数据留在自己电脑里，AI 才真正属于你。本文带你把官方开源智能体框架 DeepSeek Harness 与本地大模型（Ollama + DeepSeek / Qwen 蒸馏版）跑起来，并落到文档处理、智能写作、表格分析三类高频办公任务上。

开头：为什么是"本地 AI 办公"

云端 AI 很强，但每一次使用，都默认把一段隐私交给了某个不知道数据存在哪里的服务器——合同、报表、复盘、客户名单，恰恰是最不该交出去的东西。

于是越来越多人开始反过来想：既然 AI 这么有用，能不能让它搬进我的电脑，而不是把我的数据搬出去？

这正是 DeepSeek Harness（下文简称 DSH）出现的意义。它是 DeepSeek 官方开源的智能体框架（2026-08 开源，MIT 协议，当前为开发者预览 0.1.0-rc 阶段），核心理念是 "模型（Model）+ 底座（Harness）= 智能体（Agent）"：模型负责思考推理，Harness 负责工具调用、任务规划、执行调度，让 AI 真正"动手干活"。

本文目标：用一份可照做的教程，帮你在 Windows、macOS、Linux 任一平台上，把 DSH 配好本地模型，并立刻用于办公自动化。

一、先搞懂一件事：DSH 不跑模型，它"调度"模型

这是最常见的误读，必须先说清。DSH 本身不承担模型推理，它更像运行在你设备上的 AI 调度平台，串起这样一条链路：

DSH 架构

你 → Agent(任务规划) → 本地模型(推理) → 知识库(你的数据) → 工具系统(执行)
  • 模型层：通过 Ollama、vLLM 等接入 DeepSeek、Qwen、Llama 等开源模型，或直连 DeepSeek 官方 API。
  • 知识库层（RAG）：把 PDF、Word、Excel、项目资料切片向量化，提问时先检索再回答，数据全程留在本地。
  • 工具调用：文件系统、Git、命令行、网络 API——模型决定"用什么工具"，工具负责执行。
  • Agent 调度：围绕目标做规划、借助工具执行、根据结果迭代，而不是只回你一句话。

一句话：Ollama / vLLM 解决"模型跑起来"，DSH 解决"模型用起来"。 下文所有办公场景，都建立在"本地已有一个跑着的模型"之上。

二、本地大模型怎么选（三平台共性前置）

无论你用哪个系统，先按下面两步把"模型"这层准备好。

1. 选运行时：Ollama（新手首选，全平台一致）

Ollama 把模型下载、运行、OpenAI 兼容接口（默认 http://127.0.0.1:11434/v1）打包好，Windows / macOS / Linux 安装方式略有不同，但拉模型、调接口的命令完全一样。

2. 按硬件选模型

你的设备 推荐模型 显存/内存参考 体验
轻薄本（无独显，8–16GB 内存） qwen2.5:3b 或 deepseek-r1:1.5b 纯 CPU 也能跑 每秒 5–7 token，问答够用，慢
主流办公机（16–32GB + 6–8GB 显存独显） deepseek-r1:7b / 8b 约 4–5GB 显存 流畅，办公主力
进阶工作站（32GB+ + 12–24GB 显存） deepseek-r1:14b / 32b 8–20GB 显存 接近满血推理
企业/NAS 长期在线 qwen2.5:7b 常驻 + 按需更大模型 看机器 7×24 低功耗

经验值：办公文档处理、写作、表格解读，7B–8B 量化版是性价比甜点；纯 CPU 跑 1.5B/3B 仅适合"能跑就行"的尝鲜。

各平台安装 Ollama（仅需做一次）：

# macOS：下载 ollama.com 的 macOS 安装包，双击安装（Apple Silicon 原生 arm64）
# Windows：下载 ollama.com 的 Windows 安装包，下一步下一步
# Linux：一条命令
curl -fsSL https://ollama.com/install.sh | sh

拉取并验证模型（三平台通用）：

ollama pull deepseek-r1:7b      # 或 qwen2.5:7b / qwen2.5:3b
ollama list                     # 看到模型即就绪

注意：Ollama 桌面版安装后默认开机自启并监听 11434；Linux 服务器需手动 ollama serve 或设为系统服务。

三、Windows 平台实操

1. 环境准备

  • Node.js：DSH 要求 ≥ 22.19.0，强烈建议 24 LTS。到 nodejs.org 下载 Windows 安装包，勾选"Add to PATH"。
  • 验证：
node --version     # 应 ≥ v22.19.0
npm --version
  • 安装 Ollama（见上节），并 ollama pull 一个模型。

2. 安装部署 DeepSeek Harness

以管理员身份打开 PowerShell：

npm install --global @deepseek-ai/dsh
dsh --version        # 显示版本即安装成功

3. 基础配置

  • 先进入你准备交给 AI 的项目目录（不要直接拿整个用户主目录当工作区）：
cd "D:\your-office-workspace"
  • DSH 通过 OpenAI 兼容端点接本地 Ollama，地址固定为 http://127.0.0.1:11434/v1。首次启动后在 Web 界面「设置 → 模型」里能看到 Ollama 组模型；若要用官方 DeepSeek API 跑满血 Agent，在同样位置填入 API Key（切勿硬编码进代码或截图外传）。

4. 上手操作

dsh web --host 127.0.0.1 --port 3080

浏览器打开 http://127.0.0.1:3080 → 阅读内测声明 → 创建/选择工作区（AI 的"办公桌"）→ 模型选择器选 Ollama 组本地模型 → 发消息开始。

想后台常驻（不占窗口）：

$workDir = "D:\your-office-workspace"
Start-Process -FilePath "dsh.cmd" `
  -ArgumentList @("web","--host","127.0.0.1","--port","3080") `
  -WorkingDirectory $workDir -WindowStyle Hidden

停止：Get-NetTCPConnection -LocalPort 3080 -State Listen 找到进程号后 Stop-Process -Id <pid>。

5. 注意事项（Windows 专属）

  • 端口默认 3080；个别旧教程用 8787，属版本差异，按你实际启动提示的为准。
  • 务必 --host 127.0.0.1，官方刻意禁止 0.0.0.0（会把代码执行能力暴露到网络），不要为"手机访问"硬改。
  • 小模型（3B 级）在完整 Agent 模式下容易自作主张调工具而报错，切换 「极简模式」 或提示"不要调用任何工具"即可稳定纯文本回答。

四、macOS 平台实操

1. 环境准备

  • Node.js：推荐用 Homebrew 安装，或 nodejs.org pkg 包。
brew install node          # 或官网下载 macOS 安装包
node --version             # ≥ v22.19.0
  • Apple Silicon（M 系列）请装 arm64 原生 Node，无需 Rosetta；Intel Mac 装 x64 版。
  • 安装 Ollama macOS 版（见上节），ollama pull 模型。

2. 安装部署

npm install -g @deepseek-ai/dsh
dsh --version

3. 基础配置与上手

命令与 Windows 完全一致：

cd ~/your-office-workspace
dsh web --host 127.0.0.1 --port 3080
# 浏览器打开 http://localhost:3080

工作区、模型选择、极简模式切换逻辑同 Windows。

4. 后台常驻（macOS 推荐 launchd）

临时后台：

nohup dsh web --host 127.0.0.1 --port 3080 > ~/dsh.log 2>&1 &

长期开机自启：写一份 ~/Library/LaunchAgents/com.dsh.web.plist 用 launchctl load 托管（网上模板很多，核心是 ProgramArguments 指向 dsh web --host 127.0.0.1 --port 3080）。

5. 注意事项（macOS 专属）

  • 终端/文件类插件首次执行会弹权限审批窗口，macOS 的隐私保护（"终端"访问"文件"授权）需手动允许一次。
  • localhost 与 127.0.0.1 等价；不要改成 0.0.0.0 暴露到局域网。
  • 想在手机/iPad 访问，正确做法是加一层 caddy/nginx 反向代理 + HTTPS，而非放宽绑定地址。

五、Linux 平台实操

1. 环境准备

# Node.js 22（以 Debian/Ubuntu 为例）
curl -fsSL https://deb.nodesource.com/setup_22.x | bash -
apt-get install -y nodejs
node --version      # ≥ v22.19.0

# Ollama
curl -fsSL https://ollama.com/install.sh | sh
ollama pull deepseek-r1:7b

2. 安装部署（两种方式）

方式 A：原生 npm（开发机/桌面 Linux）

npm install -g @deepseek-ai/dsh
dsh web --host 127.0.0.1 --port 3080

方式 B：Docker（NAS / 服务器，推荐）

官方未提供镜像，可用 node:22 基础镜像自建，关键点：

  • 用 network_mode: host 而非端口映射——DSH 禁止 --host 0.0.0.0，host 模式下服务监听宿主机 127.0.0.1:3080，容器与宿主机共享网络栈。
  • 数据目录挂卷：./dsh-home:/root/.dsh，配置与会话不丢。
  • restart: unless-stopped，机器重启自动拉起。

3. 服务器/局域网访问（重点安全）

Linux 常跑在服务器或 NAS 上，要让同网段设备访问，绝不能把 3080 直接绑 0.0.0.0 放公网。正确路径：

  1. DSH 仍绑 127.0.0.1:3080；
  2. 前面加 caddy 或 nginx 反向代理，配 HTTPS + 基础鉴权（或 VPN/内网穿透）；
  3. 防火墙只放行代理端口。

严重提醒：DSH 自带的 Web 界面没有登录系统、没有密码、没有 token。只要网络能到达 IP:3080，任何人都能直接操作这台机器上的文件、执行命令。云服务器（尤其境外 IP）一旦暴露，几分钟内就会被扫描器攻陷。务必只在可信内网 + 反向代理后使用。

4. 注意事项（Linux 专属）

  • 群晖/飞牛等 NAS：可用社区第三方 fpk 一键装（如 @10000ge10000/deepseek-harness-fpk），或自己按上面的 Docker 方案构建。
  • 进程守护优先用 systemd 而非 pm2（pm2 也能用，但 systemd 更稳）；查看日志 journalctl -u dsh。
  • 本地模型服务要与 DSH 在同一网络命名空间可达（host 模式下容器 127.0.0.1 即宿主机）。

六、三大办公场景落地（跨平台通用，本地模型驱动）

部署完成后，真正价值在"用起来"。下面三个场景在 Windows / macOS / Linux 上操作完全一致——差别只在模型快慢，不在步骤。

办公场景

场景一：文档处理（合同 / 报告 / 论文 → 知识库 → 问答）

  1. 把待处理的文档（PDF、Word、Markdown）放进工作区目录；
  2. 在 DSH 里把该目录作为知识库来源（RAG），让模型先检索再回答；
  3. 直接提问：

"这份租房合同什么时候到期？押金条款怎么写？"
"把 Q2 项目复盘里的风险点归纳成 5 条。"

价值：最私密的文件不出本机，却有了全文检索 + 语义问答。关键场景（如合同条款）务必人工复核出处。

场景二：智能写作（起草 / 改写 / 润色）

  1. 工作区放参考素材（公司模板、过往范文、风格样本）；
  2. 让 DSH 基于工作区内容起草，而不是凭空编：

"参考工作区里的投标模板，起草一段关于楼宇自控系统的项目概述，约 300 字，专业口吻。"
"把这段口语化周报改写成正式邮件，收件人是部门负责人。"

价值：AI 写的每句话都能追溯到你的素材，风格可控、不胡编。小模型务必用「极简模式」，避免它乱调工具中断写作。

场景三：表格分析（CSV 进工作区 → 解读 / 公式 / 图表说明）

  1. 把 Excel 先另存为 CSV（大模型不直接解析 .xlsx 二进制，导出 CSV 最稳），放入工作区；
  2. 提问让模型分析：

"分析这份销售明细，按月份汇总销售额，指出波动最大的三个月并说明可能原因。"
"给这份库存表写一段 Python/pandas 脚本，自动算出周转率和滞销清单。"

价值：把"看表两小时"压缩到"对话两分钟"。大表先拆分或抽样，7B 模型上下文有限，超长表格要分块喂入。

七、三平台差异对比（一表速览）

三平台对比

对比维度 Windows macOS Linux（含 NAS）
安装 DSH npm -g + 管理员 PowerShell npm -g + 终端 npm -g 或 Docker 自建
Node 版本 ≥22.19，官网 pkg ≥22.19，brew/pkg ≥22.19，nodesource/包管理
本地模型 Ollama Windows 版 Ollama macOS 版（原生 arm64） Ollama 脚本 / Docker
后台常驻 Start-Process 隐藏窗口 nohup / launchd systemd / Docker restart
局域网共享 反向代理 + HTTPS 反向代理 + HTTPS 反向代理 + HTTPS（严禁直绑公网）
权限特点 需以管理员装 npm 终端插件弹权限审批 文件权限按用户隔离
典型坑 端口 3080/8787 混淆 Rosetta 不需，但要原生 Node 无登录界面，暴露即沦陷
适合人群 普通办公用户 设计/内容创作者 极客 / 企业内网 / NAS 玩家

八、安全红线与避坑清单

  1. 永不 --host 0.0.0.0：DSH 能执行本地代码，官方安全默认只绑回环地址。要远程访问，走反向代理。
  2. 工作区不要包整个用户主目录：只给 AI 它该看的文件夹，防止误读/误改隐私文件。
  3. API Key 不外泄：DeepSeek API Key 不写进代码、不截图、不提交 Git；一旦公开立即吊销重置。
  4. 小模型用「极简模式」：3B/7B 在完整 Agent 模式下易误触工具，纯文本任务切极简更稳定。
  5. 关键输出人工核对：合同、财务、决策类结论，AI 给的是草稿不是定稿。
  6. 云服务器必加鉴权：无登录界面的 Web 暴露在公网 = 把服务器控制权拱手送人。
  7. 备份 dsh-home 目录：配置、会话、凭证都在里面，拷走即备份。

结尾：把 AI 装进自己的电脑，从今天开始

DeepSeek Harness 把"本地大模型 + Agent + 知识库 + 工具调用"串成一套，显著降低了本地 AI 办公的门槛；而 Ollama 让 DeepSeek / Qwen 这类开源模型在普通电脑上就能跑起来。两者结合，你得到的不是又一个聊天框，而是一套长在自己硬盘上的办公基础设施。

如果你是企业用户，正评估"AI 升级从哪一步走"——莱驰云AI 可提供企业 AI 应用诊断、AI 培训、AI 解决方案设计三项具体支持，帮你把本地化 AI 真正落进 workflow，而不是停在演示。

下一步，选一个你最痛的办公场景（文档整理 / 写作 / 表格），按本文对应系统章节装好，先跑通一次。AI 的红利不等人，但至少这一份，数据主权在你手里。

想省去自己踩坑？回复【部署】免费领《本地 AI 办公部署检查清单》——一份照着打勾就能落地的实操手账，覆盖硬件前置、模型准备、安装启动、安全红线到上线核对全流程。

参考：DeepSeek Harness 官方仓库 github.com/deepseek-ai/deepseek-harness；Ollama 官网 ollama.com。功能随版本（当前 0.1.0-rc 开发者预览）迭代，以官方最新文档为准。