DeepSeek Harness介绍和简单使用

Harness桌面端接入DeepSeek全攻略:从安装到实测 AI编码代理工具是当前开发者提升效率的重要方向,它通过封装大模型API、文件读写与命令执行能力,让智能体能够自主完成项目级任务。这类工具的核心原理在于将模型能力与本地开发环境打通,形成“计划-执行-观察-修正”的闭环。相比传统IDE补全或聊天面板,代理式工具能直接操作代码库并运行测试,真正实现从需求到落地的自动化。在众多模型中,DeepSeek凭借低成本、OpenAI兼容接口和出色的代码能力,成为接入代理工具的性价比之选。本文以Harness桌面端为例,详细讲解如何获取API Key、配置模型参数、管理环境 阅读详情

请关注公众号: 朋蛋、码上小明

DeepSeek Harness项目确实很牛,开源3天时间,Github达到了100多k的star,这增速很少见。

1 介绍

1.1 项目简述

智能体发展速度很快具有代表性的智能体发展路径:Manus->OpenClaw->Hermes Agent->DeepSeek Harness。

  1. 从"能说"到"会做":Manus和OpenClaw代表了这种跃迁,AI不再只是给出建议,而是能直接操作电脑完成任务。
  2. 从"工具"到"伙伴":Hermes Agent则更进一步,它通过记忆和学习,让AI能持续成长,变得越来越懂你、越来越高效。
  3. 从"应用"到"生态":DeepSeek Harness的出现,意味着行业开始为智能体构建通用的"底层操作系统",通过开源插件体系,让所有人都能参与到Agent能力的构建中来。

1.2 项目地址

OpenClaw

# 官网
https://openclaw.ai/

# 开发文档
https://docs.openclaw.ai/

# Github地址
https://github.com/openclaw/openclaw

Hermes Agent

# 开发文档
https://hermes-agent.nousresearch.com/docs/

# Github地址
https://github.com/NousResearch/hermes-agent

DeepSeek Harness

# DeepSeek Harness官网
https://www.deepseek.com/harness/

# Github地址
https://github.com/deepseek-ai/deepseek-harness

1.3 对比分析

智能体核心定位关键特点主要成就/局限
Manus通用型AI助手:能独立完成从规划到执行复杂任务,如撰写报告、分析股票、筛选简历等。多智能体架构:运行在独立虚拟机中,能直接"动手干活",而不只是提供建议。证明自主多步执行 Agent 可以落地
OpenClaw自主的"数字员工":一款能操控电脑完成任务的"赛博龙虾"。持久化、高自主性:开源自托管;Skill 技能系统;多 IM 网关(Telegram/Discord 等);多模型热切换;社区爆发 “全民养虾”。缺少原生长期记忆,技能靠人工编写;容易串台越权;安全风险
Hermes Agent"自进化"的学习型伙伴:解决AI"失忆症",能力会随使用时间增强。闭环学习回路:任务结束后,能自主总结成功经验,生成可复用的"技能文档",持续优化对用户的理解。弥补了其"用完即忘"的缺陷。Genetic-Pareto Prompt Evolution(遗传-帕累托提示进化)自我改进闭环:执行轨迹自动提炼 Skill;原生持久跨会话记忆;模型无关;多平台网关;支持 RL 微调数据导出;Agent 真正做到越用越强。
DeepSeek Harness开源的Agent"操作系统":一个为Agent提供运行环境的灵活框架,是模型的"马鞍"。“一切皆插件”:模型、工具、记忆、策略都可像积木一样自由组合和替换,为开发者提供极高自由度。把 “缰绳工程” 抽离成一套通用内核:模型、沙箱、工具、记忆、调度、日志全部插件化。不再是某一个 Agent,而是用来组装任意 Agent 的底层平台,旨在为开发者建立一个可持续的生态。

1.4 DeepSeek Harness

DeepSeek Harness 基于Cordis插件系统构建。模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件提供,并通过 Cordis 服务与事件彼此协作。开发者无需改动 DeepSeek Harness 源码,即可在配置层选择、替换或扩展任一能力。

核心点

一切皆插件,运行有迹可循。可以简单理解为只需要开发插件,其他(例如:记忆管理、容错重试、多步规划)由系统统一解决。

Cordis 内核

Cordis 内核只负责插件的加载、卸载和依赖关系,不承载 Agent 的具体能力。

插件提供能力

模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件提供,并通过 Cordis 服务与事件彼此协作。

配置层自由组合

开发者无需改动源码,即可在配置层选择、替换或扩展任一能力。

2 安装使用

2.1 使用命令安装

前提是必须先安装nodejs和相关的依赖。注意:使用npx安装时,执行某个 npm 包的命令,默认不安装(临时下载执行,用完即删)。

如果只是测试玩一下看效果,请使用npx。如果,想深入连接,建议从源码安装。

npx @deepseek-ai/dsh web

安装步骤
在这里插入图片描述

源码安装

先安装pnam。

npm install -g pnpm

说明npm、pnpm、npx的作用

特性npmpnpmnpx
核心职责管理项目的依赖包管理项目的依赖包(更高效)执行某个 npm 包的命令
是否安装包是(安装到 node_modules)是(安装到全局存储和项目链接)默认不安装(临时下载执行,用完即删)

再从GitHub上下载deepseek-harness仓库,我把仓库下载到了E盘,然后执行下面的命令。

cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

在这里插入图片描述

访问地址

在这里插入图片描述

配置API key,可根据情况稍后配置

在这里插入图片描述

进入页面,点击输入框,然后选择工作区。

在这里插入图片描述

设置配置信息,页面左小角设置,可以看到配置信息。可以看到插件列表信息。

在这里插入图片描述

配置完成即可使用

⚠️使用过程中一定要注意token。

在这里插入图片描述

轨迹

在这里插入图片描述

2.2 构建插件

按照官网文档,自定义一个爬虫插件。

2.2.1 创建项目

先将Github上的deepseek-harness仓库下载下来。我的仓库目录在E:\deepseek-harness,因为是命令行,所以在Windows下需要使用PowerShell。或者直接在根目录下手动创建目录。

在仓库根目录创建本教程使用的临时项目:

mkdir -p scratch-plugin/src

2.2.2 自定义插件

在 Harness 中,插件是一个导出 apply 函数的 TypeScript 模块。框架在加载时调用 apply,传入一个 ctx(上下文对象),你通过 ctx 注册能力,完整配置模板:

import type { Context } from '@deepseek-ai/cordis'

export const name = 'my-plugin'

export function apply(ctx: Context) {
  // Register capabilities here.
}

自定义插件

创建scratch-plugin/src/my-plugin.ts插件

import type { Context } from '@deepseek-ai/cordis'

export const name = 'hello-plugin'

export function apply(ctx: Context) {
  // Required dependencies are ready before apply runs.
  console.log('[hello-plugin] plugin loaded!')
}

注册到 cordis.yml

创建scratch-plugin/cordis.yml文件,注意:E:/deepseek-harness是我的根目录,插件路径必须是绝对路径。

- insert:
  - id: hello
    name: 'file:///E:/deepseek-harness/scratch-plugin/src/my-plugin.ts'

⚠️注意:在windows下name不能直接使用E:/deepseek-harness/scratch-plugin/src/my-plugin.ts,前面必须添加file://。(在Linux下不会出现此问题)。

Error: dsh: plugin tree failed to load: failed to apply loader entry include (cordis:include): failed to import loader entry hello (E://deepseek-harness//scratch-plugin//src//my-plugin.ts): Only URLs with a scheme in: file, data, and node are supported by the default ESM loader. On Windows, absolute paths must be valid file:// URLs. Received protocol 'e:'
Error [ERR_UNSUPPORTED_ESM_URL_SCHEME]: Only URLs with a scheme in: file, data, and node are supported by the default ESM loader. On Windows, absolute paths must be valid file:// URLs. Received protocol 'e:'

出错原因如下:

DeepSeek Harness 采用了 ESM-only 架构(全面使用 import 而非 require())。在 ESM 规范中,加载本地文件必须使用标准的 file:// URL 协议(例如 file:///E:/deepseekharness/...)

2.2.3 启动服务

使用该覆盖层启动 Web UI:

pnpm dsh web --patch ./scratch-plugin/cordis.yml

在这里插入图片描述

在设置中可以看到插件

在这里插入图片描述

DeepSeek Harness部署 DeepSeek Harness可以理解为一个。。 阅读详情

相关推荐

ESP32+LED12864液晶屏实战:手把手教你显示中文与自定义图标(附完整代码)

本文详细介绍了如何使用ESP32单片机驱动带字库的LED12864液晶屏,实现中文显示与自定义图标。从硬件选型、接线方案到驱动编写、字库解析,提供了完整的实战代码与优化技巧,并最终构建了一个智能家居控制面板的完整示例项目。

weixin_29212867的博客 146

DeepSeek Harness 首发实测 + 入门教程,夯爆了!梁神我错了

DeepSeek Harness + DeepSeek V4 Pro 项目实战保姆级教程!手把手带你从零安装开源 AI 编程工具,开发架构图、知识讲解网站、3D 网页游戏、全栈 AI 应用 4 个项目,覆盖运行模式选择、插件安装与开发,看看能不能对标 Claude。

努力做最接地气的编程干货分享,感谢关注 1626

解决ADS1.2报错Cannot obtain license

报错如下 将licenses文件下的license内容进行修改: 修改为如下内容即可。 # # Generated on 2021-dec-1 by licwizard # PACKAGE ads armlmd 1.200 E32F0DE5161D COMPONENTS="armasm compiler bats armulate axd adwu fromelf armlink codewarrior armsd" INCREMENT ads armlmd 1.200 permanent uncounte

qq_46110320的博客 3462

deepseek harness 教程

介绍了DeepSeek Harness工具的安装方法。首先需要在终端运行npx @deepseek-ai/dsh web命令启动网页版,若遇到权限问题可通过Set-ExecutionPolicy命令修改执行策略。成功运行后可通过127.0.0.1等本地地址访问网页版。接着在网页版中输入;帮我安装DSH-TUI和OH-DSH官方桌面端;指令,系统会自动完成桌面端的安装。如遇桌面端无法打开的情况,可交由网页端自行处理解决。

Huwudi12138的博客 798

用于多种无人机协作的群体智能算法:综合综述

随着无人机技术的快速高水平发展,将多架无人机作为自主控制的编队应用于复杂情况是一个新兴领域的代表之一。在实现自主控制的挑战中,碰撞避免、任务分配、路径规划和编队重构是关键功能。本文对各种经典的无人机群智能算法进行了系统的总结和分析。

erjia_的博客 1万+

由JavaScript版迷宫游戏引出Java版迷宫地图生成器

Java案例:迷宫地图生成器 一、引入问题 本期18软件1班网页脚本实训项目是完成一个JavaScript版迷宫游戏。 迷宫地图是如何生成的呢?很简单,将一个正方形区域等分为若干行与若干列,比如25行25列,这样就有625个单元格,用一个二维数组map[25][25]就可以保存625个单元格信息,map[i][j] = 1表示该单元格要绘制砖,而map[i][j] = 0表示该单元格不绘制砖。 ...

howard2005的专栏 1473

DeepSeek Harness 即将推出?小白看懂 AI 智能体如何读代码、调用工具并完成任务

DeepSeek 官方招聘页已经出现 Agent Harness 团队,具体产品仍待发布。本文面向小白解释 Harness 怎样把大模型接到文件、终端、工具、权限和测试,并用 Codex 的公开文档拆解一套成熟编程 Agent 的工作方式。

m0_73879806的博客 3689

MOSFET关断尖峰电压的机理与抑制

MOSFET在电力电子系统中存在开关尖峰电压/电流问题,主要源于寄生电感、密勒电容及开关瞬态特性。尖峰会引发过压击穿、功率损耗和EMI干扰。抑制措施包括优化驱动电路、添加缓冲网络(RC/RCD)、降低寄生电感(改进PCB布线/封装)、使用快速二极管及远端负载特殊处理(电抗器/滤波器)。系统性的器件选型与电路设计是确保功率电子稳定运行的关键。

硬核科技 1824

DeepSeek Harness

DeepSeek Harness(dsh)是DeepSeek推出的开源智能体外壳框架,基于"Cordis"内核构建,采用"Everything is a Plugin"的设计理念。该框架将模型、工具、会话等所有能力模块化为插件,通过配置层即可实现功能组合与替换,无需修改源码。其核心仅负责插件加载和依赖管理,不承载具体业务逻辑,从而实现了高度解耦和灵活性。dsh支持多端适配(TUI/Web/Python),提供类型安全的工具契约和沙箱隔离,并完整记录会话日志用于审计回放

qq_59998784的博客 6286

北斗导航 | 从北一到北二再到北三,你应该知道的北斗导航系统

博主github:https://github.com/MichaelBeechan 博主优快云:https://blog.youkuaiyun.com/u011344545 一、引言 我国高度重视北斗系统的建设和发展。自20世纪80年代开始探索适合我们国家国情的卫星导航系统发展道路,形成了“三步走”的发展战略:2000年底,建成北斗一号导航系统,向我国广大用户提供服务;2012年底,建成北斗二号导航系统,...

尘世冰封的专栏 3079

华为OD机试 C++【TLV解析】

这里的valueOffset指的是value在整串消息里的起始位置(从0开始数)。这表示tag是15(十六进制的0F),length是4,接着的8个字符是value的内容。你收到了一串由两端设备传递的TLV格式的消息,现在你需要根据这串消息生成一个对应的(tag, length, valueOffset)列表。tag是15,对应的数据长度为4,value从第3个字节开始,所以偏移量为2。第二行:一个数字n,表示我们给出的tag的数量(0 < n < 1000)。第一行:一串消息,长度不超过10000。

wtswts1232的博客 482

DeepSeek Harness 保姆级安装攻略

DeepSeek开源了本地AI编程工具DeepSeek Harness,支持在指定目录进行文件操作和命令执行。使用前需安装Node.js并获取DeepSeek API Key,通过npx @deepseek-ai/dsh web启动服务后,在浏览器配置API Key和工作区。工具提供四种工作模式:标准模式(完整功能)、PTC模式(自动化流程)、极简模式(基础操作)和创造模式(自定义预设)。需要注意的是,DeepSeek API将于2026年8月17日调整价格,采用分时计费,高峰时段费用翻倍,价格优势有所减弱

一个持续进化的java+ai学习者博客:AI Agent 工具链(Codex、Harness、Claude Code、MCP、Skills)实战笔记 + 后端开发教程,每周稳定更新。 9851

企业合规审查系统开发实战:基于知识图谱与深度学习的智能引擎构建(附完整Python代码)

动态合规监测:实时追踪法规变化并更新知识库智能合约审计:区块链智能合约的自动合规检查跨域知识融合:整合财务、法律、业务多维度数据可解释性增强:基于Attention机制生成合规审查依据。

理论都是虚的,代码才是王道。 456

DeepSeek Harness保姆级实战:一文搞懂Agent Harness

DeepSeek Harness 是官方开源的 Agent 运行时框架,其核心价值在于将大模型能力转化为可执行任务的工作流(如代码分析/修改/测试)。与直接调用 API 不同,它通过插件化架构(Cordis)整合模型、工具、沙箱、会话等组件,支持 Standard/Code/Minimal/Creator 四种运行模式。本文详解其架构原理、Web UI/Headless/Python SDK 三种使用方式,并梳理权限控制、会话复用等实践要点。当前处于开发者预览阶段,适合需要定制 Agent 基础设施的团队。

CodeBlog-star 2442

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

DeepSeek发布DeepSeek Harness,一文快览

DeepSeek 于8月13日推出 DeepSeek Harness Agent(智能体)开发者预览版(v0.1),定位为基于大模型的控制与编排系统,对标Anthropic Claude Code等产品。其核心特点包括: 插件化架构:所有功能(模型、工具、调度等)均通过Cordis插件实现,支持开发者灵活扩展。 透明化运行:完整记录Agent的思维链、工具调用等日志,支持回溯与分叉。 多模式支持:提供标准、PTC(代码组合工具)、极简(基准测试)及创造(插件实验)四种运行模式。

一个coder的博客 1万+

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

DeepSeek Harness 安装与使用

DeepSeek Harness 的意义不只是"又一个开源 Claude Code 竞品"。它把 Agent 的运行底座一切皆插件:从模型到 UI 都能换;完全可追踪:每一次上下文注入都可审计;模型无关:换掉 DeepSeek,它依然是你的 Agent 运行底座。如果你正在搭建自己的 Agent 工作流,或者想研究一个"可替换内核"的 Agent 框架长什么样,DeepSeek Harness 值得上手一试。

river106的博客 957

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

DeepSeek--harness安装使用教程

本教程详细介绍了在Windows系统上配置DeepSeek-harness的完整流程。主要内容包括:1)准备工作,推荐使用nvm安装管理Node.js,提供传统安装方式及验证方法;2)安装DeepSeek-harness本体,包括下载安装和启动服务;3)创建API Key的步骤;4)使用指南,包括环境配置、简单API调用和创建桌面快捷方式。教程还包含常见问题解决方案,如命令未找到和权限不足的处理方法。通过本指南,用户可以顺利完成DeepSeek-harness的环境配置并开始使用。

2401_82755548的博客 744

【体验毛坯房】DeepSeek Harness 入门教程

DeepSeek Harness是一个开源AI Agent框架,将大模型与工具、技能结合,实现可控的智能体。相比Codex等开箱即用产品,它更灵活,支持定制。文章介绍了三种安装方式:npm命令、AI Agent辅助、桌面客户端,并强调了其“一切皆插件”的特性。

先做到 再看见 1577

DeepSeek Harness介绍和安装说明

类别:国内智能体开发平台 | 更新时间:2026-09。

wangchunyu114的博客 1163

DeepSeek Harness 入门教程

2026年8月13日,DeepSeek推出开源Agent开发框架 DeepSeek Harness v0.1,核心定位为“Model + Harness = Agent”,通过插件化架构(基于Cordis元框架)实现模型与工具的无缝集成。其特点包括: 模块化设计:所有功能(模型适配、工具调用等)均以插件形式扩展,支持动态替换; 四种运行模式:覆盖开发、测试、自动化等场景,极简模式已用于模型基准测试; 轨迹记录:完整保存Agent运行日志,便于调试与溯源; 开发者友好:提供Node.js/Python支持,

智造编程 1712

DeepSeek Harness介绍和安装教程

摘要: DeepSeek Harness(dsh)是DeepSeek AI推出的开源AI Agent框架,采用“一切皆插件”设计,支持模型、工具等灵活扩展,使AI能直接操作电脑执行复杂任务。 安装步骤: 环境要求:Node.js v22.19+,可选Python 3.10+/Git。 快速体验:终端运行 npx -y @deepseek-ai/dsh web,访问 http://localhost:3080。支持镜像源或全局安装(npm install -g @deepseek-ai/dsh)。 其他方式:

2600_96779896的博客 645

DeepSeek Harness 介绍,环境搭建、能做什么以及核心原理

DeepSeek Harness 是 DeepSeek 官方发布的 Agent 运行框架(开发者预览版),目标是让大模型从"会聊天"进化到"能持续在真实工作场景中干活"。

孙启超 1850

Deepseek Harness安装使用

deepseek harness安装使用。

weixin_37564611的博客 706

DeepSeek Harness 使用教程

DeepSeek Harness 使用教程

成熟的标题 2298

DeepSeek Harness 入门很简单(三)——DeepSeek Harness接入工具、MCP、Skill

想让 DeepSeek Harness 像 Cursor 一样全能?工具、MCP、Skill 三管齐下就够了!本文手把手教你通过自然语言动态创建工具、一键接入高德地图等 MCP 服务、装载 PPT 生成等 Skill 技能,全程无需写代码。下期预告:Cordis 插件机制还能玩出什么花样?欢迎持续关注。

weixin_42782643的博客 324

DeepSeek Harness 安装使用

DeepSeek Harness 支持windows和Linux双终端 ,需要安装大于22.0版本的node前置依赖软件。

1075
上一篇: 使用LangChain在在两套Python环境中执行Skill
下一篇: Milvus2.6安装和使用
MasonYyp
博客等级 码龄9年 301粉丝 297原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值