最近在技术社区里DeepSeek Harness 的出现频率越来越高。围绕它的话题从“怎么安装”延伸到“卡在 pnpm dsh web”再到“Skills 怎么让模型稳定输出”基本覆盖了本地 LLM 工作流落地的各个环节。这次我们用一篇文章把 DeepSeek Harness 从零到一跑通用 10 轮提示完成一个工业级项目经历 11 个阶段从零开发一个 LLM Wiki 应用同时把 Preset、Skills、插件这套完整流程讲清楚。如果你关心本地部署、显存占用、批量任务和接口调用这篇文章可以直接收藏。读完你会知道 DeepSeek Harness 是什么、能做什么、怎么安装、怎么写 Skills、怎么接插件以及最重要的一点——它到底值不值得进入你的日常开发工具链。1. 核心能力速览在开始操作之前先把这个项目的关键规格列出来。很多读者关心的不是概念多复杂而是能不能在普通电脑上跑起来、能不能当正经开发工具用。能力项说明项目类型本地 LLM Agent 开发框架 / 桌面端工作流工具核心功能多轮提示项目管理、Preset 预设、Skills 技能定义、插件扩展、LLM Wiki 应用开发启动方式Web 服务方式启动常见命令dsh web可绑定本地端口访问是否支持 API支持服务启动后可基于 HTTP 接口调用模型与任务管理能力是否支持批量任务支持通过任务阶段编排和循环提示实现多轮、多阶段批量执行模型接入DeepSeek 系列模型具备 API 接入能力典型应用LLM Wiki、文档处理、Agent 工作流、提示词工程、项目级代码生成硬件要求视模型接入方式和推理环境而定API 模式对本地显卡要求较低本地模型推理需另行评估适合人群LLM 应用开发者、提示词工程师、想用 AI 完成工业级交付的工程师扩展方式Preset 预设文件、Skills 技能包、插件机制、Web API 接口从这套能力来看DeepSeek Harness 更像是一个“以提示词为驱动、以项目为单位的 LLM 工作台”。它把零散的单轮对话升级为结构化的多阶段开发流程这对做复杂任务很有价值。2. 适用场景与使用边界2.1 适合谁DeepSeek Harness 适合以下四类用户。第一类是 LLM 应用开发者。你手里有 DeepSeek API 或本地模型服务想在上面搭一套可控的 Agent 工作流而不是每次都在聊天窗口里来回粘贴。Harness 提供 Preset、Skills、任务阶段可以把固定流程沉淀成可复用配置。第二类是提示词工程师。你写了不少提示词但它们散落在各个聊天记录里没有形成可复用的资产。Harness 的 Preset 和 Skills 正好解决这个问题提示词可以版本化、结构化、随项目分发。第三类是做技术验证的工程师。想测试 DeepSeek 模型在长流程任务中的稳定性和完成度又不想从零写 Agent 编排代码Harness 提供了一套开箱即用的 Web 界面和阶段管理。第四类是教程读者。想把一个复杂项目拆成 10 轮、11 个阶段逐步交付Harness 的会话管理让这种教学式开发变得可操作。2.2 能解决什么问题它解决的是单轮对话无法完成复杂交付的问题。常规 ChatGPT 式对话模型没有项目上下文没有阶段记忆没有任务状态。Harness 引入“项目”概念后每一轮提示都基于上一轮结果继续推进阶段之间可以传递上下文最终形成一个完整的项目交付链路。它还解决了提示词不可复用的问题。把常用的系统提示、知识背景、输出格式要求写进 Preset同一套预设可以反复加载到不同项目中不用每次重新写。2.3 不适合什么场景如果你是纯零基础用户完全不了解 LLM 的基本概念也没接触过命令行Harness 还是有一定上手门槛的。安装过程依赖 Node.js、pnpm 等工具链遇到依赖安装失败时需要能自己看日志、排查端口冲突。如果你只需要单轮问答不需要项目级上下文管理Harness 的优势发挥不出来。普通聊天工具会更轻量。如果你要的是本地私有化大模型推理Harness 本身不负责跑模型推理。它更偏 Agent 编排和任务管理模型推理依赖 DeepSeek API 或你自己的本地推理服务。2.4 合法合规边界无论你用 Harness 做 Wiki、文档处理还是代码生成都必须确认输入素材的来源合规。涉及他人作品、版权内容、内部文档时要先确认是否有权使用。如果后续把生成结果用于商用需要人工复核输出内容避免版权风险。涉及企业内部数据时要注意 API 调用会把数据发送到模型服务端敏感信息要有脱敏流程。本地部署场景请只处理你有权处理的数据。3. 环境准备与前置条件官方推荐的方式是基于 Node.js 工具链安装和启动。下面给出的是通用检查清单具体版本号请以实际安装时的提示为准。3.1 需要准备的工具Node.js 环境建议 LTS 版本具体以项目要求为准。pnpm 包管理器用于安装依赖。如果本机没有安装可以通过 Node.js 自带的 corepack 启用。Git用于拉取项目代码。DeepSeek API Key用于接入模型推理。如果没有 API Key需要准备好本地模型服务地址。3.2 检查 Node.js 与 pnpm安装前先确认当前环境。node -v pnpm -v如果 pnpm 不存在启用方式如下corepack enable看到 pnpm 版本号说明包管理器可用。3.3 拉取项目代码git clone 项目仓库地址 deepseek-harness cd deepseek-harness如果你的网络环境访问 GitHub 不稳定可以尝试镜像地址。具体仓库地址以项目官方发布页为准。3.4 磁盘与端口安装依赖会占用一定磁盘空间建议预留 2GB 以上。启动 Web 服务需要确认本机端口未被占用。常见端口是 3000 或 7860实际以项目配置为准。如果不确定端口是否被占用可以提前检查。lsof -i :3000没有任何输出说明端口空闲。4. 安装部署与启动方式安装和启动是这一节的重点。很多用户反馈在实际安装中遇到依赖安装卡住、dsh命令无法识别、Web 页面打不开等问题下面给出完整的操作路径。4.1 安装依赖进入项目目录后执行pnpm install这一步会把项目所有依赖包安装到本地。如果网络不稳定可以配置 pnpm 使用国内镜像源但请注意只在你有权访问的网络环境中操作。如果安装过程中出现 pnpm 版本不兼容、node 版本过低先升级 Node.js 或 pnpm 再重试。4.2 初始化配置安装完成后需要配置 DeepSeek API Key。通常项目会提供一个.env或配置文件模板复制后填写自己的 Key。cp .env.example .env然后编辑.env文件填入你的 API Key 和模型参数。通用模板如下实际字段名请依据项目源码中的example文件为准DEEPSEEK_API_KEYyour_api_key_here DEEPSEEK_BASE_URLhttps://api.deepseek.com MODEL_NAMEdeepseek-chat PORT30004.3 启动 Web 服务配置完成后启动服务pnpm dsh web如果你用的是项目内置 CLI也可以尝试dsh web启动后终端会打印服务地址通常是http://localhost:3000。打开浏览器访问该地址即可进入 Harness 的 Web 界面。4.4 启动失败排查如果启动后页面打不开先看终端日志。常见现象有两种一种是端口被占用日志中会提示EADDRINUSE解决办法是换端口另一种是模型 API 连接失败页面能打开但任务无法执行此时检查.env中的 Key 和 Base URL 是否正确。4.5 配置模型与任务参数在 Web 界面中通常可以配置模型的 temperature、max tokens、上下文轮数等参数。建议首次使用保持默认跑通后再调整。5. 从零开发 LLM Wiki11 阶段全流程这一节是文章的核心实操部分。我们按照项目的 11 个阶段从零开发一个 LLM Wiki 应用。整个过程中10 轮提示驱动项目推进Preset、Skills、插件在阶段中穿插使用。5.1 项目目标LLM Wiki 是一个基于 LLM 的知识管理应用。用户可以创建 Wiki 页面利用 LLM 自动生成内容摘要、标签、关联链接并支持全文搜索。简单来说它不是传统静态 Wiki而是一个“AI 辅助写作和整理”的 Wiki 系统。5.2 阶段总览以下是 11 个阶段的具体安排每个阶段对应一轮或两轮提示最终在 10 轮提示内完成交付阶段目标关键提示词方向使用到的 Harness 能力1需求分析定义 LLM Wiki 的核心功能与用户角色Preset 预设2技术选型选择前端框架、后端框架、存储方案Preset 预设3数据库设计设计 Wiki 页面、标签、用户表结构Skills 文档输出4后端 API 开发实现页面 CRUD、全文搜索、标签接口Skills 代码生成5前端页面开发实现 Wiki 列表、编辑器、标签管理Skills 前端生成6LLM 接入实现对页面内容自动摘要、自动打标签Agent 流程编排7搜索增强接入向量检索或全文检索插件扩展8权限系统用户登录、页面权限控制Skills 代码生成9测试与修 bug自动化测试和问题修正多轮迭代10部署与文档构建部署脚本并输出 README批量任务与文档生成11复盘与总结输出项目复盘报告和后续迭代建议Preset Skills 组合5.3 阶段 1需求分析新建一个项目命名llm-wiki。在首轮提示中使用 Preset 加载“产品经理”角色预设。输入提示词示例作为资深产品经理请为 LLM Wiki 定义核心功能清单。 要求 1. 功能列表按优先级排序 2. 每个功能说明用户价值 3. 明确 MVP 范围这一轮的目标是让模型输出结构化的需求文档。如果设置了好的 Preset模型会自动按 Markdown 表格输出功能清单和优先级。启动后在 Web 界面可以看到项目任务列表第一轮提示会生成一份需求文档。建议把这份文档保存到项目知识库中作为后续阶段的参考。5.4 阶段 2技术选型在需求确定后第二轮提示要求模型给出技术栈选择建议。基于需求文档选择技术栈。 约束使用 TypeScript、前端使用 React、后端使用 Node.js、数据库使用 SQLite。 请输出技术选型报告并解释每个选择的理由。这里直接用约束条件减少模型自由发挥的空间。结果是一份技术选型报告包含目录结构建议。5.5 阶段 3数据库设计这一轮要求模型输出数据库表结构和初始化 SQL。根据需求文档和技术选型设计数据库表结构。 需要包含pages、tags、users、page_tags 表。 输出建表 SQL并说明字段含义。如果项目配置了 Skills模型可能会自动调用与 SQL 生成相关的技能。这里可以看到 Skills 的效果模型不再只是输出文本而是按技能模板生成符合规范的 SQL 文件。5.6 阶段 4后端 API 开发第四轮提示开始生成代码。请实现后端 API 1. pages 的 CRUD 接口 2. tags 的 CRUD 接口 3. 搜索接口 使用 Express TypeScript输出完整代码文件。在 Harness 中这轮提示会生成多个文件。如果使用了代码生成类 Skills输出会按文件结构分开展示甚至会在项目中创建文件。这里重点验证模型生成的代码是否可直接运行有没有遗漏依赖或路由冲突。5.7 阶段 5前端页面开发第五轮提示生成前端页面。请实现前端页面 1. Wiki 页面列表 2. Wiki 编辑页面支持 Markdown 3. 标签管理页面 使用 React Vite输出组件代码。这一轮生成的内容比较多建议让模型先输出目录结构再逐个生成组件。手动拼接多个组件时需要注意接口路径是否一致。5.8 阶段 6LLM 接入这是整个项目最核心的一轮。让模型实现 LLM 调用逻辑请实现 LLM 接入模块 1. 调用 DeepSeek API 为页面内容生成摘要 2. 自动提取标签 3. 将摘要和标签存入数据库 输出 service 层代码和 API 路由。这一轮真正把 LLM Wiki 和普通 Wiki 区分开。如果预设了 DeepSeek 接入 Skills模型会自动按照 Skills 中提供的接口调用模板生成代码错误率会低很多。5.9 阶段 7搜索增强第七轮提示加入搜索能力请为 LLM Wiki 添加全文搜索能力。 要求使用 SQLite FTS5支持按标题和内容搜索搜索结果按相关度排序。这里模型可能给出两种方案纯 SQL 模糊搜索或 FTS5 全文索引。如果项目配置了搜索类插件Harness 可以调用插件完成代码注入。5.10 阶段 8权限系统第八轮提示完成权限控制。请实现用户注册、登录、JWT 鉴权并在页面编辑和删除接口中加入权限校验。 输出中间件代码和路由修改。这个阶段是安全相关代码务必人工审查模型生成的实现。特别是密码存储、Token 过期时间、越权访问校验。5.11 阶段 9测试与修复第九轮提示让模型自行检查项目问题请审查当前项目代码列出所有可能的 bug 和隐患并给出修复建议。 重点检查路由冲突、数据库连接未关闭、XSS 风险、未处理异常。这一轮的价值在于让模型以“代码审查者”身份重新审视自己的输出。实际体验中模型能够发现一部分问题但不能完全替代人工审查。对于安全相关漏洞必须人工确认。5.12 阶段 10部署与文档第十轮提示生成部署脚本和项目文档。请生成 1. Dockerfile 2. docker-compose.yml 3. README.md 4. 环境变量说明到这一步项目已具备交付形态。10 轮提示完成一个 LLM Wiki 的 MVP 开发核心功能完整文档齐备。5.13 阶段 11复盘最后一轮是可选的让模型总结开发过程中的经验。请复盘整个开发过程 1. 哪些阶段效果最好 2. 哪些阶段输出不稳定 3. 后续迭代建议这轮输出更多是给开发者自己看的用来优化提示词模板和 Skills 配置。5.14 实际体验说明从流程跑通的情况看10 轮提示完成一个工业级项目是可行的但有两个前提第一每轮提示的输入输出要足够清晰模型需要随时知道当前项目的上下文第二Preset 和 Skills 会极大影响输出质量如果只是裸对话而不用预设模型在阶段 4 之后容易丢失需求细节。这也是 Harness 这类工具存在的意义不是把模型变成更强的聊天机器人而是把单轮对话组织成一个有上下文、有阶段、可追溯的工程项目流。6. Preset、Skills 与插件机制详解这是 DeepSeek Harness 最值得深挖的部分。Preset、Skills、插件分别解决了三个不同层面的问题。6.1 Preset角色与上下文预设Preset 是一组预设的提示词组件。你可以把常用角色、系统约束、输出格式、知识背景都放到一个 Preset 中新建项目时一键加载。例如创建一个“全栈开发助手”Preset角色全栈开发工程师 技能TypeScript、React、Node.js、SQLite 约束 - 代码使用 TypeScript - 所有 API 返回 JSON - 需要错误处理 - 数据库使用 SQLite 输出规范 - 代码文件按路径输出 - 先给文件树再给主要代码把这个 Preset 保存后后续每个阶段的新对话都会自动带上这些约束。实际使用中Preset 会显著减少重复输入的提示词也能让模型在多轮后不丢失项目核心约束。6.2 Skills技能模板Skills 是比 Preset 更细粒度的“技能包”。一个 Skill 通常对应一个具体能力例如“生成 SQL 建表语句”“生成 Express 路由”“生成 React 组件”。每个 Skill 内部会定义输入格式、输出规范、示例代码。写一个 Skill 的基本思路如下Skill 名称: generate-express-route 适用场景: 生成 Express TypeScript 路由 输入: - route_path: 路由路径 - method: HTTP 方法 - handler_logic: 业务逻辑描述 输出规范: - 输出完整 TypeScript 代码 - 包含错误处理 - 导出为 Router 实例 示例: - route_path: /api/pages - method: GET - handler_logic: 获取全部页面列表当模型识别到当前任务匹配某个 Skill 时会按 Skill 里的模板输出。这和普通对话的直接区别是输出格式更稳定代码风格更统一。6.3 插件功能扩展插件是 Harness 的能力扩展层。常见插件包括代码文件写入插件、搜索增强插件、文档导出插件。插件可以挂钩到项目阶段中例如阶段 4 生成代码后自动写入本地项目目录。使用插件前先确认插件来源可信。涉及权限和文件写入的插件要检查它的代码逻辑避免不必要的数据风险。6.4 三者配合实际项目中三者配合的流程是Preset 定义“以什么身份做项目”Skills 定义“每一类任务怎么做”插件提供“任务做完后自动处理能力”。三个机制配合10 轮提示驱动项目交付才成为可能。7. 接口 API 与批量任务DeepSeek Harness 不仅能通过 Web 界面操作也支持通过 API 调用项目任务能力。这对批量任务和外部系统集成很重要。7.1 启动 API 服务Web 服务启动后Harness 会监听配置的端口。API 的请求地址一般是http://localhost:3000/api实际路径请以项目源码和接口文档为准。下面给出一套通用调用示例字段名需要按实际项目调整。7.2 发送任务请求curl -X POST http://localhost:3000/api/tasks \ -H Content-Type: application/json \ -d { project: llm-wiki, prompt: 请生成 pages 表的建表 SQL, preset: fullstack-dev }返回结果通常是任务 ID 和状态。任务可能异步执行需要通过查询接口轮询状态。7.3 Python 调用示例import requests import time BASE_URL http://localhost:3000 API_KEY your_api_key_here headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } def create_task(project, prompt, presetdefault): payload { project: project, prompt: prompt, preset: preset } response requests.post( f{BASE_URL}/api/tasks, jsonpayload, headersheaders, timeout30 ) return response.json() def query_task(task_id): response requests.get( f{BASE_URL}/api/tasks/{task_id}, headersheaders, timeout30 ) return response.json() def run_batch(project, prompts, presetdefault): results [] for idx, prompt in enumerate(prompts): print(fExecuting task {idx 1}/{len(prompts)}) task create_task(project, prompt, preset) task_id task.get(task_id) # 轮询等待结果 while True: status query_task(task_id) if status.get(status) in [completed, failed]: results.append(status) break time.sleep(3) return results prompts [ 请生成 users 表建表 SQL, 请生成 pages 表建表 SQL, 请生成 tags 表建表 SQL ] results run_batch(llm-wiki, prompts, presetfullstack-dev) for r in results: print(r.get(status), r.get(output))7.4 批量任务设计批量任务的关键是控制并发和失败重试。不建议一次性提交几十个任务而不做状态管理。实践中建议加两步数据库记录任务状态每个任务失败后自动进入重试队列最多重试 2 次。{ project: llm-wiki, name: batch-generate-database-sql, task_list: [ { id: task-001, prompt: 生成 users 表建表 SQL, preset: fullstack-dev }, { id: task-002, prompt: 生成 pages 表建表 SQL, preset: fullstack-dev }, { id: task-003, prompt: 生成 tags 表建表 SQL, preset: fullstack-dev } ], retry_count: 2, concurrency: 1 }批量任务跑通后你可以把 Harness 接到自己的 CI/CD 流程里实现提示词驱动的自动化开发流水线。8. 资源占用与性能观察8.1 显存与内存观察DeepSeek Harness 的资源占用取决于模型推理方式。如果使用 DeepSeek API本地只运行 Web 服务和编排逻辑内存占用相对较低主要看 Node.js 进程通常在数百 MB 级别。显存基本不占用。如果改成本地模型推理显存占用会显著增加。具体数字取决于模型参数量、量化精度、输入输出长度。7B 模型在 FP16 下单显存占用约 14GB量化到 INT4 后约 6GB 左右。这些数字需要你用自己的模型实测不同版本差异很大。8.2 性能瓶颈在使用 Harness 执行长项目时性能瓶颈主要在三个环节。第一个是模型 API 的响应速度。每轮提示的耗时会随上下文长度增加而增加。项目上下文越长token 消耗越大单轮的响应时间也会变长。第二个是任务编排的串行设计。如果批量任务设计为串行执行总耗时是每轮耗时的直接累加。并发提升速度但要考虑 API 的速率限制。第三个是前端在页面和代码文件较多时的渲染性能。代码量大的输出在浏览器中可能会有卡顿这是文本渲染的开销不是模型推理的开销。8.3 调优建议第一轮提示时用 Preset 明确约束输出长度避免模型生成无关内容。数据库表和代码文件较多时让模型先输出文件树再逐个生成核心代码避免一次生成过长内容导致上下文超限。批量任务建议并发数设置为 1稳定后再调大。避免并发过高导致 API 限流或上下文混乱。项目日志定期清理避免.env文件被意外提交到 Git 仓库。9. 常见问题与排查方法根据目前社区反馈和实际使用中常见的问题整理了一份排查清单。问题现象可能原因排查方式解决方案pnpm install安装卡住网络问题或依赖源不稳定查看终端日志确认卡在哪个包更换包镜像源后重试运行dsh web提示命令不存在pnpm 未正确注册 CLI 命令执行pnpm ls查看安装结果重新执行pnpm build或安装对应包页面能打开但发送任务无响应DeepSeek API Key 未配置或不可用检查.env配置测试 API 连通性更换 Key确认 Base URL 正确EADDRINUSE错误端口被其他进程占用lsof -i :端口号查看占用进程修改端口或杀掉占用进程生成代码格式混乱未使用 Skills 或 Preset 输出规范查看当前项目是否加载预设在项目设置中加载对应 Preset批量任务中途卡住缺少失败重试机制查看任务队列日志增加重试逻辑限制并发数显存不足本地模型切换或上下文过长观察推理服务的日志和资源监控减少上下文轮数、开启量化或改 API 模式项目文件丢失浏览器只生成文本未写盘确认插件是否启用文件写入能力启用文件写入插件或手动复制代码保存9.1 依赖安装失败现象是pnpm install报错或长时间无进度。优先检查 Node.js 版本其次检查网络连通情况。建议使用 LTS 版 Node.js避免奇偶版本带来的兼容性问题。9.2 API 调用失败现象是任务提交后一直处于 pending。检查.env中DEEPSEEK_API_KEY是否有效同时确认DEEPSEEK_BASE_URL是否填写正确。如果 API 服务所在地区受限需要在有权限访问的环境中使用。9.3 上下文丢失多轮对话后模型忘记项目早期需求是常见问题。原因通常是项目上下文管理不当。解决方法是把项目需求文档、技术选型报告保存到项目知识库并在每轮提示中引用关键约束。10. 最佳实践与使用建议10.1 先从最小项目开始第一次使用不要直接挑战大型项目。建议先建一个临时项目用 2 到 3 轮提示让模型生成一个 TODO List 或单页应用跑通流程后再做复杂任务。这样可以快速掌握 Harness 的项目管理方式也方便熟悉 Preset 和 Skills 的配置方式。10.2 建立自己的 Preset 库Preset 是资产会随使用积累越来越多。建议按领域整理产品分析、后端开发、前端开发、测试审查、文档撰写每个领域建一个 Preset。这样在新建项目时按需加载即可不用每次重新写角色和约束。10.3 Skills 从实际项目沉淀最初不需要追求复杂的 Skills 文件。从做过的项目里把重复出现的任务提取出来例如“生成 RESTful 路由”“生成 React 表单组件”“分析漏洞和修复建议”。提取后写成 Skill下一轮类似任务直接复用。10.4 批量任务必须加日志批量任务失败率会比单任务高。建议在任务队列中记录每轮输入、输出、耗时和状态。出现问题时可以直接查看是哪一轮失败是因为 API 限流还是提示词上下文超限快速定位并恢复。10.5 安全合规红线有几个底层原则要守住涉及真实用户数据、内部文档、版权素材时先确认权限再处理API 服务启动后只允许可信网络范围访问避免未授权调用模型生成代码中的安全敏感逻辑例如鉴权、密码存储、支付等必须人工复核后再使用。10.6 输出质量人工复核10 轮提示可以生成一个可用项目但“可用”不等于“生产就绪”。在真正部署到生产环境前建议跑一遍自动化测试手动检查关键路径至少让另一位工程师走查一遍核心代码。AI 生成代码可以作为高效起点但最终责任在开发者自己。11. 总结与下一步DeepSeek Harness 的核心价值是提供了一个可落地的本地 LLM 项目工作流。Preset 解决角色和约束复用的问题Skills 解决任务执行标准化的问题插件解决流程自动化和外围系统集成的问题。三者配合后10 轮提示完成一个工业级项目从理论变成了可复现的实践。最先应该验证的功能是 Preset 和 Skills。在跑任何大项目前先用 2 到 3 轮小任务检验模型在预设条件下的输出稳定性这会直接影响后续 11 个阶段的项目质量。最容易踩的坑有两个。一是忽略项目上下文管理导致多轮后模型丢失早期需求二是不重视输出格式约束导致生成代码结构混乱、无法直接使用。这两个坑都建议通过 Preset 和 Skills 提前规避。后续可以继续扩展的方向包括把 Harness 批量任务接口接入更完整的 CI/CD 流水线沉淀一套自己的领域 Skills 库尝试把本地推理模型换成量化版本观察资源占用和输出质量的平衡点探索多项目并行时的任务队列调度策略。