DeepSeek Harness(DSH)实战：接入MCP配置指南

每一个新的 agent harness 都会遇到同一个冷启动问题：为什么不直接用 Claude Code 就完事了？DeepSeek 给出的答案是 DSH，它安静地以 @deepseek-ai/dsh 的名义发布在 npm 上，它的定位不是”更好的聊天工具”，而是一个可组合的 harness——终端工具、web UI、甚至模型路由，全都是栈里的一个插件。找不到的插件，你随时可以通过 MCP 自己接上去。

最后这一点才是本文真正要测的东西。我们装了 DSH，跑了它的 web UI，然后接上了我们自己的 MCP server——ZensInk SEO 工具包——这样模型就能在对话里直接调用 22 个 SEO 工具（keyword_research、kd、geo_score…）。下面所有的输出都是那次会话的真实结果，不是 mockup。

DSH 到底是什么

抛开 branding 不谈，DSH 就是三层东西叠在 Cordis 插件内核上：

• 一个启动 CLI。 dsh --profile <name> 按顺序组合插件 bundle 栈——基础层、模式层（web/headless/tui）、然后是你的个人 patch 文件。后面的层按配置行覆盖前面的层。
• 一个 Web UI。 dsh web 启动一个本地聊天界面，支持会话、plan 模式、终端视图和 markdown 渲染。默认只监听 loopback。
• 一个 MCP 客户端。 @deepseek-ai/dsh-mcp-client 插件通过 stdio 或 streamable-http 连接外部 MCP server，把它们的工具注册成模型的原生工具，用的是和 Claude Code、Codex 一样的 mcp__<server>__<tool> 命名约定。

profile 系统才是最有意思的部分。你的自定义配置不会修改任何已安装的代码——它们存放在一个 cordis.patch.yml 覆盖文件里，每次启动时自动应用。升级 harness 永远不会覆盖你的配置，而且 HMR 会在你保存文件的瞬间热重载。

安装和首次启动

需要 Node 18+ 和 DeepSeek API key。

npm install -g @deepseek-ai/dsh
export DEEPSEEK_API_KEY=sk-your-key
dsh web

安装就这么多。dsh web 启动默认的 web profile 并打印一个 localhost URL。打开就是一个聊天界面——新建会话、输入提示词、模型带着 bash、文件编辑和网页搜索的工具权限开始干活。

有一个细节值得知道：模型凭证存放在 ~/.dsh/settings.yaml 里，不在 profile 里。web UI 的 Models 页面会写入那里。如果你第一条提示词报 MISSING_CREDENTIAL，那就是 key 没配好。

关键部分：接入 MCP server

下面是值得切换工具链的工作流。假设你有一个工具 server——我们的是暴露 SEO CLI 工具的 Python MCP server，但也可以是数据库客户端、部署工具，任何能通过 stdio 说 MCP 的东西。

DSH 的 MCP 桥接只需要一条配置项。编辑 ~/.dsh/profiles/web/cordis.patch.yml：

- insert:
    - id: mcp-zensink
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: zensink
        transport: stdio
        command: python3
        args: ['-m', 'zens_ink.mcp']
        cwd: /path/to/your/mcp-server
        toolCallTimeoutMs: 300000

保存文件。不用重启——HMR 会自动断开并重连 server，工具就会出现。模型现在能看到 mcp__zensink__keyword_research、mcp__zensink__kd 以及另外二十多个工具，就像它们是内置的一样。

真实会话：在聊天里调用 SEO 工具

接好 server 之后，我们用一句大白话问会话：“classify the search intent for ‘best astro seo plugin’ and ‘buy seo audit tool’.”

模型自己选了 mcp__zensink__search_intent，返回：

"best astro seo tool"    → commercial      (0.85, ranked-list content type)
"buy seo audit tool"     → transactional   (0.85, buyer flag set)

两秒钟、一次工具调用、零手动命令。同一个会话随后又用 geo_score 给一个本地 HTML 文件打分（46/100，D 级，附带五层明细）——又是靠一句话完成的。

这就是这个方案的价值所在：你的脚本不再是”我记得怎么调用”的东西，而变成了”模型替你编排”的东西。“找我这个细分领域的长尾关键词，聚类，然后给赢家打分”变成了一条消息，自动串联 keyword_research → keyword_cluster → kgr_auto。

长耗时工具的超时调优

我们踩了一个坑：默认的单次调用超时是 60 秒，对批量工具来说太紧了。一个完整的 audit 流水线可能要跑好几分钟。需要按 server 设置 toolCallTimeoutMs——我们在 audit 密集型 profile 里用的是 3,600,000（一小时）。超时是按单次工具调用算的，不是按会话算的，所以聊天频繁的工具不受影响。

另外注意上面配置里的 cwd：stdio server 会以那个工作目录启动，如果你的 server 要解析相对路径（.env 文件、数据缓存），这就很重要。不设置的话，你会继承 shell 当前的 cwd，然后在凌晨两点被各种莫名其妙的 “file not found” 折磨。

谁应该关注

经过一周的日常使用，三个诚实的评价：

• 如果你在用 Claude Code 而且用得挺好：MCP 命名是兼容的，但没必要现在迁移一个能正常工作的环境。关注这个项目就好。
• 如果你在做 agent 工具链：插件 bundle 架构确实干净。把 profile 当作有序 patch 层的设计，比大多数 dotfile 方案更好地解决了”我的配置 vs 上游更新”的问题。
• 如果你把 DeepSeek 当主力模型：这就是原生 harness，而且模型路由适配层意味着同一个 profile 可以在不同 provider 之间通用。

光是那个 MCP 客户端就改变了自建工具的经济性。用纯 Python 写一个 stdio MCP server 只需要一个下午；之后，每个聊天会话里你的工具都是一等公民。

自己验证

我们接入的 SEO 工具包是开源的——16 个免费工具、零 pip 依赖，就是本文里记录的那个 MCP server。克隆下来，跑 python3 -m zens_ink.mcp，粘贴上面那段配置，你就有个参考集成可以用来边玩边评估 DSH。

如果想在这个基础上做关键词发现工作流，可以看看我们如何用 Python 挖掘 autocomplete 数据和用免费 CLI 审计 Astro 站点的 SEO。完整的工具参考在文档里。

FAQ

DeepSeek Harness（DSH）是什么？

DSH 是 DeepSeek 的开源智能体框架（npm 包 @deepseek-ai/dsh）。它按顺序加载称为 profile 的插件 bundle 栈，自带本地 web UI，并内置 MCP 客户端，外部工具服务器可以直接注册为模型原生工具。

怎么给 DSH 添加 MCP 服务器？

编辑 profile 目录（~/.dsh/profiles/web/）下的 cordis.patch.yml，插入一个使用 @deepseek-ai/dsh-mcp-client 的条目，配置 transport stdio、启动命令和 toolCallTimeoutMs。HMR 会自动热加载，无需重启。

DSH 收费吗？

框架本身 MIT 开源免费。模型调用需要 DeepSeek API key，也可以通过它的 LLM 适配层接入其他服务商。

DSH 能替代 Claude Code 吗？

定位不同：DSH 是基于 Cordis 插件系统的可组合框架，而非一体化 CLI。它使用相同的 MCP 工具命名约定（mcp__server__tool），现有 MCP 服务器两边都能用。