新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek 官方偷偷上传 Harness 桌面端安装包,我已经用上了。。附最新下载地址

发布时间:2026/11/16 12:53:56来源:尧图网络
DeepSeek 官方偷偷上传 Harness 桌面端安装包,我已经用上了。。附最新下载地址
大家好我是程序员鱼皮。前段时间我写过 一篇文章说自己在 DeepSeek Harness 的开源仓库里发现官方竟然偷偷做了桌面端。当时官方没有放出安装包我是让 AI 帮忙把源码拉到本地编译才跑起来的。没想到才过了十来天DeepSeek Harness 桌面端的安装包就出来了。不过这次并不是官方正式发布的而是被万能的网友给扒了出来有网友发现 DeepSeek 自家的下载域名多了桌面端的更新清单和安装包顺藤摸瓜找到了下载地址很快就在社交平台上传开了。还有网友专门验了签名安装包用的是「杭州深度求索人工智能」公司主体的苹果开发者证书并且通过了苹果官方的公证基本可以确定是 DeepSeek 自己打的包。但到目前为止DeepSeek 官方还没有发任何公告。虽然官方还没官宣但很多人已经吃上螃蟹了包括我。截止到文章发布时最新版本是0.1.7-rc.2。下载地址我已经帮大家整理好了DeepSeek Harness 客户端 Windows 版本https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.2-win-x64.exeDeepSeek Harness 客户端 Mac 版本Apple 芯片https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.2-mac-arm64.dmg目前官方只打包了这两个版本用 Intel 芯片 Mac 和 Linux 的朋友暂时还得再等等。安装包都不小Windows 版接近 300 MBMac 版将近 370 MB。因为官方把 Node.js、pnpm 和 Python 运行环境全都打包了进去你的电脑上不用提前装任何环境。选择对应系统的版本下载双击安装就能打开了。第一眼看上去桌面端的界面跟 DeepSeek Harness 网页版几乎一模一样。我去翻了下仓库里apps/desktop目录的源码桌面端是在完整的 DSH 网页应用外面套了一层 Electron 壳界面用的是同一套前端代码。套壳的好处是桌面端的对话记录和配置都跟网页版是互通的。因为两者读写的是电脑上同一个~/.dsh数据目录我之前在网页版里创建的工作区和聊过的会话都还在配置好的第三方模型也能直接切换使用。新版本的 DSH 还在左侧菜单栏加了一个「插件」入口里面内置了 7 个官方插件包括智能体团队、自动授权审查、语音输入、终端、Agent 循环、子智能体和网页搜索。比如开启智能体团队插件后就能让多个 Agent 分工协作还带有共享的任务看板。除了官方插件你还可以点击右上角的「添加插件」直接输入 GitHub 仓库地址来安装第三方插件。比如我安装了一个社区开发者做的 dsh-web 全家桶插件它把一大批网页端的增强插件聚合到了一起能全方位增强 DeepSeek Harness 的能力。装好之后DSH 就变成了这个样子聊天背景换成了二次元插画右下角还多了一个看板娘。你喜欢么让我比较意外的是桌面端和网页版的 UI 还是有点儿差别的。比如在左下角可以直接登录 DeepSeek 账号查看充值余额、查询用量还能直接充值。而且登录账号之后模型列表里会多出一组「DeepSeek 账号」模型可以直接用账号里的余额来跑任务不用再去开放平台单独申请 API Key 了。对新手来说这一步能省掉不少麻烦。能看出来DeepSeek 官方这次是真的打算好好做 Harness 桌面端了。账号登录、首次使用引导、自动更新这些面向普通用户的功能都安排上了安装包还用公司证书做了签名值得期待一波。但是我不建议大家现在就把 DeepSeek Harness 桌面端当作主力工具尝尝鲜就好。一方面官方还没有发布上线公告另一方面作为实验版本它的功能还不全体验也比较一般。比如我在 Mac 上就没办法缩放字体一开始我还以为是自己没找到设置后来翻了下源码发现 macOS 的菜单里确实没有放大和缩小这两项所以给大家看的截图字都很小。。。臻品大家共赏屎给鱼皮先吃。为了帮大家节省时间我是认真的最后分享一下我是怎么实时获取到 DeepSeek Harness 桌面端的最新下载地址的很简单直接问 AI 啊我让 DeepSeek Harness 用最简单直接、不绕弯子的方式告诉我怎么获取原理其实很简单。桌面端内置了自动更新功能每隔 10 分钟左右就会去官方服务器读取一份更新清单文件清单里写着最新的版本号和安装包地址。所以我们也不用去猜文件名直接打开这份清单看一眼就能拿到最新的下载链接Windows 版更新清单https://download.deepseek.com/dsh-desk/feeds/win-x64/nightly.ymlMac 版更新清单https://download.deepseek.com/dsh-desk/feeds/mac-arm64/nightly-mac.yml注意Mac 版清单里给的是.zip格式的自动更新包把链接结尾的.zip换成.dmg就是我们平时双击安装的安装包了。OK 就聊到这里如果你还不了解 DeepSeek Harness或者想学习更多 AI 编程工具的玩法和技巧可以看看我免费开源的 《AI 编程零基础入门教程》上千张图、几十万字带你从 0 开始快速学会 AI 编程做出自己的产品、跑通变现全流程一次拿捏。开源指路https://github.com/liyupi/ai-guide我是鱼皮持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~你已经装上 DeepSeek Harness 桌面端了么用起来感觉怎么样欢迎在评论区聊聊~
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉