作者：熊哥
标签：AI编程 | DeepSeek | 开源工具 | PanelAI | 本地部署
阅读时间：约 15 分钟
目录
- 背景：为什么关注 DeepSeek Harness
- DeepSeek Harness 是什么
- 桌面端首发实测
- 4 种运行模式详解
- PanelAI 服务端：一键部署团队协作方案
- 横向对比：Claude Code / Codex / DeepSeek Harness
- 硬件配置与模型选型
- 总结与选型建议
1. 背景：为什么关注 DeepSeek Harness
Claude Code 和 OpenAI Codex 已经出来大半年了，两家都是闭源方案：
- Claude Code：Anthropic 出品，基于 Claude 3.5 Sonnet，仅支持 CLI，Linux/macOS
- OpenAI Codex：OpenAI 出品，基于 GPT-4o，CLI + API 调用，两者都是按量计费的 API 模式
而DeepSeek一直比较安静。
直到上周，DeepSeek Harness 桌面端悄悄上线，结合网友的实测视频和 PanelAI 的服务端方案，我认真研究了一下，发现这次DeepSeek 确实做对了两件事：
- 把本地部署门槛降到了「双击安装」级别
- 把团队协作部署变成了「应用市场一键安装」
本文会结合实测视频 + HTML 演示内容，把桌面端和服务端分别讲清楚。
DeepSeek Harness桌面端VS服务端
2. DeepSeek Harness 是什么
2.1 官方定位
DeepSeek Harness 是 DeepSeek 官方出品的AI 编程工具，核心特点：
| 特性 | 说明 |
|---|---|
| 开源协议 | MIT，完全开源 |
| GitHub | github.com/deepseek-ai/deepseek-harness |
| 内核架构 | Cordis（插件化内核） |
| 核心亮点 | 4 种运行模式、轨迹树可视化、断点续跑、子 Agent 调度 |
2.2 Cordis 插件化架构
Cordis 内核将所有组件插件化：
模型层 → 可替换（DeepSeek / Qwen / Llama / Claude / Gemini 等） 工具层 → 可替换（Shell / Editor / 检索 / Skills 等） 存储层 → 可替换（本地磁盘 / 数据库 / S3 等） 调度层 → 可替换（单 Agent / 多 Agent / 工作流等） UI 层 → 可替换（桌面端 / Web 端 / CLI 等）这意味着 DeepSeek Harness 不仅仅是一个「AI 编程工具」，它是一个可扩展的 AI 编程平台。
3. 桌面端首发实测
3.1 安装体验
DeepSeek Harness 桌面端基于 Electron 打包，安装体验非常友好：
双击安装程序 → 下一步下一步 → 完成整个过程：
- ❌ 无需安装 Node.js
- ❌ 无需手动拉取 Docker 镜像
- ❌ 无需配置任何环境变量
- ❌ 无需命令行操作
安装完成后，程序会绑定本机 CPU/GPU 资源，不影响同一台机器上的其他人。
3.2 本地能力
桌面端的本地能力非常实用：
| 能力 | 说明 |
|---|---|
| 本地文件访问 | 直接访问本机目录，无需文件上传 |
| 本地工具链 | 直接调用本机终端、Git、IDE |
| 数据隐私 | 所有数据留在本机磁盘和内存 |
| 断点续跑 | 中断后从断点继续，无需重来 |
| 轨迹树可视化 | 每步操作透明可回放，支持断点调试 |
3.3 极简模式 Token 消耗对比
这是网友实测分享的数据（3 项任务对比）：
| 指标 | DeepSeek Harness 极简模式 | 对比对象 Pi |
|---|---|---|
| Token 消耗 | 2,736 | 3,651 |
| 正确率 | 3/3 | 3/3 |
| 总耗时 | -19% | 基准 |
极简模式只启用两个工具：
持久 bash：执行命令行操作str_replace_editor：文件编辑操作
没有复杂的工具链调用，Token 消耗直降 25%，同时耗时减少 19%。
适用场景：基准测试、Token 敏感场景、快速验证想法。
4. 4 种运行模式详解
DeepSeek Harness 内置 4 种运行模式，适合不同场景：
4.1 标准模式（Standard）
适用于日常编码任务。
启用完整工具链：
✅ 文件编辑（str_replace_editor） ✅ Shell 执行（持久 bash） ✅ 文件检索 + 网页检索（Bash） ✅ Skills（技能系统） ✅ 计划（Plan） ✅ 目标（Goal） ✅ 子代理（Sub-Agent） ✅ 工作流（Workflow）这是默认模式，适合大多数编码场景。
4.2 PTC 模式（Programmatic Tool Call）
适用于多步操作编排。
核心是用 TypeScript 程序组合多轮工具调用，基于 Code Mode SDK：
// PTC 模式示例：用程序控制多轮工具调用import{CordisToolCall}from'@deepseek-ai/dsh-sdk';conststeps:CordisToolCall[]=[{tool:'str_replace_editor',args:{file_path:'main.py',content:'...'}},{tool:'bash',args:{command:'pytest tests/'}},{tool:'bash',args:{command:'git commit -m "auto fix"'}},];for(conststepofsteps){awaitharness.execute(step);}适合需要精确控制每一步操作的自动化流水线场景。
4.3 极简模式（Minimal）
适用于基准测试 / Token 敏感场景。
仅启用两个工具：
✅ 持久 bash ✅ str_replace_editorToken 消耗最低，适合需要精确测量 AI 模型能力的测试场景。
4.4 创造模式（Creator）
适用于自定义 Agent Preset。
运行时检查 + 内存中试验 Cordis 插件 + 组合新模式：
✅ 运行时检查（Cordis 插件动态加载） ✅ 内存中试验（无需重启） ✅ 自定义模式组合（不受预设限制）适合高级用户自定义符合自己工作流的 Agent 行为。
4.5 模式对比
| 模式 | Token 效率 | 工具数量 | 适用场景 | 上手难度 |
|---|---|---|---|---|
| 标准模式 | ⭐⭐⭐⭐ | 全部 | 日常编码 | ⭐ 低 |
| PTC 模式 | ⭐⭐⭐⭐⭐ | 按需 | 自动化流水线 | ⭐⭐⭐ 高 |
| 极简模式 | ⭐⭐⭐⭐⭐ | 最少 | 基准测试 | ⭐ 低 |
| 创造模式 | ⭐⭐⭐ | 动态 | 自定义工作流 | ⭐⭐⭐ 高 |
5. PanelAI 服务端：一键部署团队协作方案
5.1 为什么需要 PanelAI 服务端
DeepSeek Harness 官方的服务端部署方案需要手动完成以下步骤：
# 1. 安装 Node.js ≥ 18curl-fsSLhttps://deb.nodesource.com/setup_18.x|sudobash-sudoapt-getinstall-ynodejs# 2. 启动 web UInpx @deepseek-ai/dsh web# 3. 配置 Nginx 反向代理 + HTTPS 证书# 4. 配置防火墙规则# 5. 对接 SSO / LDAP（自己开发）# 6. 配置监控 / 备份 / 升级脚本这套流程对于个人开发者问题不大，但对于团队来说：
❌ 需要 1 个 Linux 运维 ❌ 需要 1 个 DevOps 工程师 ❌ 需要若干次深夜排障经验 ❌ 企业合规（审计、权限）需要自建PanelAI 的解法是把这一切变成「应用市场一键安装」。
5.2 PanelAI 安装流程（实测 5 分钟）
# PanelAI 控制台 → 应用市场 → 搜索 "DeepSeek Harness" → 点安装# 安装完成后自动获得：✅ Web 访问地址（{user}.harness.ai） ✅ 自动 HTTPS 配置 ✅ 自动备份策略 ✅ 自动升级机制 ✅ 完整 RBAC 权限管理 ✅ SSO / LDAP 对接（内置）每个用户都有独立的 Docker 容器，沙箱隔离，互不干扰。
5.3 PanelAI 服务端架构
┌─────────────────────────────────────────────────────┐ │ 用户浏览器 │ │ user1.harness.ai / user2.harness.ai │ └─────────────────────┬───────────────────────────────┘ │ HTTPS ▼ ┌─────────────────────────────────────────────────────┐ │ PanelAI 网关（路由 + 鉴权） │ └─────────────────────┬───────────────────────────────┘ │ ┌─────────────┼─────────────┐ ▼ ▼ ▼ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ User 1 │ │ User 2 │ │ User N │ │ 容器 A │ │ 容器 B │ │ 容器 Z │ │ (沙箱) │ │ (沙箱) │ │ (沙箱) │ └────┬────┘ └────┬────┘ └────┬────┘ │ │ │ └─────────────┼─────────────┘ ▼ ┌─────────────────────────┐ │ 共享 GPU 推理资源池 │ │ Ollama / vLLM │ └─────────────────────────┘5.4 GPU 共享与算力调度
PanelAI 服务端的 GPU 资源池化能力：
| 功能 | 说明 |
|---|---|
| GPU 池化 | 所有用户共享 GPU 算力，统一调度 |
| 推理引擎 | 同时支持 Ollama（轻量）和 vLLM（高性能） |
| API 聚合 | 本地模型 + 云端 API 统一接入，统一分发令牌 |
| 自动切换 | 可自动切换本地/云端模型，也可指定特定模型 |
6. 横向对比：Claude Code / Codex / DeepSeek Harness
| 对比维度 | Claude Code | Codex (CLI) | DeepSeek Harness |
|---|---|---|---|
| 开发方 | Anthropic | OpenAI | DeepSeek |
| 开源协议 | ❌ 闭源 | ❌ 闭源 | ✅MIT 开源 |
| 基础模型 | Claude 3.5 Sonnet | GPT-4o | 多模型可选 |
| 运行模式 | CLI / Agent | CLI / API | 桌面端 + 服务端 |
| 轨迹可视化 | ❌ 无 | ❌ 无 | ✅完整轨迹树 |
| 断点续跑 | ❌ 无 | ❌ 无 | ✅ 支持 |
| 子 Agent 调度 | ❌ 无 | ❌ 无 | ✅ 可调用 Codex/Claude |
| 插件化架构 | ⚠️ 有限 | ⚠️ 有限 | ✅模型/工具/存储全可插拔 |
| 运行模式切换 | ❌ 单一 | ❌ 单一 | ✅4 种模式切换 |
| 工作区隔离 | ⚠️ 手动配置 | ⚠️ 手动配置 | ✅ 自动目录隔离 |
| 多用户服务端 | ❌ 无 | ❌ 无 | ✅ PanelAI 一键部署 |
| 私有化部署 | ⚠️ API 依赖 | ⚠️ API 依赖 | ✅完全私有（Ollama/vLLM） |
| 成本 | API 按量计费 | API 按量计费 | ✅零 API 费用（自托管） |
DeepSeek Harness 的核心差异化优势：
- MIT 开源：代码完全透明，可审计、可定制
- 插件化架构：模型/工具/存储全部可插拔，不被供应商绑定
- 完全私有化：本地 Ollama/vLLM，无 Token 焦虑
- 4 种运行模式：适应不同场景，不是一套模式走天下
7. 硬件配置与模型选型
7.1 硬件 × 模型对照表
| 你的硬件 | 推荐模型 | 推理引擎 | 适用场景 |
|---|---|---|---|
| Mac M1/M2/M3 16GB+ | Qwen2.5-Coder-7B / Llama 3.2-3B | Ollama（原生支持） | 日常代码补全、快速问答 |
| RTX 3060 / 4060 (8-12GB) | Qwen2.5-Coder-14B / CodeLlama-13B | Ollama / vLLM (FP16) | 中等复杂度代码生成 |
| RTX 4090 / A6000 (24-48GB) | Qwen2.5-Coder-32B / DeepSeek-Coder-V2-16B | vLLM (FP16 / AWQ) | 复杂推理、长上下文任务 |
| A100 40GB × 2+ | DeepSeek-Coder-V2-236B (MoE) | vLLM (TP=2) | 企业级、大团队协作 |
| H100 80GB × 8+ | DeepSeek-V2 236B / Qwen2.5-72B | vLLM (Tensor Parallel) | 超大模型、超高并发 |
7.2 Ollama vs vLLM 怎么选
选 Ollama（轻量），如果：
- 你是 MacBook / 个人 PC
- 显卡显存 ≤ 12GB
- 想要「一行命令启动」的体验
- 不需要极致性能，更看重易用性
# Ollama 启动示例ollama run qwen2.5-coder:7b选 vLLM（高性能），如果：
- 你有服务器，显卡 ≥ RTX 4090 × 2
- 需要高吞吐、低延迟
- 要跑 70B+ 的大模型
- 需要 PagedAttention / Tensor Parallel 等优化
# vLLM 启动示例python-mvllm.entrypoints.openai.api_server\--modeldeepseek-ai/DeepSeek-Coder-V2-16B\--gpu-memory-utilization0.9\--tensor-parallel-size27.3 PanelAI 服务端硬件推荐
| 团队规模 | 推荐 GPU | 推荐模型 | 总成本估算 |
|---|---|---|---|
| 小团队 3-5 人 | RTX 4090 × 1 (24GB) | Qwen2.5-14B / CodeLlama-13B | ≈ 2-3 万 |
| 中型团队 10-20 人 | A100 40GB × 2 / A6000 × 4 | DeepSeek-Coder-V2 / Qwen2.5-72B | ≈ 15-25 万 |
| 企业级 50+ 人 | H100 80GB × 8+ | DeepSeek-V2 236B / 自研模型 | ≈ 100 万+ |
8. 总结与选型建议
8.1 核心结论
DeepSeek Harness 的定位很清晰：
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 个人使用，无需协作 | 桌面端 | 双击安装，本机运行，数据不离开本机 |
| 团队协作，3-5 人 | PanelAI 服务端 | 一键部署，沙箱隔离，GPU 池化共享 |
| 企业级，50+ 人 | PanelAI 服务端 + 定制 | RBAC 权限，审计日志，SSO 对接 |
8.2 选桌面端，如果你：
- ✅ 一个人用，不需要团队协作
- ✅ 本机性能足够（M1/M2/RTX 3060+）
- ✅ 想直接访问本机文件、IDE、终端
- ✅ 对数据隐私极致敏感（数据不离开本机）
- ✅ 个人研究 / 独立开发者
8.3 选 PanelAI 服务端，如果你：
- ✅ 团队 ≥ 3 人需要同时使用
- ✅ 成员设备性能不足（统一用服务器 GPU）
- ✅ 想 GPU 池化共享、节省硬件成本
- ✅ 需要统一权限管控、审计日志
- ✅ 想通过浏览器随时随地访问
8.4 延伸阅读
- DeepSeek Harness GitHub：https://github.com/deepseek-ai/deepseek-harness
- DeepSeek Harness 官网：https://www.deepseek.com/harness/
- PanelAI 官网：https://panelai.cn
如果这篇文章对你有帮助，欢迎收藏、评论、转发。
有问题可以在评论区交流，看到会回复。
