deepseek-harness-python-tutorial
warmsum/deepseek-harness-python-tutorial
DeepSeek Harness (DSH) Python 教程：17 章从零实现 Agent Loop、插件系统、工具调用、Session、上下文工程、Subagent 与 Headless CLI
- 形态
- Plugin 插件
- 安装
- 通过 profile 安装
- 需要密钥
- 是
- 近月下载
- —
- 最近推送
- 1 个月前更新
项目说明
From README
mini-harness：DeepSeek Harness Python 教程 用 Python 从一次模型调用开始，逐步构建 DeepSeek Harness 的核心运行机制 English --- 项目介绍 调用一次大语言模型并不复杂：发送消息，等待回复，再把文本显示出来。要让智能体持续完成任务，还需要处理另一组问题。模型如何调用工具？多轮对话如何保存？上下文越来越长时怎样压缩？文件和命令怎样限制权限？任务执行到一半时，新的用户消息又该如何进入当前流程？DeepSeek Harness（简称 DSH）围绕这些问题建立了一套完整的智能体运行系统。
它使用 TypeScript 开发，源码由许多相互协作的模块组成。如果你主要使用 Python，直接阅读官方源码时，还要同时熟悉 TypeScript 和较复杂的项目结构，容易分散对智能体运行机制的注意力。mini-harness 将 DSH 的核心机制拆成 17 个 Python 章节。课程从最小的流式模型调用开始，依次加入工具、会话、提示词、持久化、上下文压缩、文件与命令能力、技能、子智能体和网络搜索，最后组装出一个能够接收任务、保存会话并返回结果的命令行智能体。课程主要讲解 DSH 的命令行运行方式，官方称为 headless。
它不启动网页、桌面界面或 HTTP 服务，而是直接接收任务、运行智能体和工具，再把结果输出到终端。这种方式保留了智能体的核心运行过程，也便于观察每一步发生了什么。完成全部章节后，将能够解释并实现以下机制： - 流式响应如何从数据分片组装成一条完整消息； - 模型如何提出工具调用，程序如何执行工具并把结果送回模型； - 会话事件如何记录、投影、持久化、恢复和压缩； - 模型、工具、提示词、会话和运行策略如何通过插件协作，并在卸载时按顺序清理资源； - 文件、命令、技能、长期目标、任务清单和子智能体如何接入运行循环； - 一个命令行智能体如何完成组装、执行、保存和结果返回。
适合哪些读者 这套课程面向具备 Python 基础、希望理解智能体内部运行方式的开发者和自学者。开始学习前，只需要能够阅
安装方式
通过 profile 安装 · 需要额外配置密钥
uv run python chapters/01-streaming-agent/src/demo.py为什么是这个分数
近 58 天内有提交；README 给出了可直接复制的安装命令；运行前需要准备 API Key 或环境变量。
- 维护活跃
- 70
- 实用度
- 86
- 生态热度
- 48
- 上手便捷
- 74
- 信号质量
- 100
- 数据置信度
- 100%
相关插件
dsh-vision-toolkit
Anionex/dsh-vision-toolkit
让纯文本模型处理视觉任务：粘贴图片后自动切换到 Vision Toolkit 变体，支持图片问答、多图比较、长截图 OCR、截图还原前端 UI、元素定位与像素对比。默认无需 API Key——图片经作者自建的免费服务处理，每台机器每天 100 张；也可改为指向自己的服务商。
dsh-auto-memory
AskTheWay/dsh-auto-memory
原生实现 Claude Code 式自动记忆:类型化记忆文件(user/feedback/project/reference)+ 自动注入系统提示词的 MEMORY.md 索引,无记忆时零提示词占用;memory_write/read/list/delete 遵循 Claude Code 写入规则(查重更新、相对日期转绝对、交叉链接);项目级与用户级双层作用域,跨进程文件锁与孤儿锁自愈,记忆为磁盘纯 Markdown,无外部服务、无 embedding。
sandbase-harness
sandbaseai/sandbase-harness
通过 stdio MCP 将 dsh 连接到本地 SandBase Harness 运行时，用于管理代理与会话、流式执行任务、检查产物和取消工作。