（完整版.pdf）以下仅展示部分内容
当 AI 能现场给自己造工具，编码助手的天花板被彻底掀开。
近日，一份名为《DeepSeek Harness 橙皮书——从开机到拆开》的文档在开发者圈引发热议。这份由“花叔”撰写的实测笔记，完整记录了 DeepSeek 开源框架 Harness 发布当天的拆解过程。文档的核心看点在于：一位非代码背景的创作者，将这款刚发布 24 小时的 Agent 框架在本地环境中跑通，揭示了其对于普通用户的真实价值。
一、概念厘清：并非网页版 DeepSeek
许多用户初识 Harness 时易产生误解，将其等同于 DeepSeek 网页版。事实上，两者存在本质区别：网页版仅是无法触碰本地文件的“聊天机器人”；而安装在本地的 DeepSeek Harness（命令名 dsh）则赋予了 AI 实际操作电脑的能力，包括读取文件、修改文件及执行命令。简而言之，Harness 是为模型装上了“双手”。
对于不会写代码但需使用 AI 产品的用户而言，Harness 降低了操作门槛，正如“会用厨房的人不必是厨具工程师”。
二、计费模式：按需付费与缓存机制
Harness 采用 API Key 计费模式，无订阅制限制，但也意味着没有额度预警。实测数据显示，运行基础任务（读四个文件、验证、写 README）的成本极低：Flash 模型约 2.4 分钱，Pro 模型约 7 分钱。需注意，官方已公告自 2026 年 8 月 17 日起实行分时计价，高峰时段价格约为现价的三至五倍。
计费逻辑方面，首次对话因需加载 25 个工具说明书及本机技能目录，会产生较高的基础 Token 消耗（约 1.3 万 Token）。但从第二次对话开始，得益于缓存机制，成本可降低 50 至 120 倍。
三、安全机制：三档沙箱与审批策略
针对用户关心的安全问题，Harness 出厂默认配置了“三档沙箱”加“审批策略”：
| 档位 | 权限说明 |
| 只读 | 全可见，不可修改 |
| 工作区可写（默认） | 仅限注册文件夹及系统临时区 |
| 完全放开 | 无限制，切换时需二次确认 |
审批策略默认开启“询问”模式。当 Agent 试图越界操作时，系统会弹出审批卡片，用户需手动选择“拒绝”或“允许一次”。值得注意的是，系统不设“总是允许”选项，且该沙箱机制主要针对文件操作，不拦截网络请求。
四、四种模式解析
Harness 提供四种运行模式，建议新用户首选“标准模式”，且需在会话开始前选定：
| 模式名称 | 功能特点 |
| 标准模式 | 启用全部 25 个工具，适合绝大多数场景 |
| PTC 模式 | 程序化执行，节省中间结果体积，适合复杂长任务 |
| 极简模式 | 仅保留命令行与文件编辑器，主要用于模型跑分 |
| 创造模式 | 允许模型动态生成新工具，但重启后失效 |
PTC 模式通过将工具说明内嵌，虽增加首轮输入量，但在处理多步骤、大中间产物的任务时更具成本优势。
五、兼容性：Skill 迁移与配置差异
Harness 支持零配置读取公共抽屉（~/.agents/skills）中的 Skill 文件，兼容 AGENTS.md 和 CLAUDE.md。实测中成功读取了 57 个既有 Skill。但用户需注意以下兼容性落差：
- 不支持 ~/.claude/skills 目录及.claude/rules/导入写法；
- MCP 默认不挂载，需手动配置；
- 钩子配置对工具名大小写敏感，照搬可能导致静默失效。
六、核心亮点：动态自我扩展
Harness 最令人震撼的功能在于其“自我进化”能力。在创造模式下，Agent 能够读取自身运行时环境，现场编写并挂载新插件（如统计汉字个数工具）。这一过程展示了 Agent“先查规格书再写代码”的严谨逻辑。不过，动态生成的插件仅存活于当前进程内存中，重启后即失效，无法永久固化。
七、可审计性：全链路日志记录
为解决 Agent 执行过程不透明的问题，Harness 实施了严格的日志记录机制。每次运行的所有细节（包括权限记录、沙箱模式、原始碎片等）均落入日志，但仅将关键信息（用户指令、模型回复、工具返回）输入上下文。这种设计确保了“模型遗忘”与“日志丢失”成为两个独立事件，极大提升了故障排查的可追溯性。
八、开发幕后：AI 驱动的代码库
Harness 自身即为 AI 深度参与的产物。该项目在 64 天内完成了 12,293 次提交，日均提交量惊人。其核心开发制度包括：
- 强制文档化：每个非平凡改动必须伴随设计笔记，明确记录被否决的方案；
- 机械化检查：设立 27 道机械检查关卡，涵盖格式、链接有效性及中英文文档对齐等；
- 思维链清理：专门的清理程序用于移除英文文档中残留的中文工作语言碎片。
这套机制确立了“能机械化的一律机械化，判断力留给人”的开发原则。
九、战略赌注与未来展望
文档最后总结了 DeepSeek 在 Harness 项目上的四大战略赌注：
- 生态优先：一切皆插件，牺牲部分开箱即用体验以换取生态扩展性；
- 可审计性：坚持全链路日志，牺牲磁盘简洁性以确保运行透明；
- 抽象正确：将技能和 MCP 视为普通插件，牺牲特定场景的贴合度以维持架构统一；
- 能力兑现：模型公司亲自下场构建框架，以确保模型能力的最佳释放。
尽管面临诸多取舍，Harness 通过开源架构打破了以往只有产品方才能定义 Agent 行为的局限，为非技术背景用户提供了调整 AI 工作方式的全新杠杆。
编辑：Zero