登录社区云,与社区用户共同成长
邀请您加入社区
本文为 DeepSeek Harness 入门实战教程,讲解基于 Cordis 微内核的 Agent 运行时 “一切皆插件” 核心架构。演示一行命令快速部署 WebUI,区分四种会话模式,手把手实现首个自定义插件,同时分享 pnpm、Windows 终端等实操踩坑,适合 Agent 框架开发者快速上手 rc.8 预览版本。
本文深度实测DeepSeek Harness四种运行模式:标准模式功能完整适合通用开发,PTC模式通过代码生成实现可编程工具调用,极简模式以最小化环境支撑基准测试,创造模式支持插件热插拔满足深度定制需求。结合贪吃蛇游戏生成任务,从耗时、Token消耗、成功率等维度对比各模式优劣,为开发者提供清晰的选择决策树。
本文围绕DeepSeek PDF文档导出需求展开,针对用户普遍面临的格式错乱、批量处理效率低等痛点,重点介绍了AI导出鸭的解决方案。该工具采用大模型语义适配+格式引擎双驱动技术,支持20余种格式转换,具备智能排版修复、批量导出等核心功能。通过五类方案对比显示,AI导出鸭在排版完整性(96.8%)、批量处理等方面显著优于传统方式。产品已实现全终端覆盖,提供浏览器插件、移动端等多渠道支持,有效解决De
摘要: AI导出鸭提供完整的Gemini转PDF解决方案,解决AIGC内容转换中的格式错乱、公式乱码等问题。该工具支持多种导出格式,零配置操作,自动优化排版,适用于办公、学术等场景。随着AIGC市场规模快速增长(预计2025年达2070亿元),文档转换需求激增。AI导出鸭整合开源技术,提供跨平台服务,满足开发者、办公人员等用户的高效转换需求,推动办公自动化发展。
DeepSeek Harness 缓存命中率详解:DeepSeek API 的上下文缓存(前缀 KV cache)叠加 dsh 只追加式的会话架构,让实际命中率冲到 97%-99%。
摘要: 本文探讨手机端Gemini结构化数据导出的技术挑战与解决方案。传统方法(直接复制、WPS集成等)存在公式丢失(LaTeX→OMML转换失败)、排版失真和上下文截断等问题。实测显示,Pandoc虽技术最优(95%保真度),但移动端兼容性差。研究提出轻量级中间件方案(如AI导出鸭),通过云端语法树重构+本地渲染的分离架构,实现LaTeX公式无损转Word原生OMML、表格智能对齐及分段导出功能
8月13日,DeepSeek 发布首款智能体产品 DeepSeek Harness(dsh),开源 1 小时 GitHub Star 破 2 万,数日突破 15 万,超越 Grok-1 登顶 GitHub 最快增长开源项目榜单。业内给它起了个外号——"Agent 界的 Android"。如果你最近刷技术社区,应该已经被 DeepSeek Harness 刷屏了。这个产品有点特殊:它不是大模型,而是
从许可协议、插件架构、MCP、hooks、子代理委派对比 DeepSeek Harness 与 Claude Code——dsh 是不是一个真正靠谱的、开源的 Claude Code 替代方案?
上下文在工业级代码库的实践代表,提出七概念:System Context:结构化事实集合(非文本)。Context Source:上下文生产者(如插件、工具、用户输入)。Context Epoch:共享同一组上下文的会话区间。Safe Boundary:外部内容注入的隔离边界。Context Snapshot:上下文快照(可 diff)。Context Compression:压缩与摘要机制。Co
DeepSeek Harness作为国产AI执行层框架,以"Model + Harness = Agent"为核心定位,通过插件化架构实现模型推理到环境操作的无缝转化。其MIT开源协议与可扩展设计,为开发者提供可控的自动化编排能力,在代码生成、文件操作等场景表现突出,但在需求分析与部署运维环节仍有待完善。Harness的推出标志着国产AI软件工程从"大脑"向"手脚"的范式转移,推动程序员角色从代码
下一个测试,我让 DeepSeek-V4-Pro 复刻一个苹果网站,想要看一下 DeepSeek-V4-Pro 和 DeepSeek Harness 的浏览器观察、视觉拆解、前端实现、滚动动画、响应式和自我验证能力。因为我没开过这些服务。这个鹈鹕除了瘦一点之外,别的没什么问题,而且主要我很喜欢他的腿部能够跟着脚蹬子做圆周运动,这是我觉得做的最协调的一个测试了,直接给大家看看 gif 版本。这次可以
本文实测DeepSeek-V4-Pro与Harness配套后的Agent能力加成,从代码理解、长任务上下文保持及插件化架构适配三个维度对比GLM5.2。结果显示V4-Pro在项目级多文件修改、88页论文翻译术语一致性及PTC工具调用方面表现更优,虽Token消耗略高但任务完成率与效率更佳,体现了大语言模型与Agent框架深度适配的价值。
本文实测对比DeepSeek Harness五种部署方式,从安装门槛、网络依赖、后续维护三维度分析一键安装包、桌面启动器、npx、源码安装及Docker部署的适用场景。一键安装包开箱即用但体积庞大,桌面启动器轻量直观,npx适合快速尝鲜但需Node v22.19+,源码安装满足二次开发需求,Docker则是服务器部署的标准方案。帮助开发者根据实际需求选择最优部署路径。
本文通过Harness框架的Trajectory机制,实测对比DeepSeek-V4-Pro与前代模型在Agent场景下的表现差异。实验覆盖Bug修复、项目生成、长文档理解三类任务,结果显示V4-Pro在工具调用准确率、长上下文理解和多步推理稳定性上均有显著提升,工具调用失败重试率仅6%,首次完成即成功比例达80%,与Harness框架协同实现1+1>2的效果。
本文详细记录基于Tauri 2封装DeepSeek Harness桌面端的完整流程,涵盖环境准备、项目配置、服务自动启停实现及跨平台打包等核心环节。通过Tauri 2替代Electron方案,实现轻量级窗口管理、Harness服务智能编排与极小构建体积,为Web UI桌面化提供高效实践参考。
这篇文章探讨了DeepSeek Harness中Agent处理用户Prompt的完整生命周期,将其分解为Turn、Step、工具执行等关键阶段。核心观点包括: 消息处理流程分为多层级:Inbox接收输入→Turn建立执行边界→Step处理模型请求→工具批次执行→Session记录可重放事实 Turn代表执行边界,可能包含多个Step(模型往返)或没有Step(如被拒绝时) Step对应单次模型请求
摘要: AI导出鸭是一款高效解决DeepSeek对话中表格导出难题的工具,支持一键将Markdown或纯文本表格转换为标准Word格式,避免复制粘贴导致的格式错乱。其核心技术包括表格语义识别、自适应渲染和批量处理,还原率高达96.3%,耗时较传统方式减少80%。支持多表分拆导出、离线操作及批注保留,适配财会、科研等高频用表场景。工具覆盖六大终端,显著提升办公效率,实测用户反馈单份表格处理时间从30
这篇文章介绍了一款名为「AI导出鸭插件」的浏览器扩展工具,它能一键将Gemini等AI对话中的表格内容精准导出为Excel/Word等格式。传统手动复制粘贴存在格式错位、数据丢失等问题,而该插件通过三层技术架构(DOM解析、格式重构、自动校验)实现99.2%的公式还原率和仅3.2%的错误率。其批量导出功能支持多会话编排、异步处理,实测87条对话90秒完成。案例显示,该工具将用户从繁琐的格式调整中解
dsh 只是个启动器,它只解析自己的 flag,第一个不认识 token 之后的所有参数原样透传给被启动的应用。命令作用dsh web启动浏览器 UI(等价 --profile web)dsh --profile headless "跑一遍测试并总结失败原因"无头模式:跑一个全新持久化会话,打印最终答案就退出dsh --profile tui --resume <会话ID>启动自定义 profil
DeepSeek Harness 在 2026 年 8 月 19 日发布了。这次更新不只是修复问题,还补上了图片输入、子代理安装、Windows PowerShell 会话和 Web 启动体验等能力。rc.8目前仍是预发布版,npm 的next指向rc.8,普通latest暂时仍是rc.7。准备升级前,最好先确认自己依赖的插件和配置已经完成兼容验证。
8月17日 DeepSeek 峰谷分时定价正式生效,国产头部模型首次系统性上调推理价格,标志竞争从「卷参数」切向「卷成本结构+卷 Agent 工程」。本文以价格表、智能指数对比与架构演进图,拆解峰谷定价怎么省成本、Harness 插件生态如何把 Agent 架构标准化,并给出可复制的空闲时段调度示例与横向看牌,帮开发者在 Agent 时代把账算清、把架构选对。所有基准均为厂商/机构自评,发布前请复
本文对比了DeepSeek和自研GEO Agent在Skill加载机制上的不同设计哲学。DeepSeek采用自动扫描6个预设路径的"开源式插拔"方案,无需配置即可识别57个行业标准Skill,但会带来6242 Token的固定开销。其通过"渐进式披露"设计,仅加载Skill名称和简短描述来降低成本。而GEO Agent采用封闭式架构,自定义Skill格式和加载流程,强调安全可控,适合企业环境。两种
文章摘要: AI导出鸭是一款专为DeepSeek设计的无损导出工具,解决用户手动复制粘贴导致的格式丢失问题(如代码高亮、LaTeX公式、表格边框等)。通过三层技术架构(数据抓取、格式编译、自动纠错),实现98%以上的格式还原率,支持批量导出多轮对话到Word/Excel/PDF等格式,效率提升百倍。适用于学术整理、代码归档等场景,提供免费基础版与付费高级功能,定位“让AI导出回归优雅”。
文章摘要: Google Gemini近期支持直接导出Word/Excel/PDF文件,但PC端专业办公场景仍存在格式兼容与批量处理痛点。AI导出鸭电脑版作为桌面工具,通过本地化处理实现复杂公式、流程图、代码块的无损编译,解决网页端与Office文档的格式鸿沟。其核心优势包括:精准转换Word原生数学对象、批量导出长对话合并文档、离线处理保障数据安全。实测显示,30轮学术对话可一键生成60页排版规
AI导出鸭插件技术解析:解决Claude等AI工具导出Excel乱码难题 【摘要】针对Claude等AI生成内容导出Excel时出现的表格错位、公式丢失等问题,"AI导出鸭插件"通过三层技术架构实现无损转换:1)DOM逆向解析引擎自动识别不同AI平台的内容结构;2)格式网关将Markdown/LaTeX编译为Excel原生支持的OMML对象;3)本地化多格式封装,支持Excel/Word/PDF等
dsh-provider-probe 为 DeepSeek Harness Web 提供低成本供应商连通性检测、失败分类、脱敏诊断和下一步排查建议。
真把人卡住的,是目标站带反爬的时候。拿知乎说,我之前破它那个回答编辑器,Draft.js 的输入框,AI 生成的第一版代码点进去压根不动,最后是我手动逆了半天它的事件绑定,才搞清到底该 dispatch 哪个事件。我平时不太追这种热点,这回多看了两眼——它主打"一切皆插件",模型、工具、技能、沙箱全是插件,我就寻思,那我这干数据采集的,是不是装个插件、跟它说句话,就能把活干了?我自己的体会是,深度
本文从 Agent 工程化视角系统解析 DeepSeek Harness 的整体架构与核心机制。文章重点介绍其基于 Cordis 的“Everything is a Plugin”插件化设计、以 Session Event Log 为核心的事件溯源状态模型、上下文与持久状态分离、工具可见性与执行权限控制,以及 Goal、Ralph、Workflow、Jobs 等长程任务编排能力。同时分析 Sand
目录 DeepSeek-V4-Pro 正式版本地部署:联想 ThinkStation P4 硬件架构拆解与推理链路全验证 一、先说结论:V4-Pro 本地部署,卡的不是算力,是显存和部署链路 二、ThinkStation P4 硬件架构拆解:四条链路怎么看 2.1 GPU 链路:96GB GDDR7
DeepSeek Harness 发布了,项目也开源了。DeepSeek Harness 这次是基于来构建,你可以任意扩展插件。这篇文章,就跟大家聊聊 DeepSeek 都提供了哪些插件。对,就是那些 DeepSeek Harness 内测二次元头像的家伙们搞出来的插件,有很多没啥子卵用的插件,比如鲸鱼娘,鲸鱼桌宠等,但有一些还是比较不错,这篇文章就跟大家聊聊。不过 DeepSeek Harnes
大语言模型(LLM)agent 从"对话工具"演进为"自主行动体"后,其运行时安全成为系统设计的关键议题。以 DeepSeek Harness(`dsh`)为代表的 agent harness 采用"一切皆插件"架构,插件以**同进程同权限**方式注入宿主,获取与宿主相同的文件系统、网络、子进程与凭据访问权限——这一形态使既有安全机制面临三重结构性缺口:**审批是一次性问答而非可持久化规则集;插件