用 DeepSeek Harness 手搓一个自己的 Agent

1. 引言

大模型应用开发中，Agent 是当前最热门的落地形态之一。很多人以为 Agent 必须依赖 LangChain、AutoGen 这类重量级框架，其实只要掌握核心思路，用 DeepSeek Harness 这样轻量的工具，也能手搓出一个可用的 Agent。本文从零开始，带你一步步搭建属于自己的 Agent。

2. 什么是 DeepSeek Harness

DeepSeek Harness 是一个面向大模型应用的轻量级编排工具，它把「模型调用、工具注册、任务循环」这几个 Agent 核心环节封装成简洁的接口，让开发者可以专注于业务逻辑，而不是重复造轮子。

它的核心设计理念是「约定优于配置」：你只需要定义好工具函数和提示词，Harness 会自动完成模型调用、结果解析和循环控制。

3. 环境准备

在开始之前，需要先安装依赖并准备好 API Key。

bash 复制代码

pip install deepseek-harness

安装完成后，在环境变量中配置你的 DeepSeek API Key：

bash 复制代码

export DEEPSEEK_API_KEY="sk-你的密钥"

4. 核心概念

在动手写代码之前，先理解 Harness 的三个核心概念：

工具（Tool）：Agent 可以调用的外部能力，比如搜索、计算、读写文件。
任务循环（Loop）：Agent 反复执行「思考---调用工具---观察结果」的过程，直到完成任务。
提示词模板（Prompt Template）：定义 Agent 的角色、目标和行为约束。

5. 手搓一个最小 Agent

下面我们实现一个最简单的 Agent：它能根据用户的问题，决定是否调用「当前时间查询」工具，并给出回答。

python 复制代码

from deepseek_harness import Agent, Tool
from datetime import datetime
1. 定义一个工具
def get_current_time() -> str:
"""返回当前时间"""
return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
time_tool = Tool(
name="get_current_time",
description="获取当前日期和时间",
func=get_current_time
)
2. 创建 Agent
agent = Agent(
model="deepseek-chat",
tools=[time_tool],
system_prompt="你是一个智能助手，当用户询问时间时，调用 get_current_time 工具获取答案。"
)
3. 运行
result = agent.run("现在几点了？")
print(result)

运行这段代码，Agent 会自动识别用户意图，调用时间工具，并组织语言返回结果。

6. 让 Agent 学会多步推理

真实场景中，Agent 往往需要多步推理。比如「帮我查一下北京和上海的时差，并告诉我现在上海几点」。这需要 Agent 连续调用多个工具。

python 复制代码

from deepseek_harness import Agent, Tool
def get_city_time(city: str) -> str:
"""获取指定城市的当前时间"""
# 这里简化处理，实际可接入时区 API
timezones = {"北京": "Asia/Shanghai", "上海": "Asia/Shanghai", "东京": "Asia/Tokyo"}
tz = timezones.get(city, "Asia/Shanghai")
from zoneinfo import ZoneInfo
from datetime import datetime
return datetime.now(ZoneInfo(tz)).strftime("%Y-%m-%d %H:%M:%S")
agent = Agent(
model="deepseek-chat",
tools=[Tool(name="get_city_time", description="获取指定城市当前时间", func=get_city_time)],
system_prompt="你是时间助手，用户询问任何城市时间时，请调用工具获取。"
)
result = agent.run("现在东京几点了？和北京差几个小时？")
print(result)

Harness 的任务循环会自动处理多步调用：先查东京时间，再查北京时间，最后对比输出。

7. 接入自定义业务工具

实际项目中，你往往需要接入自己的业务系统。比如让 Agent 查询订单状态：

python 复制代码

def query_order(order_id: str) -> str:
    """根据订单号查询订单状态"""
    # 这里替换为真实的数据库或 API 调用
    mock_db = {"A1001": "已发货", "A1002": "待支付"}
    return mock_db.get(order_id, "订单不存在")
agent = Agent(
model="deepseek-chat",
tools=[Tool(name="query_order", description="查询订单状态", func=query_order)],
system_prompt="你是电商客服助手，用户提供订单号时，调用 query_order 查询状态并友好回复。"
)
print(agent.run("帮我查一下订单 A1001 到哪了？"))

8. 常见问题与优化建议

工具描述要写清楚：模型靠描述决定是否调用工具，描述越准确，调用越可靠。
控制循环次数：给 Agent 设置最大迭代次数，避免死循环。
错误处理：工具内部要捕获异常，返回友好错误信息，让 Agent 能继续尝试。
日志观察：开启 Harness 的日志模式，观察每一步的思考和工具调用，便于调试。

9. 总结

通过 DeepSeek Harness，我们只用了不到 50 行代码就实现了一个具备工具调用能力的 Agent。核心要点就三个：定义工具、配置提示词、交给 Harness 跑循环。掌握了这套思路，你完全可以在此基础上扩展出搜索、写作、数据分析等更复杂的 Agent 应用。