DeepSeek Harness更新14项，多模态输入上线

8月20日，DeepSeek Harness迎来公测后的首次重要更新，v0.1.0-rc.8版本正式上线。此次更新共带来14项调整，覆盖多模态输入、子代理协作、终端体验、工具调用和开发者支持等多个方向，其中多模态能力成为重头戏，补齐了Agent处理图片等任务的能力。

新版DeepSeek Harness支持原生图片请求和图文混合输入，/goal、/plan等命令也可以直接接收图片。同时，输入框中的@菜单新增文件和会话引用，用户可以将本地文件、已有会话等内容拉入当前任务。这意味着，过去主要围绕文本、代码和工具调用展开的Agent工作流，现在可以进一步将截图、图片等视觉信息纳入任务上下文。

在子代理体系方面，新版支持将Claude Code和Codex作为Profile Bundle按需安装。其中，Codex支持非交互权限模式以及多个命名实例，方便在同一任务中配置不同子代理。Windows用户也得到重点照顾，PTY终端加入持久PowerShell会话，并在极简模式预设中默认开启，减少命令执行过程中频繁重建终端环境的问题。

除了新能力，这次更新还集中修复了一批公测后暴露的问题。例如，当单张图片尺寸过大或历史会话中累积图片过多时，可能导致模型请求失败，新版对此进行了处理。取消一次流式生成后，已显示的回复前缀此前可能不会被带入下一轮提问或分叉会话，这一问题也已修正。对于使用自定义OpenAI兼容网关的开发者，新版修复了部分网关因请求格式差异而无法调用，以及推理内容回传缺失的问题。

一个有意思的细节是，开发者发现DeepSeek Harness在处理图片时，若所调用模型本身不支持图像输入，它会退化到另一套工具链：先进行OCR文字识别，再统计图片中的颜色比例、扫描部分像素行，同时读取图片尺寸、色彩模式等元信息。这些结构化结果会被重新交给文本大模型，让模型根据OCR文本、颜色占比、像素位置等证据“脑补”出整张图的大致内容。这种能力与视觉大模型直接理解图片有明显区别，对于PPT截图、流程图、界面截图等结构相对明确的图片，它可以借助OCR和像素特征得到不少有效信息；面对真实照片、复杂空间关系等内容，恢复的信息则受到明显限制。

事实上，在官方加强多模态支持之前，DeepSeek Harness社区已经围绕视觉能力出现了一批插件，包括dsh-vision、dsh-vision-toolkit、modlens、dsh-auto-vision、dsh-subagent-vision以及通过pi2dsh桥接的pi-vision等。其中一些方案就是通过OCR、像素分析、结构化证据或独立视觉子代理，让纯文本模型间接处理图片；也有开发者通过自定义路由，为本身支持视觉的模型配置input: [text, image]，直接接收图片。rc.8上线后，原生多模态模型和这类工具层视觉方案可以进一步配合使用。

DeepSeek Harness于8月13日正式开启v0.1版本公测并同步开源。公测当晚，智东西曾第一时间拉取源码进行实测，用它完成88页论文翻译、贪吃蛇游戏开发等任务。仅过去不到一周，这套Agent Harness就把多模态补上了。公测时团队强调，其核心设计思路是“一切皆插件”：模型、工具、技能、会话、沙箱、存储、循环、调度和UI等Agent能力，都可以由不同插件组合和替换。当Agent Harness拥有越来越丰富的工具和子代理后，一些原本依赖单个模型能力的任务，也可以通过工具编排被重新拆解和实现。

此次rc.8继续强化了这种插件化思路：视觉模型可以原生接收图片，纯文本模型也能借助视觉工具获得部分图像信息；Claude Code和Codex则可以作为子代理按需装进同一套Harness中。除了这些核心变化，rc.8还加入了web_search并发查询、子代理reportDelivery及时唤醒父任务、本地运行dsh web自动打开浏览器等优化，并提升了大型历史会话分叉以及SQLite后端的读写性能。

从8月14日开放公测，到如今把多模态和更多子代理能力装进来，DeepSeek Harness仍处于快速迭代阶段。接下来值得期待的，是这套插件化Harness能否继续把更多模型、工具和Agent装进同一个体系，并跑出更复杂、更稳定的任务流程。