17.2 安装与四种运行模式

🐋 "一行命令启动一个 Agent，但四种姿势决定 Agent 的能力边界。"

一、四种姿势一览

DeepSeek Harness 的核心设计之一是 profile-based 启动——根据你想要的能力组合，选不同 profile。每次启动时 dsh --profile <name>，Harness 会自动加载对应的插件集合：

下面按模式展开，每种都给一行启动命令 + 适用人群。

二、方式 A：standard（标准模式）——日常干活

2.1 一行命令

$ npx @deepseek-ai/dsh web

启动 Web UI（默认 127.0.0.1:3080）；dsh chat 进入 CLI 交互；dsh gateway 启动 Telegram/Discord 等接入。

2.2 加载的插件

core.llm.openai
core.llm.anthropic
core.tool.shell
core.tool.fs
core.tool.edit
core.tool.web
core.tool.lsp
core.skill.loader
core.context.summary
core.agent.loop
core.subagent.spawn
core.session.sqlite
core.scheduler.cron
core.storage.local
core.sandbox.local
core.tui.ink
core.web.react          (启 --web 时)

约 50~70 个插件组成日常 Agent 的标准工具箱。

2.3 配置文件

// ~/.dsh/config.json —— standard profile 默认加载
{
  "profile": "standard",
  "llm": {
    "provider": "deepseek",
    "model": "deepseek-v4-pro",
    "apiKey": "${DEEPSEEK_API_KEY}",
    "fallback": ["anthropic-claude-4-7", "openai-gpt-4.1"]
  },
  "workspace": "/workspace",
  "mcpServers": {
    "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"] },
    "postgres": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-postgres"] }
  },
  "skills": ["./skills/my-team.md"],
  "permissions": {
    "shell": ["ls", "cat", "grep", "find", "pwd"],
    "shellBlocklist": ["rm -rf /", "sudo", "chmod 777", "curl | sh"]
  }
}

apiKey: "${DEEPSEEK_API_KEY}" 走环境变量——避免硬编码。

2.4 第一条指令

$ dsh chat "读 idea 文档, 理解愿景、坚持原则。先梳理要设计的条目，及其组织、优先级。"

💡 这条指令是 DeepSeek 团队在 README 里给的入门示例——典型的"开放域 + 多步任务"。

三、方式 B：minimal（极简模式）——跑基准测试

3.1 一行命令

$ dsh --profile minimal eval --benchmark swe-bench

只保留 shell + 文件编辑 两种工具 + 模型调用——用于：

• 模型基准（不给工具 = 比纯推理；给最基础工具 = 比基本 Agent 能力）；
• 学术论文的 control group；
• 评测 A/B 测试。

3.2 它解决了什么

在 standard 模式里跑基准测试会被"工具太多"污染——Agent 可能误用工具绕过对模型能力本身的评估。minimal profile 把变量降到极致：

可用工具：shell, fs.read, fs.write
不可用：web, lsp, subagent, scheduler, skill, mcp

这相当于"裸 LLM + 极简工具集"。

3.3 学术引用场景

如果未来你想引用 DeepSeek Harness 做研究实验，minimal profile 是事实上的标准——任何论文应该明确说明 profile，避免"配置不一致导致结论不可比"。

四、方式 C：ptc（PTC 模式）——程序化工具调用

4.1 什么是 PTC

PTC（Programmatic Tool Calling） 模式让 LLM 先生成一段程序（Python 或 TypeScript），再由 Harness 执行这段程序调用工具。

普通 Agent Loop（每步一工具调用）：
  LLM → tool_call(read) → execute → result
  LLM → tool_call(grep) → execute → result
  LLM → tool_call(edit) → execute → result

PTC 模式（程序化执行）：
  LLM 输出 Python：
    import read, grep, edit
    files = read("./src/**/*.py")
    bugs = [f for f in files if "TODO" in f.content]
    for f in bugs[:5]:
        edit(f, replace="...")
    return f"修复 {len(bugs)} 个 TODO"
  Harness 执行 → 完成全部

优势：

1. 省 token：N 个 tool call 在 PTC 模式下合并成 1 次 LLM 输出；
2. 可读性：代码比结构化 JSON 字典更像人话表达；
3. 可组合：条件、循环、try/except 都自然存在。

劣势：

1. 安全：执行任意代码需要更严格的沙箱；
2. 调试：错误时栈帧更深；
3. 能力：模型要会"写程序"。

4.2 启动

$ dsh --profile ptc chat "读 src/auth/*.py，找出所有未处理的异常"

PTC profile 默认加载：

core.llm.openai
core.llm.anthropic
core.tool.shell
core.tool.fs
core.tool.edit
ptc.python.interpreter
ptc.sandbox.restricted   ← 比标准沙箱更严
core.context.summary

4.3 安全沙箱

PTC 沙箱默认拒绝：

• 网络出站（除白名单）
• 文件系统写（除 /workspace/）
• 进程派生（除白名单）
• 导入危险模块（subprocess、os.system 等）

如果想让 PTC 更宽松，编辑 ~/.dsh/profiles/ptc.json 把沙箱调到 dev 等级。

五、方式 D：create（创造模式）——写插件原型

5.1 一行命令

$ dsh --profile create dev

启动一个带 hot-reload 的开发环境——你写一个插件保存，Harness 即时加载新插件，无需重启。

5.2 它解决了什么

写插件时最痛的环节是"改一行插件 → 重启 Harness → 测试 → 重启 → …"。create profile 把这个循环缩到 < 1 秒：

$ dsh --profile create dev
   → Boots with create profile
   → Watches ./plugins/**/*.ts for changes
   → On save: auto-reload plugin in 200ms
   → Logs to console with colored diff

5.3 装载 demo

create profile 默认装载 example.plugins——包含以下示范插件，你可以基于它们写自己的：

• demo.tool.weather —— 调 OpenWeatherMap；
• demo.llm.placeholder —— 一个把"输入直接返回"的假模型；
• demo.skill.hello —— 一个简单的 SKILL.md Skill。

学习插件 API 的最快方法是修改 example.plugins——改完保存，立刻看到效果。

六、Pre-4 模式选择：决策树

Q1: 你想跑什么场景？
├─ 日常 Agent 开发 / 干活 → standard
├─ 模型基准 / 学术对比 → minimal
├─ 多步任务 / 长链工作流 → ptc
└─ 写自定义插件 → create

Q2: 第一次上手？
└─ 用 standard，它装载最完整的插件组合

七、安装三种方式（含 Docker / 源码）

7.1 方式 1：npx 一行启动

$ npx @deepseek-ai/dsh web

适用：试用 / demo。

7.2 方式 2：源码构建（推荐开发）

$ git clone https://github.com/deepseek-ai/deepseek-harness.git
$ cd deepseek-harness
$ corepack enable
$ pnpm install
$ pnpm dsh web

仓库结构（以 main 分支为准）：

deepseek-harness/
├── packages/
│   ├── core/                # Cordis 集成 + 上下文键
│   ├── llm/                 # 各 LLM Provider
│   ├── shell/               # shell + sandbox
│   ├── terminal/            # TUI（终端 UI）
│   ├── fs/                  # 文件系统操作
│   ├── edit/                # 编辑工具
│   ├── lsp/                 # LSP 集成
│   ├── web/                 # Web 搜索
│   ├── skill/               # Skill 加载器
│   ├── subagent/            # 子 Agent
│   ├── workflow/            # 工作流
│   ├── mcp/                 # MCP server / client
│   ├── scheduler/           # cron 等
│   └── ...
├── plugins/                 # 社区插件
├── skills/                  # 默认 Skills
├── profile/                 # 4 种 profile 配置
│   ├── standard.json
│   ├── minimal.json
│   ├── ptc.json
│   └── create.json
└── docs/                    # 文档源

子目录的具体命名以仓库 main 分支为准。

7.3 方式 3：Docker 沙箱

$ docker pull deepseek/harness:latest

$ docker run -d --name dsh \
    -v ~/.dsh:/root/.dsh \                # 配置 + 持久化
    -v ~/workspace:/workspace \           # 工作区
    -e DEEPSEEK_API_KEY=sk-... \
    -p 3080:3080 \                        # Web UI 端口
    deepseek/harness:latest web

Web UI 跑在 127.0.0.1:3080。

八、DeepSeek API 的峰谷定价

DeepSeek 在 2026 年 8 月起对 API 价格做了调整——区分峰时段与谷时段。长任务可考虑在谷时段跑以节省成本。具体价格以 platform.deepseek.com 官方公示为准；本书不引用具体数字。

要在 Harness 里强制使用谷时段路由：

{
  "llm": {
    "provider": "deepseek",
    "model": "deepseek-v4-pro",
    "routingPolicy": "off-peak-preferred"
  }
}

九、本节小结

下一节：17.3 架构：Cordis 微内核与插件拓扑