当 DeepSeek Harness 开始看懂截图：DeepSeek V4 Vision Exp与 Harness 0.1 rc.8 / 0.1.1 rc.1 / 0.1.1 rc.2 更新解读

2026 年 8 月 19 日到 21 日，DeepSeek Harness 连续发布 v0.1.0-rc.8、v0.1.1-rc.1 与 v0.1.1-rc.2，DeepSeek API 同期上线实验性视觉理解模型 DeepSeek-V4-Flash-Vision-Exp。三次更新连起来看，重点不是“聊天框终于能上传图片”，而是 Coding Agent 开始拥有从看见、理解到执行、验证的完整视觉工作链路。

过去的 Coding Agent 主要处理文本：需求、代码、终端输出、测试日志。遇到页面错位、设计稿、流程图或图表，通常还需要人先把视觉信息翻译成文字。

DeepSeek-V4-Flash-Vision-Exp 与 DeepSeek Harness 最近三次更新改变的，正是这层输入边界。

模型可以理解图片，并不等于 Agent 已经能可靠完成视觉任务。图片怎样进入会话、怎样被命令和子代理引用、历史图片如何控制载荷、修改完成后怎样验证、什么时候必须让人确认，这些仍然需要 Harness 承担。

三次更新其实是一条能力接力

如果只看版本号，rc.8、rc.1 和 rc.2 像是三次普通的候选版更新。把功能放在同一条链路上看，它们的分工很清楚。

rc.8 先把多模态通道铺好：

• DeepSeek 模型适配器可以配置原生图片请求；
• /goal、/plan 等命令可以接收图文输入；
• @ 菜单可以引用文件和会话；
• MCP 与 ACP 的图片附件能够持久化，PTC Mode 可以转发嵌套图片；
• 过大图片和历史图片累计载荷导致的请求失败得到修复。

同一个版本还扩展了执行侧：Claude Code 与 Codex 子代理可以作为 Profile Bundle 按需安装，支持非交互权限模式和多个命名实例；Windows PTY 增加持久 PowerShell 会话；web_search 支持并发查询；子代理交付结果可以及时唤醒父任务。

rc.1 随后把 DeepSeek-V4-Flash-Vision-Exp 加入 DeepSeek 适配器。换句话说，rc.8 解决“图片怎样在 Harness 里流动”，rc.1 解决“由哪个 DeepSeek 模型真正理解图片”。

rc.2 接着处理“图片怎样更高效地送进模型”：DeepSeek 适配器会优先通过 Files API 上传图像，并复用已经上传的文件；图像预处理流程会根据模型要求自动缩放并转换为合适格式。它没有增加新的视觉模型，却把重复传图、格式适配和尺寸处理进一步收进 Harness。

rc.1 的另一项更新值得单独强调：它修复了 Bubblewrap 沙箱内受限进程可能通过 /proc/<pid>/root 绕过限制的问题。对于能够读取图片、调用工具、修改代码的 Agent，安全边界不是附属体验，而是视觉能力真正进入工程环境的前提。

其余改进更偏向日常使用，包括 ask_user_question 支持多行输入和 Shift+Enter 换行、Markdown 表格自适应、99.x% 缓存命中率精度显示、子代理会话标题切换，以及编辑 @ 引用前方文本时的布局修复。

DeepSeek-V4-Flash-Vision-Exp 能做什么

DeepSeek 将它定义为实验性质的多模态视觉理解模型。通过设置：

model="deepseek-v4-flash-vision-exp"

模型可以描述图片、识别截图文字、分析图表，也可以在 Agent 工作流里读取页面截图、设计参考和视觉执行结果。

DeepSeek 官方文章称，它的纯文本能力与 DeepSeek-V4-Flash 正式版持平，在需要视觉理解的 Agent Benchmark 上相较纯文本版本有明显提升，多模态 Agent 能力接近 Opus 4.8。这里需要保留一个重要边界：这是 DeepSeek 官方披露的测试结论，不是本文完成的独立复测。

官方展示的案例包括生成高端定制旅行 PPT、重构开发者网站，以及制作带动态效果的前端 Demo。它们说明模型已经可以把视觉理解与内容生成、前端实现结合起来，但展示结果仍不能替代真实项目里的代码审查、浏览器回读、性能检查和可访问性验证。

API 已经覆盖三种常见协议

视觉模型目前可以通过以下接口使用：

• OpenAI 兼容的 Chat Completions；
• Anthropic 兼容的 Messages；
• OpenAI 兼容的 Responses API。

图片有三种传入方式：Base64 内联、外部 HTTP 或 HTTPS URL、Files API 的 file_id。下面是最小的 Chat Completions 示例：

from openai import OpenAI

client = OpenAI(
    api_key="<DeepSeek API Key>",
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "检查这个页面截图，指出布局问题。"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/screenshot.jpg",
                        "detail": "low",
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

官方文档列出的支持格式是 JPEG、PNG、GIF 和 WebP。外部 URL 图片最大 32 MiB，Files API 的 file_id 图片最大 64 MiB；内联请求体上限为 48 MiB。单次请求最多可以包含 600 张图片，但工程上不应把“允许很多”理解为“应该一次塞满”。

detail 可以选择 low、high、original 或 auto。其中 low 会在推理前把图片缩放到 512×512，更适合不依赖细节的快速检查。每张图片在模型处理前会自动缩放，图片 token 上限为 384；官方文章说明图片按 token 计费，价格与 V4-Flash 相同。

Files API 本身不收费，适合多次复用同一张图片或避免重复上传大文件，但模型读取图片产生的 token 仍会计费。

rc.2 正是把这项能力落实到 DeepSeek Harness 的适配器层：优先走 Files API，并尽量复用已经上传的图片。对包含设计稿、截图或多轮视觉验证的长任务来说，这比每轮重新内联同一份图片更符合工程实际。自动缩放和格式转换则减少了上游图片不满足模型要求时的手工预处理。

视觉 Agent 最值得落地的不是“看图聊天”

真正有工程价值的场景，是让图片成为任务证据的一部分。

例如修复一个前端页面，可以把流程设计成：

1. 输入问题截图、目标参考图和明确验收标准；
2. Agent 结合仓库代码、DOM、网络请求和截图形成假设；
3. 在受控权限范围内修改代码并运行工具；
4. 执行测试、构建、DOM 或 API 检查；
5. 重新截图，与目标状态做视觉比较；
6. 高风险修改进入人工审批，失败则回到上一轮修正。

这个闭环里，视觉模型负责提出判断，确定性工具负责提供证据。截图可以告诉你“看起来哪里不对”，但不能单独证明 DOM 语义、权限、接口响应、键盘操作和移动端断点都正确。

升级到 rc.2 前，先做六件事

第一，确认它仍是预发布版本。三个 Release 都标记为 prerelease，仓库 README 也明确说明当前处于开发者预览阶段，未来仍可能出现破坏兼容性的变化。

第二，固定确切版本，不要让生产工作流自动追随 latest：

npx @deepseek-ai/dsh@0.1.1-rc.2 web

第三，检查 Node.js。v0.1.1-rc.2 仓库根配置要求 Node.js ^22.19.0 || >=24.0.0。

第四，升级前备份会话数据。rc.8 的 Release 明确说明 SQLite 后端的数据结构不兼容；即使新实现改善了读写、分叉性能和存储体积，也不能跳过备份与回滚验证。

第五，不要跳过安全版本。rc.1 包含 Bubblewrap 沙箱绕过修复；如果工作流允许 Agent 执行命令或写入文件，应把沙箱、工作区范围、凭据隔离和人工审批一起复测。

第六，为图片建立预算和验证规则。限制图片数量与尺寸，按任务选择 detail，确认 Files API 文件复用符合项目的数据与凭据边界，不要把视觉判断直接当作完成证据，并在长会话中监控历史图片载荷。

最后

DeepSeek-V4-Flash-Vision-Exp 让模型开始看见，rc.8、rc.1 与 rc.2 则让 DeepSeek Harness 依次具备接住视觉输入、把它交给模型、控制安全边界，以及复用和预处理图片的基础设施。

这比“增加一个图片上传按钮”重要得多。

下一阶段的 Coding Agent，不只是读代码和日志，还会读截图、设计稿、图表和运行结果。但模型看见什么，只是任务的起点；Harness 能否保存状态、限制权限、调用验证工具并留下可审计证据，仍然决定它能不能走到可靠交付的终点。

---

资料来源：

• DeepSeek Harness v0.1.0-rc.8 Release
• DeepSeek Harness v0.1.1-rc.1 Release
• DeepSeek Harness v0.1.1-rc.2 Release
• DeepSeek API 图像理解指南
• DeepSeek Harness 更新：官方多模态支持
• V4-Flash-Vision-Exp 上线，开启多模态 API 服务

资料核对时间：2026-08-21。模型与 Harness 均在快速迭代，实际使用时请以最新官方文档、Release 和价格页面为准。