Agent = LLM（大脑） + 规划编排层（Harness/Orchestration） + 工具（Tools） + 记忆（Memory）

harness的概念

harness在业界通常是编排层（Orchestration Layer），它不仅仅是调用API，而是包含以下几个核心模块。

维度	单纯的 LLM + Api调用	完整的Agent(含Harness)
决策模式	一次性推理，生成结果即结束	循环推理（ReAct、Plan-and-Execute），直到任务完成为止
工具调用	用户指定调用哪个工具	自主选择工具，并根据返回结果动态调整下一步
错误处理	报错即停止	自我反思（Self-Reflection），遇到错误会重试或换策略
记忆管理	仅当前对话上下文	包含短期记忆（上下文窗口）和长期记忆（向量数据库）

具体来说，这个“Harness”通常包含以下三层“脚手架”：

提示工程框架（Prompt Framework）：如 ReAct、CoT（思维链）的模板，告诉LLM何时“思考”、何时“行动”、何时“观察”。
解析与验证器（Parser & Validator）：LLM输出的是自然语言或JSON，Harness负责将其解析为具体的函数调用（如 execute_python），并校验参数格式是否正确。
状态机与循环控制器（State Machine）：控制最大迭代步数（Max Steps），管理中间步骤的日志，决定何时将最终结果返回给用户。

不过，这里有一个重要的认知陷阱：
如果缺少“规划与反思”能力，即使给LLM挂载了100个工具，它也只能算是一个“增强型聊天机器人”，而不是真正的Agent。例如，当你说“帮我订机票并安排行程”时，真Agent会自主拆解任务，而伪Agent只会问“请提供航班号”。

deepseek Harness和claude code对比

DeepSeek Harness 和 Claude Code 虽然都遵循 Model + Harness = Agent 的公式，但它们的本质截然不同。
简单来说：Claude Code 是 Anthropic 出品的“精装成品车”，而 DeepSeek Harness 是一套“可自由拼装的乐高积木”
下表从几个关键维度进行了对比：

维度	DeepSeek Harness	Claude Code
核心定位	开源的、可任意拆装的 Agent 运行时框架	商业化的、开箱即用的终端 AI 编程助手
设计哲学	“一切皆插件” (Everything is a Plugin)，所有组件均可替换	“应用层治理”，通过钩子（Hooks）进行扩展
模型绑定	模型无关，官方支持接入约 40 家模型厂商	深度绑定 Anthropic 自家模型
开源与协议	MIT 协议，代码完全开源	闭源，核心为商业产品
产品形态	Web UI / 命令行，以 npx @deepseek-ai/dsh web 启动	终端原生 (CLI)，桌面 App，Web App，IDE 插件
可扩展性	内核级替换：可更换 Agent Loop、会话日志、沙箱等核心组件	应用级扩展：通过 Skills、MCP 和 26 个生命周期钩子扩展
成熟度	开发者预览版 (v0.1)，尚在早期，可能有破坏性更新	成熟商业产品，用户量大，文档完善，有企业级支持

DeepSeek Harness：Agent 界的“乐高”

它的核心是 “一切皆插件” 。这意味着从模型适配器、工具，到最核心的Agent循环（Agent Loop）和会话日志，全部都是可以自由拆卸和替换的插件。

终极灵活性：你可以轻松更换底层大模型（如从DeepSeek换成OpenAI或本地Ollama模型），甚至可以修改 Agent 的思考和决策流程本身。
完全可观测：它提供了“Trajectory（轨迹）”功能，能完整记录和回放 Agent 的每一步思考和行动，像一个“黑匣子”，方便调试和优化。
生态雏形：凭借其开源和插件化理念，发布后社区迅速涌现出大量第三方插件。
当前局限：作为一个 v0.1 开发者预览版，其成熟度和稳定性与商业产品有差距，上手门槛也相对较高。

Claude Code：Agent 界的“成品车”

它是一款为开发者打磨好的商业产品。你无需关心底层实现，安装后即可通过自然语言与它协作编程。

开箱即用：它深度集成了文件读写、命令执行、代码搜索等能力，提供流畅的终端体验。
应用层扩展：虽然不能修改内核，但Claude Code通过 MCP（模型上下文协议）和 26个生命周期钩子（Hooks）提供了强大的扩展能力，例如在代码提交前自动运行测试。
成熟可靠：作为一款拥有庞大用户群的成熟产品，它经过了大量实践检验，有完善的官方文档和商业支持。
生态绑定：其核心价值与Anthropic的模型深度绑定，你购买的是其背后的强大模型与工程实现的完美结合。

该选哪个

总的来说，DeepSeek Harness 的出现，为开发者提供了一个强大的 “造车”平台，而 Claude Code 则是一辆性能优异的 “成品跑车”。
选择 DeepSeek Harness，如果：

你是一位开发者或研究员，希望深入研究 Agent 的内部机制。
你需要高度定制化的 Agent，比如更换核心模型或修改决策逻辑。
你希望构建自己独特的 Agent 应用，并从内核层掌控一切。

选择 Claude Code，如果：

你是一位软件工程师，核心目标是高效完成编码任务，而非研究 Agent 本身。
你追求稳定、流畅、开箱即用的开发体验。
你愿意为成熟的产品和强大的模型能力付费。

DeepSeek Harness可以想象成一个Agent的“操作系统”

它提供了运行环境（Harness内核）
你可以自由地“安装”（通过插件）不同的“大脑”（LLM）、“手脚”（Tools）和“记忆”（Memory）
你甚至可以修改这个“操作系统”本身的运行规则（Agent Loop）

DeepSeek Harness并非一个包含所有功能的“成品Agent”，而是一个高度灵活、可定制的Agent组装平台。
它的价值在于提供了一个标准化、模块化的框架，让开发者可以像搭乐高一样，根据自己的需求，自由选择和组合不同的LLM、工具和记忆模块，从而构建出独一无二的AI Agent

运行 deepseek Harness

1	npx @deepseek-ai/dsh web

npx是把依赖安装到全局缓存里，不会安装到项目的node_modules里，也不会写到package.json里。

在终端执行上述命令后，启动了一个服务，可以在浏览器输入`http://127.0.0.1:3080`打开deepseek Harness界面

设置里可以设置要调用的大模型

选好工作区以后就可以开始让AI干活了

不仅能看到对话内容，还能看到dsh工作的轨迹，可以研究agent的内部机制

一些思考

DSH确实有可能重塑AI Agent开发的行业规则

“拼装式开发”：DSH带来的范式转变。dsh提供可自由组装的“乐高积木”，任何组件（模型、工具、存储、循环）都是可插拔的插件。
创新门槛变低，开发者可通过组合、开发插件来创造新Agent。
赋予Agent“自进化”能力：DSH允许Agent在运行时动态生成、验证并加载新插件来补齐自身能力短板。这意味着Agent可以“自我升级”，而无需等待人工干预。

但DSH目前仍处于开发者预览版（v0.1）阶段，距离“改写行业规则”尚有距离。

降低了AI agent的开发难度，安装相应插件可以快速搭建行业agent?

门槛确实大幅降低了，但如果你认为“安装插件就等于完成业务Agent”，那可能会踩进一个常见的认知陷阱。
更准确的说法是：DSH把难度从“造车”（底层工程）降级为了“开车和改车”（业务组装与调教），但并没有变成“按个按钮就自动驾驶”。

我们可以把搭建领域Agent的过程，类比为组装一台高性能PC：

以前（无DSH）：你需要自己焊主板、写BIOS、设计散热系统（写Agent循环、解析器、状态机）。
现在（有DSH）：主板、电源、机箱都做好了。你只需要插上CPU（选模型）、插上显卡（装插件）、装上硬盘（挂载业务数据）。

但在“插上显卡”之后，还有两个核心难点并没有消失：

“安装插件”不等于“融入业务逻辑”
插件解决的是“能不能做”（Capability）的问题，而业务Agent解决的是“怎么做对、做快、做安全”（Quality & Compliance）的问题。
难度从“写代码”转移到了“调教数据与提示词”
开发难度没有消失，而是转移了：

以前的难点：如何用代码实现工具调用（Parse JSON、处理异步）。
现在的难点：如何用自然语言和少量代码定义Agent的“人格”和“决策流”。比如，如何在DSH里配置Agent Loop（循环逻辑），让它在5步内必须给出结论，否则触发人工介入。这种“控制论”层面的调参，远比装插件要复杂。

“特定领域”的核心在于“私有数据”（RAG），而非插件
对于特定业务领域（如医疗、法律、工业），最关键的不是通用插件（搜索、计算），而是领域私有的知识库（Memory/Vector DB）。

你可以一键安装“连接数据库插件”，但要把公司过去10年的技术文档、行业黑话、内部规范清洗、切片、嵌入向量并灌入记忆系统，这个过程（即RAG，检索增强生成）占据了Agent开发70%的工作量，而这部分DSH虽然提供了接口，但具体内容的处理质量完全取决于你。