DeepSeek Harness 源码深潜（下）：模型适配、多Agent协作与Python实战

在上一篇文章中，我们深入探讨了 DeepSeek Harness（以下简称 DSH）的核心运行机制——事件溯源、状态机与工具调度。本文作为源码深潜系列的下篇，将聚焦三个关键问题：DSH 如何实现模型无关性？多 Agent 之间如何协作与隔离上下文？以及这些机制能否用 Python 浓缩成一个可运行的迷你运行时？

容错设计与错误恢复

DSH 的模型无关性并非简单的「支持多种模型」，而是通过统一的适配器协议实现。任何 LLM 提供商只需实现标准接口，就能无缝接入 DSH 生态。这一设计的核心在于标准化的 StreamChunk 词汇表——定义了六种标准化的流式 chunk 类型：block-start、text-delta、reasoning-delta、tool-call-delta、block-end 以及 usage/finish 状态。每个适配器的职责，就是将自家 API 的流式输出「翻译」成这套统一词汇表。

多 Agent 的上下文治理

在实际运行中，网络波动、限流等临时性故障在所难免。DSH 的重试策略采用了「错误码分类」的工业级设计：LlmError 携带标准化错误码（RATE_LIMIT、SERVER、TIMEOUT 等），每个 Provider 注册自己的重试策略，引擎则根据错误码决定是否重试以及如何退避。指数退避配合 ±10% 的随机抖动，能有效防止「重试风暴」——当大量并发请求同时失败时，抖动让重试时间自然分散，避免对已过载的服务造成二次冲击。

会话分叉与深度预算

单 Agent 面临的根本矛盾是：上下文窗口有限，但任务复杂度可以无限。当主 Agent 需要探索整个代码库时，如果将所有文件都读入上下文，不仅窗口会爆，噪音更会污染决策质量。DSH 的解法是「委派」——让子 Agent 拥有独立的上下文，执行完任务后只返回摘要。这种设计的精髓在于：不是将子 Agent 的历史记录倒灌回主 Agent，而是提炼出关键结论，确保主线上下文的纯净。

Python 迷你 Agent 实战

子 Agent 的会话通过「分叉」机制创建：继承父会话的前 N 条事件作为前导，同时拥有自己的独立事件流。SessionHeader 中记录了 parentSession、seedLength、delegationDepth 等元数据。值得注意的是，delegationDepth（委派深度）需要持久化——如果只在内存中计数，进程重启后子 Agent 会「忘记」自己处于第几层，递归预算控制就会失效。此外，DSH 的 subagent 本身也是一个 seam，支持多种 Provider：从同进程的 agent，到外部的 OpenAI Codex、Claude Code，甚至可以通过 ACP 协议连接远程代理。

如有侵权，请联系删除。