# DeepSeek Harness 10个真实落地场景：哪些是Codex/Claude Code做不到的？

- 原文：[https://news.qiniu.com/archives/1787048498830](https://news.qiniu.com/archives/1787048498830)
- 发布时间：2026-08-19
- 分类：教程与实践
- 标签：多智能体协作、Agent Harness、DeepSeek Harness、大模型 API

> 发布日期：2026年8月18日 | 话题：AI Agent · DeepSeek Harness · 落地场景 · 开发者工具

DeepSeek Harness（`dsh`）于2026年8月13日开源，5天内冲上15万GitHub星，但它的定位始终比"又一个AI编程工具"更复杂——官方架构文档将其定义为"Agent运行框架"，而非编程工具：模型、工具、沙箱、会话存储、UI均为可替换插件，甚至可以将Claude Code和Codex作为子Agent调用，由dsh负责上层编排。这意味着它和Claude Code、Codex的边界不是竞争，而是分层：Codex和Claude Code是"开箱即用的编程产品"，dsh是"构建编程Agent的运行时框架"。本文从官方文档和GitHub社区整理出10个真实落地场景，覆盖从个人开发者到团队自动化流水线的完整路径，并在每个场景里说明为什么这件事用Codex或Claude Code做更麻烦。

* * *

![](https://news-static.qiniu.com/legacy/images/f3/f342256b22d6c8e47ed6a1513245914c13adef7661aba7f52104a8b1df53727e.jpg)

## 先理解边界：dsh不是Codex/Claude Code的替代品

在进入具体场景前，有一个核心认知要先建立：

**Codex**（OpenAI）和**Claude Code**（Anthropic）是厂商提供的终端产品——模型、工具、Agent循环深度集成，用户在固定框架内使用，灵活性受限于厂商策略，优势是开箱即用、经过大规模验证、与各自生态深度整合。

**DeepSeek Harness**是一个开放框架——基于Cordis元框架，"一切皆插件"。它的官方架构文档明确写道：

> "There is no privileged core to patch: you extend dsh by mounting a plugin beside the others."

更关键的：dsh内置了将Claude Code和Codex作为子Agent调用的Provider——通过解析PATH里的对应二进制文件实现委托执行。这使得dsh可以作为上层编排层，把Codex或Claude Code的能力纳入更大的工作流，而不是取代它们。

**选dsh的基本信号**：需要替换任何一个组件（模型、工具、UI、沙箱）、需要完整可审计的执行轨迹、需要编程化批量运行、或者需要把现有工具统一编排。

* * *

## 场景一：跨仓库大规模代码迁移（Headless批量模式）

**问题**：将一个大型TypeScript项目从`fetch` API迁移到新的内部HTTP客户端，涉及200个文件，手动改不现实，让单个AI会话处理完整仓库上下文也很重。

**dsh的做法**：使用Headless模式逐文件或逐模块批量运行，每次任务独立一个会话：

```bash
# 对每个模块启动一个独立的headless任务
dsh --profile headless "Migrate all fetch() calls in src/api/ to use HttpClient. Follow the pattern in src/examples/migrate.ts."
```

Python SDK版本支持程序化循环：

```python
from deepseek_harness import DeepSeekHarness
from pathlib import Path

modules = ["src/api/users", "src/api/orders", "src/api/billing"]

with DeepSeekHarness(
    provider="deepseek-official",
    model="deepseek-v4-flash",
    cwd="/path/to/repo",
    session_root="/path/to/sessions",
) as harness:
    for module in modules:
        result = harness.run(
            f"Migrate fetch() calls in {module}/ to HttpClient.",
            session_id=f"migrate-{module.replace('/', '-')}",
        )
        print(f"{module}: {result.final_response[:100]}")
```

**为什么不用Codex/Claude Code**：两者都是交互式会话工具，批量无人值守任务需要大量人工干预，且无法程序化循环控制每个子任务。

* * *

## 场景二：Agent行为取证调试（Trajectory视图 + Session Fork）

**问题**：Agent完成了一个复杂的重构任务，但某个中间步骤的工具调用结果不对——你需要定位是哪次模型请求产生了错误决策。

**dsh的做法**：所有模型可见的内容都写入追加式Session日志（原则："Model-visible means logged"），在Trajectory视图里可以按来源查看：

- 哪些系统提示词段落被激活
- 每次工具调用的输入参数和返回结果
- 模型原始响应（含thinking chain）
- 每个步骤的耗时

找到问题节点后，可以从该节点Fork出新会话，修改提示词或工具配置后重新运行，而不需要从头开始整个任务：

```
Session A（原始）:
  Step 1 ✓
  Step 2 ✓
  Step 3 ✗ ← 找到问题节点
    ↓ Fork
Session B（修复后）:
  Step 1-2 复用缓存
  Step 3' ← 从这里重新执行
```

**为什么不用Codex/Claude Code**：两者的执行过程不提供完整的可审计事件流，无法在任意步骤分叉重放。

* * *

## 场景三：自定义Agent Preset——把dsh变成专用工具

**问题**：团队需要一个专门用于API文档生成的Agent，固定工具集（只允许读文件和执行OpenAPI解析脚本），固定模型（GLM-5.2，长上下文擅长结构化输出），固定系统提示词，不希望每次手动配置。

**dsh的做法**：在Creator模式里构建自定义Preset，写成`cordis.patch.yml`：

```yaml
# api-doc-agent.cordis.patch.yml
- id: model-override
  config:
    model: z-ai/glm-5.2
    provider: qiniu
- id: tool-whitelist
  config:
    allowed: [read_file, bash]
    bash_whitelist: ["node scripts/parse-openapi.js"]
- id: system-prompt-override
  config:
    sections:
      - id: role
        content: "You are an API documentation specialist. Only read files and run the OpenAPI parser script."
```

启动：

```bash
dsh --profile web --patch api-doc-agent.cordis.patch.yml
```

这个Preset可以提交到仓库，团队成员直接使用，无需每次手动配置。

**为什么不用Codex/Claude Code**：两者不支持在配置层固定工具集和模型组合，每次会话的能力边界由厂商决定。

* * *

## 场景四：把Claude Code和Codex当子Agent编排

**问题**：一个复杂任务需要多种能力——前端样式调整最适合Claude Code（Anthropic模型在CSS推理上更精准），后端API重构最适合Codex（GPT-5.6在类型系统理解上表现好），而整体编排和任务拆分用DeepSeek V4 Pro。

**dsh的做法**：dsh内置了子Agent Provider，可以直接委托给Claude Code或Codex执行子任务：

```
主任务（dsh + DeepSeek V4 Pro）:
  "将用户界面和API同时重构以支持多租户"
  ↓ 拆分子任务
  子Agent A → Claude Code: "重构前端组件的样式隔离逻辑"
  子Agent B → Codex: "重构API鉴权中间件支持多租户token"
  ↓ 合并结果
  主Agent生成集成测试
```

官方文档说明：dsh通过解析PATH里的二进制文件实现委托，两个子Agent Provider默认禁用，需要在设置里显式启用。

**为什么重要**：这是dsh相对于单一工具最独特的能力——它不替代Codex或Claude Code，而是在它们之上构建编排层。

* * *

## 场景五：替换沙箱后端——远程隔离执行

**问题**：安全团队要求所有AI生成代码的执行必须在隔离容器里完成，不能在开发者本机运行任意Shell命令。

**dsh的做法**：沙箱是一个Capability Seam（可替换能力接口）。将本地subprocess后端替换为远程沙箱后端，文件系统访问、Bash执行、PTY都自动路由到远程环境：

```yaml
# 将沙箱指向远程容器
- id: sandbox-backend
  plugin: dsh-sandbox-remote
  config:
    endpoint: https://sandbox.internal.company.com
    auth_env: SANDBOX_TOKEN
```

替换后，Agent的所有工具调用（读文件、执行Shell、LSP查询）都在远程容器里发生，本机只负责模型通信和UI渲染。这个替换不需要修改Agent逻辑，因为所有工具调用都通过统一的Seam接口。

**为什么不用Codex/Claude Code**：两者的沙箱策略由厂商固定，无法替换为企业私有隔离环境。

* * *

## 场景六：基准测试和模型横向评估（极简模式 + Python SDK）

**问题**：团队需要在同一批任务上横向比较DeepSeek V4 Flash、Kimi K3、GLM-5.2三个模型的代码生成质量和速度，并生成可重复的评估报告。

**dsh的做法**：使用Minimal模式（只保留bash和str\_replace\_editor两个工具，消除工具噪音），通过Python SDK批量运行同一任务集：

```python
models = ["deepseek/deepseek-v4-flash", "moonshotai/kimi-k3", "z-ai/glm-5.2"]
tasks = Path("benchmark/tasks.txt").read_text().splitlines()

results = {}
for model in models:
    with DeepSeekHarness(
        provider="qiniu",
        model=model,
        cwd="/path/to/benchmark-workspace",
        session_root=f"/path/to/sessions/{model.replace('/', '-')}",
    ) as harness:
        results[model] = []
        for i, task in enumerate(tasks):
            r = harness.run(task, session_id=f"bench-{i:03d}")
            results[model].append(r.final_response)
```

每个session的JSONL日志包含完整的模型请求和工具调用链，可以用于后续分析。

**为什么不用Codex/Claude Code**：两者绑定单一模型，无法在同一框架里对比多个厂商模型，也不提供程序化批量运行接口。

* * *

## 场景七：为遗留代码库构建专属知识注入Agent

**问题**：公司有10年积累的Java单体，架构文档、设计决策分散在Confluence、Git commit message和注释里。新人或AI理解这个代码库要耗费大量时间，需要一个"懂这个仓库"的专属Agent。

**dsh的做法**：通过`agent.inject()`机制，在每个Agent请求前注入仓库专属上下文（架构说明、关键约定、当前正在修改的模块背景）：

```typescript
// 自定义插件：在每次Agent请求前注入仓库知识
ctx.on('agent/pre-step', async (agent) => {
  const repoContext = await loadRepoKnowledge(); // 从本地知识库加载
  await agent.inject({
    type: 'context',
    content: repoContext,
    label: 'repo-knowledge',
  });
});
```

结合社区插件OpenViking（28k stars，记忆/RAG管理），可以让Agent在跨会话中积累对仓库的理解，新会话启动时自动召回相关历史知识。

**为什么不用Codex/Claude Code**：两者的上下文注入机制固定，无法在架构层插入自定义知识召回逻辑。

* * *

## 场景八：PTC模式处理复杂多步重构（Program-Tool-Call）

**问题**：将一个React项目从Class组件迁移到Function组件，涉及生命周期方法映射、state管理改写、ref转换，每个组件的迁移步骤高度相似但不完全相同，需要模型动态组合多轮工具调用。

**dsh的做法**：PTC（Program-Tool-Call）模式让模型生成一段TypeScript程序来表达整个迁移流程，而不是逐步执行——模型在一次推理里规划完整的工具调用序列，减少中间轮次的overhead：

```
标准模式：用户→模型→工具A→模型→工具B→模型→工具C（多次往返）
PTC模式：用户→模型→[TypeScript程序: 调用A, 条件判断, 调用B或C]（一次规划）
```

适合任务步骤高度结构化、中间状态不需要人工介入确认的场景。每次工具调用仍然有审批机制，只是规划阶段合并为一次推理。

**为什么不用Codex/Claude Code**：两者不提供PTC这种"让模型用程序表达工具调用序列"的运行模式。

* * *

## 场景九：多环境Agent部署（开发/测试/生产不同配置）

**问题**：同一个Agent任务在开发环境需要完整工具集和详细日志，在测试环境需要连接测试数据库，在生产环境需要只读权限和严格沙箱，三套配置管理复杂。

**dsh的做法**：通过Profile + Bundle的分层配置机制，三个环境只修改patch层，不改动基础配置：

```
base bundle（通用）:
  - 模型配置
  - 工具集
  - 系统提示词

dev.cordis.patch.yml:
  - sandbox: 本地宽松
  - log_level: trace

test.cordis.patch.yml:
  - database_endpoint: test-db.internal
  - sandbox: 隔离容器

prod.cordis.patch.yml:
  - tools.allowed: [read_file]  # 只读
  - sandbox: 严格隔离
  - approval: require-all
```

启动时指定patch：

```bash
# 开发环境
dsh --profile web --patch dev.cordis.patch.yml

# 生产环境
dsh --profile headless --patch prod.cordis.patch.yml "生成本周变更报告"
```

**为什么不用Codex/Claude Code**：两者无法在配置层区分部署环境，权限和工具集由产品侧统一决定。

* * *

## 场景十：接入国产模型 + 统一API Key管理

**问题**：团队成员在不同任务上需要使用不同模型（DeepSeek V4 Flash做高并发低成本任务，Kimi K3做长文档推理，GLM-5.2做代码生成），但不想为每个厂商分别申请API Key和维护账单。

**dsh的做法**：通过自定义Provider接入聚合平台，一个API Key统一管理所有模型：

```yaml
# settings.yaml
llm-pi-ai:
  providers:
    qiniu:
      apiKeyEnv: QINIU_API_KEY
      api: openai-completions
      baseURL: https://api.qnaigc.com/v1
      models:
        - id: deepseek/deepseek-v4-flash
        - id: deepseek/deepseek-v4-pro
        - id: moonshotai/kimi-k3
        - id: z-ai/glm-5.2
        - id: minimax/minimax-m3
```

在会话里按任务切换模型只需改一个选择器，API Key、计费、配额统一在一处管理。七牛云AI大模型广场（qiniu.com/ai/models）支持上述25个主流国产模型的OpenAI兼容接口，新用户有300万免费token可以直接跑完整评估。

**为什么不用Codex/Claude Code**：两者默认绑定各自厂商模型，接入第三方模型需要BYOK配置，且无法在同一界面统一管理多厂商账单。

* * *

## 10个场景的选型坐标

| 场景 | dsh独特优势 | 不适合用dsh的情况 |
|---|---|---|
| 批量代码迁移 | Headless + Python SDK | 单文件快速改动用Claude Code更快 |
| Agent取证调试 | Trajectory视图 + Fork | 简单对话调试不需要完整日志 |
| 专用Agent Preset | 配置层固定能力 | 临时任务不值得写Preset |
| 编排Claude Code/Codex | 上层统一调度 | 单一工具够用时无需引入编排层 |
| 远程沙箱隔离 | 沙箱后端可替换 | 本机开发无安全合规要求 |
| 多模型横向评估 | Python SDK批量 | 日常单模型使用只用一个模型厂商 |

* * *

## FAQ

**dsh现在生产可用吗？**

开发者预览版，官方明确说明会有兼容性破坏性变更（COMPATIBILITY-BREAKING CHANGES）。个人项目、团队内部工具、评估测试完全可用；正式生产部署建议锁定版本号，关注changelog，升级前测试。

**把Claude Code当dsh子Agent，会消耗Claude Code的配额吗？**

会。dsh委托给Claude Code或Codex时，实际调用的是你本地安装的Claude Code/Codex进程，使用各自账号的配额。dsh本身只负责编排，不代理模型请求。

**10个场景里哪个最适合初次上手？**

场景十（接入国产模型统一管理）是最低门槛的起点——只需要配置一个Provider就能运行，可以在这个基础上逐步探索其他场景。场景一（Headless批量迁移）是最能体现dsh与Claude Code/Codex差异化价值的场景，建议作为第二个实验目标。

* * *

## 总结

DeepSeek Harness的10个落地场景可以归纳为两个大方向：**替换组件**（模型、沙箱、工具集、UI）和**增强可控性**（Trajectory视图、Session Fork、Headless批量、Python SDK）。前者解决"被单一厂商锁定"的问题，后者解决"Agent黑箱、不可审计、无法批量"的问题。与Claude Code、Codex的关系不是取代，而是分层——dsh在需要灵活性和可控性的场景下是它们的上层编排框架，在简单日常编码任务下两者开箱即用的体验更好。当前处于开发者预览阶段，锁定版本使用是核心实践原则。

本文数据来源：DeepSeek Harness官方架构文档（docs/architecture.md，2026年8月版）、Python SDK文档（docs/user/guide/python-sdk.md，2026年8月版）、官网（deepseek.com/harness，2026年8月）、GitHub社区讨论（github.com/deepseek-ai/deepseek-harness，2026年8月18日）、MindStudio和Flowtivity等社区分析（2026年8月14-15日）。

* * *

**延伸阅读**

- DeepSeek Harness官网（含架构说明）：[https://www.deepseek.com/harness/](https://www.deepseek.com/harness/)
- GitHub仓库（含架构文档和Python SDK指南）：[https://github.com/deepseek-ai/deepseek-harness](https://github.com/deepseek-ai/deepseek-harness)
- DSH架构文档（architecture.md）：[https://github.com/deepseek-ai/deepseek-harness/blob/main/docs/architecture.md](https://github.com/deepseek-ai/deepseek-harness/blob/main/docs/architecture.md)
- Python SDK指南：[https://github.com/deepseek-ai/deepseek-harness/blob/main/docs/user/guide/python-sdk.md](https://github.com/deepseek-ai/deepseek-harness/blob/main/docs/user/guide/python-sdk.md)
- 七牛云AI大模型广场（25个主流国产模型统一接入，新用户300万免费token）：[https://www.qiniu.com/ai/models](https://www.qiniu.com/ai/models)
