给NAS装个百万Star的DeepSeek Harness智能体框架

前言

之前在威联通Qu805上折腾过Qsirch AI Mode、RAGFlow、ConvertX和Poznote，搜索、知识库、文件转换、笔记这几个需求都解决了。这次轮到AI智能体。

DeepSeek在8月13号开源了DeepSeek Harness，简称dsh，一个Agent Harness智能体框架。这才开源几天，GitHub上的Star就已经超过了111K。按这个速度发展下去，它很有可能超过OpenClaw，热度相当高。

我平时在NAS上跑的服务都是数据私有的思路，这次装DSH也一样。DSH 的会话、配置和工作文件可以持久化在 NAS 本地，但模型推理仍通过 DeepSeek 云端 API 完成，因此发送给模型的上下文并不是完全本地处理。相比纯云端 Agent，它主要解决的是本地文件、会话和运行环境的自主掌控问题。。

一、DeepSeek Harness是什么

DeepSeek Harness是DeepSeek AI开源的Agent Harness智能体框架，采用一切皆插件的架构设计。它使用的模型、工具、技能、会话、沙箱、存储、循环、调度、UI等所有Agent能力，全部由插件组合而成。就像搭积木一样，可以自由替换和灵活重组。

底层是Cordis内核，只负责插件的加载、卸载与依赖管理。模型、工具、技能、会话、沙箱、存储、循环、调度、UI这些能力都由插件提供，通过服务和事件彼此协作，在配置层自由组合。官网是deepseek.com的harness页面。

需要提前说明的是，DeepSeek Harness目前处于开发者预览阶段，不排除后期会有破坏兼容性的变更。同时本次教程使用的Docker镜像也并非官方发布，而是由一位叫smanx的开发者通过官方源码构建并分享的。

二、核心亮点

先说架构。一切皆插件是它最核心的设计。Cordis内核只负责插件的加载、卸载和依赖管理，其他所有能力都由插件提供。这意味着你想换模型就换模型，想换存储就换存储，每个部件都可以独立替换，配置层自由组合。

其次是运行有迹可循。模型看到的一切，包括系统提示词、思维链、工具调用与结果、子Agent调度、上下文注入，都写入仅追加设计的会话日志。Trajectory视图按来源查看，恢复、分叉、检索与回放共享同一份事件流。这个特性对调试很有用，模型每一步干了什么都能追溯。

然后是四种运行模式。标准模式是功能完整的编码Agent。PTC模式让模型用一段TypeScript程序组合多轮工具调用。极简模式只有两个工具，用于模型基准测试。创造模式带运行时检查、插件试验和自定义preset创作。不同场景选不同模式。

多形态使用方面，支持Web UI、headless、CLI、Python SDK和TypeScript SDK。Web UI默认端口3080，headless模式一次性运行打印最终答案并退出。工具和扩展也很丰富，文件编辑、Shell、文件与网页检索、Skills、计划、目标、子代理、工作流都有，还提供会话、Agent、能力三级事件扩展点。

最后是模型无关。填入DeepSeek API密钥就能用，也支持其他提供方和自定义OpenAI兼容端点，模型路由无需重启。MIT开源，开放可控。

三、部署准备

如果准备使用 DeepSeek V4 Flash / V4 Pro，需要提前准备 DeepSeek API Key。没有配置 Key，DSH 本身仍可启动，但无法正常调用对应的 DeepSeek 云端模型。

在威联通的Docker目录下新建一个dsh文件夹。威联通默认的Docker目录是Container共享文件夹。

mkdir -p /share/Container/dsh

然后确认Container Station已经安装并更新到最新版本。

四、部署步骤

打开Container Station，进入应用程序页面，点击创建，选择创建应用程序。应用程序名称随意，然后在方框内粘贴Docker Compose配置。

services: dsh: image: ghcr.io/smanx/deepseek-harness:latest container_name: dsh-harness ports: - "3080:3080" environment: - DEEPSEEK_API_KEY=sk-xxxxxxxxxxxx # 请替换为您的真实 API Key volumes: # 配置数据映射（存放 .dsh 等） - /share/Container/DSH/dsh-data:/root/.dsh # 工作区映射（您指定的 NAS 目录） - /share/Container/DSH:/workspace restart: unless-stopped

需要修改的地方就一个，把环境变量里的sk-xxxxxxxxxxxx替换成你自己在DeepSeek官方API平台创建的密钥。其他保持默认即可。

端口方面，默认映射3080端口。如果你的NAS上3080端口被其他服务占用了，改成别的端口，注意冒号前面不要冲突。

数据卷方面，配置里把当前目录下的dsh-data文件夹映射到容器内的root目录下.dsh路径。dsh的配置、会话日志、工作数据都存在这里，容器重建也不会丢。

不过，要注意的是，你如果想把工作区文件夹指定映射到/Container/DSH:/workspace，那么YAML里面最后一句话的映射你一定要加上去。 Docker 容器内，它的文件系统与你的 NAS 是隔离的。所以，你需要在创建容器时，通过“目录映射”把 NAS 上的 /Container/DSH 文件夹“挂载”到容器内部的某个路径下。

镜像拉取需要自己解决网络问题。ghcr.io在国内访问可能不稳定，我第一次拉取的时候等了比较久。粘贴配置之后，建议先点验证按钮，验证通过再点创建。Container Station会自动拉取镜像并启动容器。创建完成后看到容器正常运行，就说明可以用了。

五、初次访问与工作目录设置

部署好后，打开dsh容器的详细信息，复制端口转发URL，也就是NAS的IP加端口号，粘贴到浏览器地址栏回车。项目既可以通过传统方式用IP加端口号打开，也可以通过威联通的远程访问功能打开。

第一次打开会有一个内测声明。目前使用的版本还是测试版，往后的正式版应该会更强大，点确认进入。

进入之后第一件事，需要手动创建一个工作文件夹，之后才能正常使用。dsh的配置和数据存在NAS硬盘的.dsh隐藏目录里。在威联通文件管理器里勾选显示隐藏文件，就能看到映射到NAS内部硬盘的文件夹了。选定这个目录作为工作区，dsh才能在NAS本地读写文件。

六、实际使用体验

先看它的工作方式。dsh提供标准模式、PTC模式、极简模式、创造模式四种，每种模式都有简单的说明。标准模式是功能完整的编码Agent，日常用这个就行。PTC模式是让模型用一段TypeScript程序组合多轮工具调用，适合需要精确控制工具调用的场景。极简模式只有两个工具，一般用来做模型基准测试。创造模式带运行时检查，适合试验插件和自定义创作。

然后是工作权限，包括三种。Read Only是只看不动，文件、项目结构都能看到，但任何上传、修改、删除操作都被禁止，适合纯浏览查阅资料的场景。Workspace Write是能看能动但不能越权，可以在工作区里上传、编辑、移动文件，完成日常协作任务，但涉及系统级敏感级的操作仍会被限制。

Full Access是啥都能干，既能读写也能管理整个工作区的结构、权限、配置。默认使用的是Workspace Write，这个权限平衡得比较好，日常使用够用又不会越权。不过我一般到手就把它换成Full Access了，因为这样就不需要我频繁手动确定下一步。

先简单和它对话试试。因为使用的是云端模型，速度非常快，基本是秒回。对话界面看起来和普通的LLM对话模型差不多，但区别挺大的。它不只是回话，还能在NAS的工作目录里真正执行操作。

对话框右下角可以切换模型类型。默认用的是DeepSeek V4 Flash，可以切到刚上新的DeepSeek V4 Pro。从我个人体验来说，Flash版本其实更适合你有明确的指令的清空，Pro的版本更适合你只有一个模糊的想法，但是想让它自己补全你的想法的场景。

在选定的NAS工作目录里对它下达指令，我一般都是让Agent干点验证我想法的活儿，因为验证我的想法的活儿的话，我需要干的杂事儿比较多，但是扔给AI的话，它就可以自己去分析我之前的项目，自己根据需要把我要的功能加上去。

DeepSeek Harness最有用的一点在于，我之前人工分析数据需要一个星期才能出的报告，它一分钟不到就分析完了。

需要说明的是，它给的最终结果说是可以直接通过浏览器打开，事实上并不行。它创建的这个报告文件实际上就在NAS硬盘的工作目录中，需要把这个文件下载到电脑本地，就能顺利打开，完全没有问题。可见它真干活的能力确实不赖。

如果你在别的电脑上已经部署了DSH，切换到NAS上怎么无缝衔接你别的电脑上的历史记忆？

DSH有个插件是dsh-session-import，你直接在旧的电脑上点Session Log下载你旧的记忆包，然后把插件装好之后，让它自动导入你的旧电脑上的记忆包就行了。

七、资源占用

dsh本身是一个轻量级容器，资源占用很低。跑了一周观察下来，容器的内存占用很小，CPU平时基本不占，只有对话和任务执行的时候会短暂起来一下。相比RAGFlow那套五六个容器的吃法，dsh对NAS来说几乎无感，7×24小时挂着完全没问题。

存储方面，dsh的配置、会话日志和工作数据都存在映射的dsh-data目录里。备份的时候直接复制整个目录就行，非常方便。会话日志是仅追加设计的，模型每一步干了什么都有记录，这也是这个项目的一个特色。

八、踩坑记录

坑一，API Key没填对。 第一次部署完打开页面，对话一直报错。检查发现是环境变量里的密钥填错了，重新复制正确的密钥改进去，重启容器就好了。

坑二，镜像拉取慢。 ghcr.io的镜像国内直连不稳定，第一次拉取等了很久。解决方法是给Container Station配置镜像加速，或者换个网络环境再拉。

坑三，忘记创建工作目录。 第一次打开页面，直接对话发现无法执行文件操作。翻了一下说明才发现，使用之前需要手动创建工作文件夹，选定之后才能正常使用文件能力。

坑四，报告文件打不开。 让dsh创建一个报告文件，它提示可以直接通过浏览器打开，结果不行。实际文件在NAS的工作目录里，下载到本地才能打开。这个算是它的小缺陷，不影响使用。

坑五，测试版不稳定。 内测声明里说了，目前是开发者预览阶段，不排除破坏性变更。日常使用偶尔会遇到小问题，重启容器一般能解决。

九、总结

DeepSeek Harness解决了一个很实际的问题。普通对话模型只能聊天，dsh是真正能干活的那种。它可以在你的NAS里创建文件、操作目录、执行任务，而且全程数据都在本地，模型调用走的是DeepSeek云端API，密钥掌握在自己手里。

部署成本很低，Container Station里粘贴一段Compose配置就能跑起来。一切皆插件的架构意味着扩展性很强，模型、工具、技能都能自由替换。四种运行模式覆盖了从日常使用到研究测试的不同场景。三种工作权限也考虑得很细，多人使用时可以按角色分配。

如果你在NAS上跑Docker，需要一个能真正执行任务的AI智能体框架，DeepSeek Harness是很值得试试的选择。百万Star的热度说明市场对它的认可，而实际用下来，它确实不只是热度，能力也在线。接下来我打算把dsh和NAS上的笔记、知识库服务联动起来，让智能体直接读取本地知识库内容来回答问题，看看能碰撞出什么效果，有结果再更新。