一份把 Harness 从"能聊天的 AI"升级成"全员办公底座"的实操清单。
数据口径：DeepSeek Harness 官方文档（截至 2026-08，开发者预览版 v0.1.x，MIT 开源）。

装上 npx @deepseek-ai/dsh web，你能得到的只是 http://127.0.0.1:3080 的一个本地 Web UI。它默认只听本机回环地址，连 ChatGPT 的聊天能力都称不上，更别说覆盖办公场景。

要把 Harness 真正用进日常办公，必须装一组插件。

原因很简单——DeepSeek Harness 的官方设计哲学叫「一切皆插件」：模型、工具、技能、会话、沙箱、存储、调度、UI，全是 Cordis 插件组合出来的。框架本身只有一个空的插件骨架，真正的能力来自你往里挂什么。这篇文章就按"办公必装"的颗粒度，把插件清单拆成三层讲清楚。

一、一张图看懂 Harness 的插件体系

把 Harness 想象成中间那个发光节点，周围一圈办公工具图标（文件、数据库、日历、邮件、浏览器、表格……）通过插件连进来。这是 Harness 的典型工作方式：插件即四肢，挂得越多，能干的事越多。

围绕这个中心，我把办公场景下"配合 Harness 使用"的插件分成三层：

层级 含义 关键问题
第一层 · Harness 原生插件 直接扩展 Harness 本身的能力（Cordis 插件） 让 Harness 能"动手"，不只是"动嘴"
第二层 · 模型接入 providers Harness 用什么模型的后端 决定成本、合规、能力上限
第三层 · 办公协同客户端 与 Harness 并行、直接接模型后端的周边工具 补齐浏览器、IDE、知识库、IM 等入口

下面一层一层讲。

二、第一层 · Harness 原生插件（办公自动化核心）

这一层是"让 Harness 从问答变执行"的关键。共 5 个推荐，其中前 3 个是办公场景的必装。

2.1 MCP 客户端插件（内置，/mcp）——办公自动化第一件必装

功能定位：Harness 内置官方 MCP（Model Context Protocol）客户端，提供 /mcp 命令与 Settings → MCP 服务器配置面板。你可以把任意 MCP 服务器挂进 Harness，让模型直接调用。

适用场景： - 读项目里的合同、报价单、图纸 PDF - 查公司内部数据库/CRM/工单系统 - 操作日历、邮件、GitHub、企业微信素材库 - 让 Harness 自动填表、写周报、提交工单

实际价值：把"会聊天的 AI"变成"能动手的办公助手"。这是单一投入回报最高的插件——只要挂上文件系统和数据库 MCP，你日常 60% 的查询/整理工作就能让 Harness 干。

💡 MCP 是 Anthropic 提出的开放协议，生态里已有大量现成 server（文件系统、SQLite、Playwright 浏览器、GitHub 等），无需自己写。

2.2 记忆与持久化插件（社区）——让 Harness 越用越懂你

功能定位：社区已涌现一批记忆类 Cordis 插件：知识图谱记忆、SQLite 持久化存储、本地优先 Agent 记忆等。它们让 Harness 跨会话记住你的项目背景、术语表、历史决策、用户偏好。

适用场景： - 长期跟进的客户/项目（记得上次讨论过的痛点） - 重复性工作（报价、合同、合规条款） - 多人协作（团队共享一套项目上下文）

记忆与知识图谱

实际价值：Harness 默认每次会话是孤立的——关掉就没了。挂上记忆插件后，AI 能跨周、跨月、跨项目累积上下文，第二周的工作效率比第一周高一倍。对工程咨询、投标这类长期项目尤其关键。

2.3 本地 AI 工作台（社区 Electron 桌面端）——给团队一个图形化入口

功能定位：社区已发布一款本地优先的 AI 工作台桌面应用（基于 Electron），把 Harness 的会话、项目文件、数据分析、网页研究、MCP、Office 产物聚合到一个图形化窗口。非开发者同事不用敲命令就能用上 Harness。

本地AI工作台

适用场景： - 非技术岗位（销售、行政、运营）也想用 Harness - 团队共享一套 Harness 环境，避免每人装 Node.js - 需要把 Harness 的产出（文档、表格、图表）直接落地到 Office 文件

实际价值：把 Harness 从"开发者玩具"变成"全员工具"。一个工程师搭好工作台，全部门都能用——这是 AI 在企业内规模化的最短路径。

2.4 dsh-chatgpt-bridge（社区）——双生态桥接

功能定位：把 Harness 会话作为 MCP 服务器暴露给 ChatGPT（以及任何支持 MCP 的客户端），让你在 ChatGPT 的界面里调用 Harness 的工具与本地数据。

适用场景： - 团队已习惯用 ChatGPT 网页版/桌面版，希望保留入口 - 想在 ChatGPT 里直接调 Harness 挂的文件系统/数据库 MCP - ChatGPT 会员用户想兼顾订阅模型的体验和 Harness 的本地工具

实际价值：不强迫团队切换前端，把 Harness 的能力注入到既有 ChatGPT 工作流，降低推广阻力。

2.5 自研业务插件（Tool / MCP / LLM Adapter 三选一）——把公司系统接进来

Harness 官方架构定义了三种扩展接缝，自研插件必须三选一，不能混用：

接缝 适用场景 关键约束
Tool 本进程内的本地能力（TypeScript，同 Cordis 生命周期） 必须返回规范 JSON，遵守沙箱/授权策略
MCP Client 远程已暴露 MCP 协议的服务器 一个 server 一个插件实例，Tools only（Resources/Prompts 仅桥接）
LLM Adapter 新的模型提供商协议 负责路由、流顺序、错误、用量、回放元数据

实际价值：把你公司的 ERP / CRM / OA / 内部知识库封装成 Tool 或 MCP server 挂进 Harness，打通最后一公里的数据孤岛。这一步通常是企业落地 AI 真正的价值分水岭。

三、第二层 · 模型接入 providers（决定 Harness 用谁）

Harness 是"BYO Model"（自带模型）模式——框架本身不绑定模型，通过 ~/.dsh/settings.yaml 里的 llm-pi-ai.providers 字段接入 40+ 提供方。

模型后端选择

办公场景下，按"成本 × 合规 × 能力"三轴选 provider：

3.1 云端国产合规模型（推荐默认）

Provider Base URL（/v1） 协议 适合
DeepSeek 官方 DeepSeek 平台 baseURL openai-completions 默认首选，能力强、价格低
阿里云百炼 https://<WorkspaceId>.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1 openai-completions 国产合规、Token Plan/Coding Plan
字节方舟 Coding Plan https://ark.ap-southeast.bytepluses.com/api/coding/v3 openai-completions 字节生态企业

配置示例（~/.dsh/settings.yaml）：

agent-default-model:
  provider: bailian
  model: qwen3.8-max

llm-pi-ai:
  providers:
    bailian:
      api: openai-completions
      baseURL: https://<WorkspaceId>.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1
      apiKeyEnv: BAILIAN_API_KEY
      models:
        - id: qwen3.8-max

⚠️ Web UI → Settings → Models → Add a custom provider 是新手最稳的路径；YAML 字段名在开发者预览期可能变化，以当前 UI 写入的版本为准。

3.2 本地推理 Ollama / vLLM（数据敏感场景）

如果客户合同、内部文档绝对不能出域，挂本地 Ollama（localhost:11434）或 vLLM（localhost:8000）作为 provider，端点填成对应 /v1 地址。Harness 不感知差异，对你来说就是"换个 baseURL"。

3.3 聚合网关（OpenRouter / LiteLLM / One API）

把多家的 key 集中在一个兼容端点后面，Harness 只配一次 provider，就能在模型选择器里切不同模型。适合既要国产合规、又要国际模型能力的混合场景。

四、第三层 · 办公协同客户端（共用模型后端，构成完整栈）

下面这些不是 Harness 的插件——它们直接连模型后端（也就是第二层的 provider 端点），与 Harness 并行。但办公场景下，你大概率会同时部署它们，构成完整的 AI 办公栈。表格按场景速配，不展开讲具体配置：

客户端 形态 怎么挂上模型后端 办公价值
沉浸式翻译 浏览器扩展 设置 → 翻译服务 → 添加 OpenAI 兼容服务 → 填 /v1/chat/completions 完整路径 外文网页、PDF、技术文档一键翻译
Open WebUI 自托管 Web 聊天（Docker） 安装时配 OLLAMA_BASE_URL 或通用 OpenAI endpoint 给不会用 Harness 的同事一个聊天界面
AnythingLLM 桌面/Docker 工作台 设置 → LLM Provider → Generic OpenAI → 填 BaseURL/Key/Model 企业知识库 + RAG + 多工作区
Continue VS Code / JetBrains 插件 config.json 或 config.yaml 配 provider: openai + apiBase IDE 内 AI 编程助手
企微/飞书/钉钉 Bot IM 机器人 自建应用回调 → 桥接服务 → 调 Harness 或直调模型 全员在 IM 内用 AI（详见本号上篇）

重点：沉浸式翻译（最受办公人欢迎）

沉浸式翻译浏览器

功能定位：浏览器扩展，双对照翻译外文网页与 PDF。

必装理由： - 支持自定义 OpenAI 兼容端点（不是只能绑官方），可挂你的 DeepSeek/百炼 provider - 同时翻译 + 保留原文排版，阅读技术文档、英文论文、海外厂商手册必备 - 可"点哪段译哪段"，不打断阅读节奏

实际价值：工程、研发、商务岗每天人均省 30–60 分钟在外文资料阅读上。

重点：AnythingLLM（企业知识库首选）

企业知识库

功能定位：把公司文档（PDF、Word、Excel、网页）上传到 workspace，自动向量化，对话式检索。

必装理由： - Generic OpenAI 提供商——任何兼容端点都能挂（DeepSeek/百炼/本地 Ollama） - 多 workspace 隔离，不同部门不同项目不同知识库 - 桌面版开箱即用，无需部署 Docker

实际价值：把 5 年沉淀的项目文档变成"问就答"的内部 ChatGPT。投标、客服、培训场景 ROI 立竿见影。

五、插件怎么装、怎么管

5.1 安装命令（pnpm 透传）

dsh plugin 把操作转发给 pnpm，支持 npm 包、GitHub spec、本地路径（link:、file:）等所有 pnpm 源：

# 加一个 npm 插件到 web profile
dsh plugin --profile web add "<plugin-package>"

# 从本地开发链接加
dsh plugin --profile web add "link:$(pwd)"

# 重新跑同样命令 = 升级

5.2 看实际生效的插件树

dsh --profile web --dump-config

任何一行你都能用自己的补丁覆盖。Harness 没有需要打补丁的特权核心——所有组件都可换。

5.3 三层补丁叠加

  • Bundle：上游分发的补丁单元
  • Profile（~/.dsh/profiles/）：命名组合
  • 个人补丁（~/.dsh/cordis.patch.yml）：你自己的覆盖层，永远最后加载

5.4 关键安全与版本纪律

纪律 原因
固定版本（pin） 开发者预览期，核心插件和 API 会快速迭代，rc 版本间可能不兼容
密钥放 ~/.dsh/.credentials.yaml，mode 600 stat -c '%a %n' 检查，群组可读=泄露给同机所有账号
Web UI 只听 127.0.0.1:3080（loopback） 公网直开 3080 等于把 API 暴露给全网；远程访问请用 SSH 隧道 ssh -N -L 3080:127.0.0.1:3080
apiKeyEnv 从 dsh 进程环境读 systemd 等服务环境与登录 shell 不同，会出现"手动能跑、服务起不来"的 MISSING_CREDENTIAL

六、办公落地 · 8 项避坑清单

  1. Node 版本必须是 22.19+ 或 24+（22 行内、23 不行）；不匹配会在启动时报错像包坏了。
  2. 不要硬编 settings.yaml 字段名——开发者预览期嵌套结构最易变；先在 Web UI 里加一遍 provider，再打开 settings.yaml 复制它写出的结构。
  3. apiKeyEnv 引用的是 dsh 进程环境，不是你的 shell；systemd unit 必须显式 Environment=BAILIAN_API_KEY=...。
  4. 多 provider 共存时 Provider ID 不可改（创建后想改名只能删了重建）；起名要稳。
  5. 多模态模型要在 settings.yaml 里手动加 input: [text, image]，否则默认只吃文本。
  6. model ID 必须跟 provider 端完全一致（有些平台格式 供应商/模型名，省略前缀会 404）。
  7. 同一时间只跑一个 dsh web（默认端口 3080）；换端口用 dsh web --port 8080，别忘了同步下游桥接服务。
  8. 本地优先 ≠ 离线可用——本地 Ollama/vLLM 也要联网拉模型权重；首次 pull 模型注意磁盘。

七、最后说两句

DeepSeek Harness 处于开发者预览期，核心 API 会迭代，别把它当生产依赖，但它的"一切皆插件"设计是真的——这是它和大多数 Agent 框架最本质的区别。

办公场景下的优先级，我建议这么排：

  1. 先把 MCP 客户端 + 文件系统/数据库 MCP server 装上（60% 的提效来自这里）
  2. 再加记忆/持久化插件（让 AI 越用越懂）
  3. 选一个模型 provider（默认建议阿里百炼或 DeepSeek 官方）
  4. 最后根据团队情况上本地工作台 / 沉浸式翻译 / AnythingLLM / Continue

把这套装齐，Harness 才算从"装上即放弃"变成"全员在用"。

📌 下一篇预告：《DeepSeek Harness 接入飞书，让全员在群里飞书 AI 助手》——飞书的开放接口和企业微信大同小异但更"开发者友好"，是中小团队的更优选。

如需本文配套的「DeepSeek Harness 办公插件选型清单」checklist（Markdown 版，含每个插件的安装命令、版本号、依赖关系），关注本号并回复关键词 【插件】 获取。