DeepSeek 视觉模型接入 Harness：rc.8、rc.1 与 rc.2 分别改了什么

本文记录 2026 年 8 月 19 日至 21 日的版本变化。DeepSeek Harness 的 rc.8、rc.1 和 rc.2 分别处理图文输入、视觉模型接入，以及图片上传与预处理。模型能读截图后，任务仍需要代码、工具和实际页面共同验证。

排查页面错位时，代码和日志并不包含全部信息。截图、设计稿和图表可以补充视觉证据，减少先把画面逐项翻译成文字的工作。

DeepSeek-V4-Flash-Vision-Exp 提供图片理解；同一时期的 Harness 更新负责把图片送入任务并保存相关状态。

图片进入会话后，还要处理命令和子代理引用、历史载荷、修改后的验证以及人工确认。模型描述一张截图，不能代替这些执行步骤。

三个版本分别处理输入、模型和上传

这三次更新承担不同工作，应分别读取发布说明，不把全部功能归到最后一个版本。

rc.8 增加图文输入和引用支持：

• 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 在 DeepSeek 适配器中加入 DeepSeek-V4-Flash-Vision-Exp。rc.8 先提供图片传递方式，rc.1 再接入负责理解图片的模型。

rc.2 优先使用 Files API 上传图像，并复用已上传文件；预处理流程按模型要求自动缩放和转换格式。这一版改进图片传送，不是新增视觉模型。

rc.1 还修复了 Bubblewrap 受限进程可经 /proc/<pid>/root 绕过限制的问题。允许 Agent 调用工具和修改文件前，应同时检查沙箱与工作区权限。

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。

视觉模型的能力与厂商评测边界

当时的官方定义是实验性多模态视觉理解模型。请求中设置：

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 官方称，模型的纯文本能力与 DeepSeek-V4-Flash 正式版持平，在视觉 Agent Benchmark 上优于纯文本版本，多模态 Agent 能力接近 Opus 4.8。这些是厂商披露的测试结果，本文未独立复测。

官方演示包括旅行 PPT、开发者网站重构和带动态效果的前端 Demo。这些案例展示了视觉理解与生成工作的组合；项目采用前，仍需检查代码、实际页面、性能和可访问性。

API 输入方式与限制

按 2026 年 8 月 21 日的文档，视觉模型支持以下接口：

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

图片可通过 Base64、外部 HTTP 或 HTTPS URL，以及 Files API 的 file_id 传入。以下保留原文的 Chat Completions 示例，使用前应核对现行模型路由：

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)

历史文档支持 JPEG、PNG、GIF 和 WebP。外部 URL 图片上限为 32 MiB，Files API 的 file_id 图片上限为 64 MiB，内联请求体上限为 48 MiB；单次请求最多 600 张图片。这些是接口上限，具体任务仍应限制图片数量与尺寸。

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 将 Files API 复用放进适配器，减少多轮任务中的重复上传；自动缩放和格式转换则处理输入图片与模型要求之间的差异。文件复用仍需遵守项目的数据和凭据范围。

把截图放进可检查的任务流程

修复前的截图用于说明现象，修复后的截图用于比较结果。两者都应与代码和工具检查对应。

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。

这个流程中，视觉模型提出判断，工具提供可重复检查的结果。截图适合发现画面问题，但不能单独证明 DOM 语义、权限、接口、键盘操作和移动端断点均正确。

复现历史版本前的检查

第一，确认版本性质。本文引用的三个 Release 均标记为 prerelease，原版 README 说明其处于开发者预览阶段，可能有不兼容变化。

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。

采用前仍需验证的结果

这组版本让图片可以进入任务、交给视觉模型，并经过上传复用和预处理。采用时还要检查会话状态、权限、工具结果和实际页面。

本文记录历史更新，未完成独立模型评测，也不确认今天旧模型 ID 的服务端路由。文中配图为方法示意，不能作为软件运行或测试通过的证据。

---

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。