DeepSeek 桌面预览版上线，将TierFlow接入即可体验！

来源：市场资讯

（来源：机器学习算法那些事）

9 月 24 日，DeepSeek Harness 的官方桌面端安装包悄然出现在下载源上，第二天社区就已经传开了：版本 V0.1.7-rc.2，开发者预览版，Windows x64 和 Apple Silicon Mac 双平台[1][2]。没有发布会，没有官宣博文，DeepSeek 这次的动作低调得像上次开源 Harness 一样。

截至发稿前，DeepSeek官网还没有正式挂出桌面版下载入口，但是下载链接已经在社区中传开了：

DeepSeek Harness Mac 客户端下载 （arm64）：https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg

作为关心智能体效率优化的团队，我们第一时间研究了这个版本，也顺手整理了一条 TierFlow 接入 Harness 桌面端的教程。这篇先讲清楚 Harness 桌面端是什么、更新了什么，再给出具体接入 TierFlow 的操作教程（如果不想了解原理，直接跳转到文章后面跟着教程接入）。

01

PART

先搞懂：Harness 到底是什么

WHAT IS HARNESS

很多读者对 DeepSeek Harness 的印象还停留在「DeepSeek 又发了个开源项目」。先补个背景：它是深度求索在 2026 年 8 月开源的一款智能体（Agent）运行时框架，MIT 协议，TypeScript 编写，简称 dsh[2]。

「Harness」这个词在工程语境里指驾驭模型的那套执行层：把大模型、工具、工作区、权限和任务循环连接起来，让模型不止会聊天，还能在真实环境里干活。它不是聊天窗口，也不是一个新模型，而是让 Agent 落地的操作系统。

Harness 最突出的设计是「一切皆插件」（Everything is a Plugin）：所有 Agent 能力都通过底层插件系统 Cordis 提供，可以自由替换、灵活重组[1]。

模型 · 工具 · 技能，皆可替换

接哪个模型、用哪些工具，都是插件层面的选择，而不是写死在框架里的默认项

会话 · 沙箱 · 存储，皆可重组

执行环境、上下文与持久化同样插件化，适合企业按自己的合规与存储要求定制

循环 · 调度 · UI，皆可观测

Agent 的任务循环与调度是可编程、可观测的——这一点对我们后面要讲的接入方案至关重要

模型可以被替换，运行时才是真正的护城河

02

PART

桌面端预览版，更新了什么

DESKTOP PREVIEW · V0.1.7-RC.2

这次桌面端的核心变化可以用一句话概括：完全移除了 Node.js 运行时依赖。以前用 Harness，你得先装 Node.js、开终端、手动跑启动命令；现在下载安装包，双击图标，选好工作区就能开工[1][2]。

维度

以前（CLI + WebUI）

现在（桌面端）

安装前提

自备 Node.js 环境

独立安装包，开箱即用

启动方式

终端跑命令 + 浏览器访问

双击图标，独立窗口

后台驻留

依赖终端进程存活

关窗后台运行 + 系统通知

版本更新

手动升级依赖

内置自动更新器（实测已有 rc.2）

平台支持

跟随 Node.js，跨平台

Windows x64 / macOS M 系列，暂无 Linux

几个值得记住的细节：构建版本号带 20260924.1 日期后缀，说明还在快速迭代；Mac 版已通过 Apple 公证，签名主体就是杭州深度求索，Bundle ID 为 com.deepseek.dsh；安装包体积在 300MB 上下[3][4]。架构上它不是重写了一套 Harness，而是 Electron 壳直接复用现有 Web UI 与 Agent、会话、工具、插件的运行逻辑——插件体系原封不动[3]。

工作模式上，桌面端沿用了四种档位，按任务复杂度切换[1][2]：

模式

定位

适合场景

标准模式

处理代码、文件和资料

日常大多数任务

PTC 模式

程序化工具调用，批量调度后统一整理

批量调用 + 筛选汇总类任务

极简模式

仅使用终端工具

基准测试与能力对比

创造模式

对话式定制，Agent 自己写插件

扩展功能、构建专属模式

其中 PTC（Programmatic Tool Calling）模式值得一提：模型不再通过多轮往返逐次执行命令，而是自己写一段编排代码去批量调度工具，降低延迟的同时稳住了复杂流水线[3]。这背后的动机和我们做 TierFlow 是同一个——多轮工具调用是 Agent 的 token 大户，批量化编排天然更省。

注意：这仍是开发者预览版，官方明确提示功能稳定性与兼容性可能受限，不建议放生产数据；另外它与「注册即用」的 Web 端不同，初次进入需要实名认证并充值或绑定有余额的账户，也可以直接用 API Key 接入[3]。

03

PART

为什么接入 TierFlow ？

WHY TIERFLOW × HARNESS

在所有主流 Agent 框架里，Harness 的插件化开放架构是接入友好度最高的。模型、工具、循环、调度全部可替换，意味着第三方优化层不需要魔改源码，以插件身份进场就行。DeepSeek Harness 采用插件架构，模型、工具、技能、会话、存储和界面等能力都可以通过插件组合。开发者可以在配置层选择或扩展相应能力。

Agent 的运行成本大头在多轮工具调用与上下文膨胀，而 Harness 的回答区已经直接标出上下文 Token 数、工具调用次数和耗时——官方自己就在把 token 效率当成首要关注点来展示[3]。效率优化需求被产品化了，但「优化」这个动作本身，官方还没有做，这正是TierFlow 的位置，它通过 OpenAI 兼容 API 提供统一接入，并围绕任务进行模型调度与上下文优化。

TierFlow 的四项核心能力，几乎可以一一映射到 Harness 的插件槽位上：

Harness 插件槽位

TierFlow 对应能力

接入后效果

模型（可替换）

动态模型调度

按任务步骤实时分配模型

循环 / 调度

BrainNet 步骤感知

约 20ms 级步骤观测

会话 / 存储

OWG 执行状态图

执行过程可视化与回放

工具 / 技能

统一 API

一套端点管所有调度

也就是说，接入 TierFlow 不是「给 Harness 换个模型」这么简单，是把 调度与观测层整体插进 Harness 的运行时。做成了，用户在桌面上点开 Harness 写代码，后台的模型选择、token 分配、成本控制全部由 TierFlow 托管——用户无感，账单有感。

04

PART

TierFlow × DeepSeeK Harness：接入教程

INTEGRATION ROADMAP · DRAFT

装桌面端

跑通原生 Harness

定接入形态

模型路由 or 调度插件

验证与观测

回归对比前后指标

接入总路线：先接管模型层，再深入调度层

STEP 01

安装 DeepSeek Harness 桌面端

Windows x64 与 Apple Silicon Mac 用户可直接从前文给出的下载源获取安装包，下载源指向 download.deepseek.com，装好后建议先在客户端里确认自动更新。

DeepSeek Harness  Windows 版本下载：https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.1.20260924.1-win-x64.exe

DeepSeek Harness Mac 客户端下载 （arm64）：https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg

下载完成后点击安装，进度条结束后页面如下，点击“完成”，进入到登录界面。

点击登录，跳转到 DeepSeek 官网，使用官方账号登录：

登陆后跳转回桌面端应用，点击“开始设置”

进入下面页面后，点击继续即可，不用充值，然后根据自己的情况然后选择“办公与创作”或者“代码与开发”

选择之后进入桌面端主页面

STEP 02

在桌面端设置中接入 TierFlow API

然后点击模型，进入模型界面后点击添加模型提供商

选择自定义模型API：

模型配置的本质是三要素：接入地址、密钥、模型名。下面是我们的目标配置示意：

tierflow-model.json（示意）

Provider ID 填写供应方为：tierflow

显示名称填写：tierflow

"base_url": https://tierflow.cn/v1,

"api_key": sk-****（TierFlow 控制台创建）

"model": tierflow或者tierflow_pro

API 密钥从 TierFlow的官网控制台上获取（可以选择套餐API Key 和 按量API Key两者之一）：

STEP 03

开始使用

配置完成后回到主页面，就可以正常使用了，整体上速度较快。

LAST

FINAL THOUGHTS

当 Agent 开始连续调用模型，调用成本和上下文使用也会成为实际问题。一次任务中的代码分析、信息提取与结果总结，可能对模型能力有不同要求；随着任务推进，历史内容还会不断累积。

TierFlow 面向的正是这类调用管理需求。根据公开文档，它通过 OpenAI 兼容 API 提供统一接入，并围绕任务进行模型调度与上下文优化。

我们关注的是两者结合后的实际工作流：用户在 Harness 桌面端发起任务，Harness 组织执行过程，TierFlow 参与模型调用的调度与管理。具体接入时，需要确认协议和模型配置，并通过真实任务检查工具调用、连续执行以及用量记录。

DeepSeek Harness 目前仍处于开发者预览阶段，功能和接口还在快速迭代，使用时应以所安装版本的说明为准。对准备探索桌面 Agent 工作流的开发者，可以先从一个熟悉的小任务开始，观察它如何读取信息、调用工具并交付结果，再逐步扩展使用范围。

参考来源 REFERENCES

[1] IT之家《DeepSeek Harness 官方桌面版预览偷跑》，2026-09-25

[2] PChome《DeepSeek Harness 桌面预览版上线，Windows/macOS 开箱即用》，2026-09-25

[3] InfoQ《DeepSeek Harness 桌面端入口提前曝光》，2026-09

[4] GitHub · deepseek-ai/deepseek-harness · apps/desktop（V0.1.7-rc.2）

[5] LynxFlow Blog《DeepSeek Harness 官方桌面版预览版上线》，2026-09

[6] OpenAI Hub《DeepSeek Harness 桌面版来了》，2026-09-25