DeepSeek Harness 新增多模态图像输入——框架有了“眼睛”，模型却还没跟上

根据官方来源整理的更新内容

背景：Harness v0.1 于 8 月 13 日与 V4-Pro GA 同步开源——架构详情请参阅我们的 v0.1 发布简报（基于 Cordis 的“一切皆插件”架构、四种工作模式、MIT 协议）。

架构分工：框架管道与模型能力

• 获得多模态能力的是运行时，而非模型本身。如今在 dsh 中粘贴一张图片，它可以在 MCP/ACP 工具调用间持久化保存，通过 PTC 模式程序转发，并随 /goal 和 /plan 规划指令一同传递。这正是 v0.1 中缺失的关键底层管道能力——首发周的早期评测者之所以吐槽当时的工具栈，正是因为纯文本模型根本无法定位哪怕只有两行的视觉 UI Bug。
• DeepSeek 自身的 API 模型在发稿时仍仅限纯文本——并在一天后上线了视觉能力。2026 年 8 月 21 日，DeepSeek 正式推出了 deepseek-v4-flash-vision-exp，这是 Flash 家族的一款实验性视觉模型，价格保持不变；V4-Pro 仍为纯文本模型。发稿时，自 8 月 13 日 V4-Pro GA 公告以来变更日志中未包含任何视觉相关更新，Hugging Face 上关于 V4-Pro 的一条热门讨论也曾抱怨其缺乏“如今 Qwen、Kimi 等其他国产旗舰模型均已具备的原生多模态能力”——而这次发布正好填补了 Flash 的这一空白。
• 官方文档明确阐述了设计模式。仓库的排错指南指出：如果在发送前图片被拒，说明模型“声明不支持图像模态”——解决方法是在 $DSH_HOME/settings.yaml 的模型配置项中添加 input: [text, image]。换句话说：通过 DeepSeek 适配器或任意 OpenAI 兼容端点，为真正具备视觉能力的模型开启图像请求即可。
• 社区插件此前已经在填补视觉能力的空白。modlens（自称 dsh 的首个视觉插件）允许用户在纯文本会话中粘贴图片并获取结构化的 JSON 证据反馈（OCR、版面布局、语义），其底层路由至视觉引擎池（支持免费的 Gemini Key、Antigravity CLI 或任意 OpenAI 兼容端点；其 README 演示了通过 DashScope 兼容模式调用 Qwen-VL）。类似的社区工具还包括 agent-vision-toolkit（图像问答、长截图 OCR、UI 还原、GUI 自动化）以及 dsh-vision-router。这些均为社区独立项目，非 DeepSeek 官方出品，质量参差不齐。

海外媒体与观点评述

• Turing Post（8 月 17 日）发表了英文圈最犀利的观点：“DeepSeek 正在迎来它的第二个 DeepSeek 时刻。”其核心论点是：DeepSeek 凭借 R1 削弱了模型护城河；而通过 Harness（采用 MIT 协议，发稿时已获 149K+ stars），它正在“彻底打开大家原本视为下一道护城河的层级”——Agent 执行层。文章还梳理了 Cordis 与 Koishi 的渊源（由现就职于 DeepSeek 的 Shigma 开发的聊天机器人框架），Koishi 历经四年探索的插件生命周期问题，本质上正是 Agent 运行时要解决的问题。
• 首周媒体报道（详见我们的 v0.1 简报）：VentureBeat 将 dsh 评价为“Claude Code 的开源竞争对手”；The Decoder 深度剖析了其技术架构及项目负责人崔天意（前 Jane Street 量化工程师）；36氪的一夜实测发现 24 小时内涌现了 288 个插件仓库；Pandaily 则将其概括为“模型 + Harness = Agent”。
• rc.7/rc.8 版本发布本身在最初 48 小时内主要由版本日志关注者和插件生态开发者追踪，而非主流媒体——第三方指南（chat-deep.ai、dshdocs.com、freedom.tech）在一天内就记录了“持久化图像附件”这一更新。如果你持续关注该项目动态，建议直接阅读发布说明，而非只看新闻头条。
• 在 X 平台上，官方公告推文（@deepseek_ai，8 月 13 日）和维护者 @tianyi 的推文仍是权威渠道；modlens 作者 @liustack 也会第一时间在 X 上发布更新说明——这也印证了该生态的重心始终在代码仓库和 X 上，而非传统博客。

这对国产模型技术栈意味着什么

• 框架本身免费，图像 Token 成为新的成本变量。随着 V4-Pro 实行闲忙时分时计价（根据 The Decoder 对官方定价页面的解读，闲时每 100 万 Token 输入 $0.66 / 输出 $1.98，忙时 $1.32 / $3.96），Agent 循环的成本重心已转移至图像处理环节。将视觉子调用路由至廉价的视觉模型，同时由文本模型驱动代码循环，这正是 dsh 插件模型层所专为构建的多模型协作范式。
• rc.8 的网关修复与中转用户直接相关。本次发布修复了自定义 OpenAI 兼容网关因请求格式差异报错或丢弃推理内容的问题——任何将 dsh 指向第三方中转端点而非官方直连 Key 的开发者都很容易遇到这类 Bug。在怀疑框架问题之前，建议先在 rc.8 上测试你的端点兼容性。
• 破坏性变更的迭代节奏正在如期发生。v0.1 曾预告会有不兼容的破坏性更新；rc.8 便带来了一项（SQLite 存储格式不兼容）。建议锁定你的 dsh 版本，避免将旧会话数据直接带入升级流程，并在每次升级 rc 版本后重新验证——该分支仍在全力冲刺稳定的 0.1.0 版本。
• 品牌规范正式确立。rc.8 的发布说明明确指出“DeepSeek Harness”为注册商标并发布了品牌指南——插件作者和工具开发者在为衍生项目命名之前应仔细阅读相关规范。
• 独立项目定位。dsh 是 DeepSeek 的开源项目。ChinaModelAPI 是独立的 OpenAI 兼容 API 中转服务，与 dsh 或 DeepSeek 均无官方关联——二者在实际应用中的交集在于，模型无关的框架是多模型路由的天然客户端，在接入之前建议先在服务商后台控制台中实时验证视觉模型的 Model ID。

一手信息来源

• GitHub — deepseek-ai/deepseek-harness 发布页面（rc.7 与 rc.8 说明，中/英文）
• npm — @deepseek-ai/dsh 发行标签 dist-tags（latest = rc.7，next = rc.8，检查于 2026-08-20）
• deepseek.com/harness — 官方开发者预览页
• DeepSeek API 更新日志 — 自 2026-08-13 以来无视觉相关记录（V4 模型纯文本状态）
• Turing Post — FOD#163：DeepSeek 正在迎来它的第二个 DeepSeek 时刻（2026-08-17）
• VentureBeat — DeepSeek Harness 作为 Claude Code 的开源竞品发布（首发周报道）
• The Decoder — 升级版 V4 Pro、API 提价与开源 Agent 软件（定价细节）
• GitHub — liustack/modlens（dsh 社区视觉插件，MIT 协议）
• DeepSeek Code 插件目录 — agent-vision-toolkit 插件主页（社区）
• Hugging Face 讨论帖 — V4-Pro 原生多模态能力缺口（社区）

FAQ