DeepSeek V4视觉模型+Harness工作流实战指南

引言：当Agent拥有视觉能力

在AI Agent的进化路径上，视觉能力的加入是一个关键分水岭。传统Agent只能"盲写"代码，而一旦搭配视觉模型，Agent就能实现"边看边做"——观察渲染效果、对照设计意图、迭代优化，开发效率随之显著提升。

多模态模型的视觉能力通常通过视觉编码器（Vision Encoder）实现，常见方案包括ViT（Vision Transformer）或SigLIP等预训练视觉模型。图像首先被分割为固定大小的Patch，经视觉编码器转换为一组视觉Token，再通过投影层映射到与文本Token相同的嵌入空间，最终与文本Token一起送入语言模型进行联合推理。这一过程的关键挑战在于视觉-语言对齐的质量：模型需要理解图像中的空间关系、文字内容、色彩搭配和布局逻辑，并能将这些理解转化为准确的文本描述或代码修改建议。在Agent场景中，视觉能力使得模型可以"看到"自己生成的代码渲染后的实际效果，与预期设计进行对比，从而形成感知-推理-行动的完整闭环——这正是从"盲写"到"边看边做"的技术本质。

据B站UP主九天的实测分享，DeepSeek最新的V4 Flash多模态模型搭配DeepSeek Harness（DSH）V0.1.1版本新增的原生视觉能力，已经能够产出风格鲜明、具备较高美学素养的前端页面、交互流畅的HTML版PPT，甚至可以一句话生成接近商业级水准的宣传短片。本文将系统梳理这套完整工作流的搭建与实践。

DeepSeek V4 Flash：性能与效率的平衡

从官方发布的评分指标来看，DeepSeek V4 Flash多模态模型的整体性能已与Opus 4.8齐平。值得关注的是，这是一款总参数量仅284B、激活参数约13倍比例的MoE（混合专家）模型。

13倍激活参数的MOE模型

MoE架构：以小博大的稀疏激活策略

MoE（Mixture of Experts）是近年来大模型领域最重要的架构创新之一。传统的稠密（Dense）模型在推理时会激活所有参数，计算成本与参数量成正比。而MoE模型将前馈网络层替换为多个并行的"专家"子网络，每次推理时由一个门控网络（Gating Network）动态选择少量专家参与计算。以DeepSeek V4 Flash为例，284B总参数中仅约13倍比例的参数被激活，意味着实际推理时的计算量远小于284B稠密模型。

这种稀疏激活策略使模型在保持庞大知识容量的同时大幅降低了推理延迟和算力消耗。DeepSeek在MoE方向上有深厚积累，其早期的DeepSeekMoE论文就提出了细粒度专家分割和共享专家隔离等创新设计，使专家之间的知识冗余更低、专业化程度更高。这些技术积累是V4 Flash能够以较低激活成本达到顶级性能的关键基础。

MoE的优势在于推理时只激活部分专家网络，在保持大参数容量的同时，实际计算成本远低于同等规模的稠密模型——这也解释了为什么该模型在实测中"整体响应速度很快、图片细节信息理解也非常到位"。

快速上手：升级到V0.1.1

最快体验V4多模态模型的方式是直接在最新版DeepSeek Harness中调用。DSH已在V0.1.1版本中正式加入对V4多模态模型的支持，以及Files文档存储系统功能。升级流程并不复杂：

打开命令行执行升级命令
通过version命令确认版本号
启动DeepSeek Harness并打开网页端
在右下方模型选择中切换到V4 Flash视觉模型

此时在对话框中带入图片，即可测试其多模态理解性能。

Agent预设（Preset）：DSH的核心隐藏功能

真正让这套工作流强大起来的，是DeepSeek Harness的Agent预设功能，也就是Preset。这被称为DSH的"最强隐藏功能"。

更严谨的来说是四个官方Agent

什么是Agent Preset

从技术角度看，Agent Preset是一套面向Agent运行时的组装方案，类似于自定义Agent，但本质更加复杂。它不仅拥有自定义的提示词、Skills、工具调用权限，还能够自定义上下文压缩方法、后台任务执行策略、子Agent能力以及Workflow能力等。

从行业视角看，这类机制类似于LangChain中的Agent Template或AutoGen中的Agent Profile，但DSH的Preset在定制深度上更进一步。上下文压缩方法决定了Agent在长对话中如何管理有限的上下文窗口——常见策略包括摘要压缩、滑动窗口和基于重要性的选择性保留，这对于持续数十轮交互的复杂开发任务至关重要。后台任务执行策略涉及异步任务调度，允许Agent在等待耗时操作（如代码渲染、文件生成）时继续处理其他环节，避免串行等待带来的效率瓶颈。子Agent能力意味着一个主Agent可以调度多个专业化子Agent协同工作，形成类似多角色协作的编排模式——例如一个负责代码编写、一个负责视觉审查、一个负责文案撰写。Workflow能力则将这些环节串联为可复现的流水线，确保每次执行都能遵循一致的质量标准。

换句话说，Agent Preset是一个能够高度灵活DIY专属Agent的工具，其全链路可配置的设计使得用户能针对特定场景深度定制Agent行为，而非仅仅停留在修改提示词的浅层定制。早在DeepSeek V4 Pro发布时，官方就宣称模型性能评估是基于DSH的极简模式（这本身就是一个Preset）进行测试的。用户可以在"设置-Agent预设"中查看完整的定义内容，这些文本非常复杂，详细规定了该模式下Agent功能的各个方面。

三套核心工作流Preset

本次实战围绕三个自定义Preset展开：

前端UI Agent：精美前端交互设计
AI PPT Agent：HTML版交互式PPT制作
AI视频 Agent：全自动视频生成

整个装配过程涉及提示词设计、Skills和Plugin安装以及系统配置修改，复杂度较高。

一键安装：脚本与Studio桌面端

为降低装配门槛，UP主提供了完整的安装脚本，分为MacOS和Windows两个版本，双击即可完成安装（需提前安装好DeepSeek Harness）。

脚本分为MacOS和Windows两个版本

如果使用团队自研开源的DeepSeek Harness Studio桌面端，安装过程会更加简单。该桌面端已全面升级适配官方最新版，可直接选择V4多模态模型进行对话，并在Agent预设广场中提供了六个Agent预设——其中包括本次所需的Web开发、AI PPT和AI视频生成，在线点击即可完成安装。此外，Studio还新增了一键接入本地开源模型等功能，进一步扩展了使用灵活性。

实战演示：三大工作流效果

前端网页开发

以制作个人简历网站为例，进入新对话后选择前端开发模式，输入专业的题目词。创建过程中Agent会提出一些需要决策的问题，这是Preset正常的工作流程。

需要注意的是，由于当前Agent未配置生图模型，部分视觉效果会用更简单的SVG图像代替。整个开发过程约持续半小时，除了缺少需要额外生图模型生成的背景图片外，整体完成度非常高。

AI PPT制作

流程类似，选择"DSH动效演示导演"，输入想要制作的PPT内容即可。

选择DSH动效演示导演

系统默认会套用四个模式、八个页面的模板，也支持完全重新设计特效或从零开始设计。最终产出的HTML版PPT交互流畅、信息完整，且提供多种风格可选。相较于传统的PowerPoint文件，HTML版PPT的优势在于天然支持响应式布局和复杂的CSS动画效果，可以直接通过浏览器分享，无需担心字体缺失或版本兼容问题。

AI全自动视频生成

这是基于HyperFrames进行视频生成的Agent Preset。选择"AI视频导演"后输入创作需求，即进入视频创作流程。

HyperFrames：代码即视频的创作范式

HyperFrames是一种将HTML/CSS/JavaScript动效渲染为视频帧序列的技术方案。其核心思路是利用浏览器渲染引擎（通常基于Puppeteer或Playwright等无头浏览器）逐帧截取HTML页面的动画状态，再将帧序列合成为标准视频文件。与传统视频生成模型（如Sora、Runway Gen-3）基于扩散模型直接生成像素不同，HyperFrames的输出是确定性的——同一套HTML代码在任何环境下都能渲染出完全一致的结果，具备极强的可复现性和可编辑性。开发者可以精确控制每一帧的布局、动画曲线、文字内容和色彩方案，后期修改也只需调整代码而非重新生成整个视频。这种"代码即视频"的范式特别适合信息密度高、风格统一的宣传片、数据可视化动画和产品演示视频，弥补了AI生成视频在精确控制方面的不足。

DSH作为视频导演和编程Agent，使用HyperFrames编写、预览并渲染一整套可复现的HTML动效视频工程——即"一套HTML、一套视频"的创作方式。整个过程同样约半小时，若在提示中提供更多细节信息和配图，将有助于生成细节更丰富的视频。

总结与思考

这套基于DeepSeek V4 Flash多模态模型与Harness的工作流，展示了当前AI Agent在实际生产场景中的成熟度。视觉能力的引入让Agent从"盲写"走向"边看边做"，而Agent Preset机制则把Agent的可配置性推到了新高度——从提示词到上下文压缩、子Agent、Workflow的全链路定制。

对开发者而言，最大的价值不在于"一句话生成"的演示效果，而在于这套可复现、可管理、可扩展的工作流范式。当模型能力、Agent框架与预设机制三者结合，个人开发者也能以极低的成本完成过去需要团队协作的前端、PPT乃至视频制作任务。从更宏观的行业趋势来看，这种"模型+Agent框架+预设生态"的三层架构正在成为AI工具链的标准范式：底层模型提供核心推理能力，中间的Agent框架负责工具调用与任务编排，顶层的预设生态则将专业知识和最佳实践封装为可分享、可复用的配置包。随着社区贡献的Preset不断积累，这套体系有望从开发者工具演进为面向更广泛用户群体的通用生产力平台。