文件系统、命令行、已安装软件的「操作权」，因此能真正执行任务而不只是给出建议。Codex、WarpBody（常被写作 Warp/Warp Terminal 类工具）、Claude Code、Cursor 的 Agent 模式都属于这一范畴。判断一个工具是否为本地 Agent，可以看两点：是否能直接读写你磁盘上的文件，以及是否能自主决定调用哪个工具、调用几次。这也是它与「聊天机器人 + 复制粘贴」模式的根本分野。

API Key 与 Token 计费

API Key 是调用大模型服务的身份凭证，本质是一串密钥，用来标识「是谁在调用、费用记在谁账上」。调用时服务商会按 Token 计费，Token 是模型处理文本的最小单位，中文大约 1 个字对应 1～2 个 Token，英文约 4 个字符对应 1 个 Token。Agent 类工具因为要反复把上下文、工具说明、历史结果塞进请求，输入 Token 消耗往往远大于单轮对话，这也是后文对比 28K、41K、62K 消耗的意义所在。

安装与上手：简单到不需要报课

所有成型的产品，应用一定是很简单的。DeepSeek Harness 的使用简单到连下载都不需要——直接用 NPX 指令就能完成。NPX 是 Node.js 的一个指令，而 Node.js 是本地开发环境，用来执行 JavaScript 或 TypeScript 脚本、搭建服务。DeepSeek Harness 本身就是使用 Codex（TypeScript 服务）构建的，所以安装 Node.js 环境即可执行。

建议安装最新的 LTS 版本（长期支持版），这是最稳定的。如果你不想每次去官网重新下载，可以用 NVM 这个 Node.js 版本管理工具，它能在本地装多个版本并一键切换。执行 nvm install 下载指定版本，nvm use 切换版本。安装成功后，敲 node -v 出现版本号就表示环境就绪。

接着复制 DeepSeek Harness 的指令直接执行，第一次会下载一些组件，稍慢一点，之后就会暴露一个本地服务地址，在浏览器访问即可。首次进入需要输入 API Key，到 DeepSeek 官网的 API 开放平台注册登录，在后台创建一个 Key 填入即可。

NPX、NVM 与 LTS 分别是什么

Node.js 是让 JavaScript/TypeScript 脱离浏览器、直接在操作系统上运行的运行时环境。NPM 是随 Node.js 一起安装的包管理器，用来下载第三方库；NPX 则是 NPM 附带的「一次性执行」命令，它会把指定包临时下载到缓存中并立即运行，而不在本地项目里留下依赖，这正是 DeepSeek Harness「不用下载安装包、一条指令就能跑」的技术基础。

NVM（Node Version Manager）是 Node.js 的版本管理器，因为不同项目可能依赖不同 Node 版本，NVM 允许在同一台机器上并存多个版本并用 nvm use 秒切。LTS（Long Term Support，长期支持版）指官方承诺长期维护、优先修复安全问题的版本，奇数版本号通常为尝鲜版，生命周期短，生产环境一般选偶数号的 LTS 版本更稳妥。

工作区：按任务维度管理

进入页面后，核心功能是以工作区的形式组织对话，相当于把任务像文件一样分门别类。建议一类任务创建一个工作区，并指定一个本地工作目录。之后的所有工作都围绕这个目录展开——比如让它列出当前目录的文件，它列出的就是你本地对应目录下的文件。不同任务放到不同工作区，管理起来非常清晰。

配置也相当简单：首次填入的 API Key 会显示在模型提供方处，默认提供了 DeepSeek 的两个模型——Flash 响应更快，Pro 处理复杂任务更强但速度较慢、Token 消耗更多。如果想切换其他模型，可以添加新的提供方，比如 Anthropic 的 Claude 模型，填入 API Key 后选择可用模型即可。国内用户也可以考虑综合性平台，上面跑的模型较多，包括 DeepSeek、阿里通义千问^广告、MiniMax 等。

三种核心工作模式：标准、PTC 与集解

DeepSeek Harness 最有意思、也最核心的东西，是它的工作模式（Agent Preset）。处理不同任务需要不同的功能组件组合，它以 Preset 的形式进行组合。默认有三种常用模式，外加一个用于创建新模式的创造模式。

集解模式：极限压力测试

集解模式仅提供 Bash 和 Str Replace Editor 两个工具，相当于把大部分插件都拔掉，只保留最核心的部分。它更多是给开发者测试大模型极限扛压能力用的——就像测试越野车时，为了跑极限路况要把影像、广播等功能都去掉，只留最核心的东西。它的执行方式是闷头干活，自己写脚本完成，中间没有太多汇报，输入 Token 也相对较少。

标准模式：走一步看一步

标准模式最接近其他 Agent 的常见做法：调用大模型判断需要用哪些工具，执行工具获取信息，再交给大模型整合。它的优点是容错率高，走错了可以自己回头，适合处理复杂任务，比如整理完整报告、网上搜索资料等过程较多的任务。代价是需要检索更多本地插件，输入 Token 更多，但缓存命中率很高，实际花费相对较少。

PTC 模式：先编排再执行

PTC 全称 Program to Call，核心是把任务在后端编排成一个 TypeScript 程序，用一段代码驱动整个大模型解决问题。好比做营销任务前先开会把所有流程编排好，形成作战指南再执行。它的执行速度更快、逻辑更精准，适合每天拉取新闻这类难度不大但频次很高的任务。缺点是错误处理能力较弱，一旦出错需要回头调整整个脚本，一来一回消耗的资源更多。

PTC 与「代码即工具调用」范式

PTC（Program to Call）背后的思路，在学术和工程界常被称为「Code as Action」或「程序化工具调用」：不再让模型一步一句地输出工具调用指令，而是让它先生成一段完整脚本，把多次工具调用、循环、条件判断写进代码里一次性执行。这样做的好处显而易见——省去了每步之间把上下文重新喂给模型的开销，因此速度更快、Token 更省；代价是执行过程变成一个黑盒，中途出错时模型很难像标准模式那样「走一步看一步」地局部修正，只能推倒重写。理解这一点，就能明白为什么高频、流程稳定的任务适合 PTC，而探索性强、路径不确定的任务更适合标准模式。

实战对比：同一个任务，三种模式三种表现

UP 主设计了一个综合性任务：在内存中生成虚拟用户信息，按名字首字母排序，再写入文件。

集解模式下，它直接写一个 Python 脚本执行，轨迹里只有 Bash 工具，闷头干完给结果，Token 输入较少。标准模式下，它会先检查环境，发现本地有 Python，再决定用 Python 写脚本，一步步调度，中间反馈更多，输入 Token 也更多。PTC 模式最复杂，先有 Code 过程对任务进行内部编排，执行中遇到 Write 工具用不了的问题，又重新写指令执行，过程有反复。

再看一个「创建安全审计模式」的案例。用创造模式创建 Safe Review 模式时，只提需求——只审查本地代码，不能修改文件和执行脚本——内部就会调度各种插件形成新模式。用这个模式执行任务时，它判断出需要读写文件权限，但当前模式下没有这些工具，于是给出三个选项：提供 Python 脚本、在回复中直接输出内容、仅解释限制不做进一步说明。用户选择第一项后，它输出一个脚本供你自行执行。这次任务只消耗 28K Token，而标准模式是 41K，PTC 模式因反复调整达到 62K。

上下文缓存（Prompt Caching）为什么能省钱

文中提到标准模式「输入 Token 更多，但缓存命中率高，实际花费相对较少」，这里涉及大模型服务商的上下文缓存机制。当多次请求的前缀部分（如系统提示、工具定义、历史对话）完全相同时，服务商可以把这部分计算结果缓存起来，后续命中缓存的 Token 按显著折扣计价，通常只有原价的十分之一左右。Agent 场景恰好高度契合这一特性：工具说明和对话历史在每一轮都几乎不变，只有末尾新增一小段。因此「输入 Token 多」并不等于「花钱多」，评估 Agent 成本时要看的是缓存命中率与有效 Token 的综合账单，而非单纯的 Token 总量。

启示：Agent 的强弱不只取决于模型

DeepSeek Harness 最大的启发在于：Agent 的强弱不仅仅取决于大模型有多聪明，更取决于你如何为不同任务构建合适的模式。模式不光是官方预设好的，你完全可以参与创建。基础应用场景已挖掘得差不多，各种产品都已成型，接下来拼的是谁能落得更实、用得更精准。

对于开发者而言，这意味着一种更自由的工具使用方式——根据任务特点选择标准模式的灵活、PTC 模式的高效，或是 Safe Review 模式的低消耗，把大模型用得更加精准。