8月13日深夜，DeepSeek Harness（简称DSH）以MIT协议开源并开启全球公测，一夜之间在GitHub狂揽超5万星。仅过去不到一周，8月20日凌晨，Harness迎来公测后的首次重要更新——v0.1.0-rc.8版本正式上线，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，多模态能力成为这次更新的重头戏。
多模态正式补齐：Agent终于能“看图”了
根据官方更新日志，DeepSeek模型适配器现在可以通过配置启用原生图片请求。对于具备视觉能力的模型，Harness可以直接把图片送入模型处理；/goal、/plan等核心命令也已经支持图文混合输入。
与此同时，输入框中的@菜单新增了文件和会话引用功能，用户可以直接将本地文件、已有会话等内容拉进当前任务。这意味着，过去主要围绕文本和代码展开的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。
子代理体系也继续扩充。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用户此次也被重点照顾。DeepSeek Harness的PTY终端加入了持久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。
纯文本模型也能“看图”：工具层拼出视觉能力
DeepSeek Harness补上原生图片请求之外，一个有意思的细节很快被开发者发现。
有开发者测试发现，当所调用的模型本身没有声明图像输入能力时，直接调用read_image会首先失败。但任务并不会就此停下——Harness随后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。
最后，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。
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。这种能力和视觉大模型直接理解图片仍然有明显区别，但从Agent Harness的设计角度看，视觉能力并不完全绑死在底座模型上，工具也可以承担一部分感知工作。
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等。其中一些方案就是通过OCR、像素分析或独立视觉子代理，让纯文本模型间接处理图片。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。
“一切皆插件”：把模型能力“拆开重组”
8月13日公测时，DeepSeek Harness团队就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。
此次rc.8又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13日开源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。下一步值得期待的，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。