DeepSeek 开源的DeepSeek Harness（DSH）有多火，相信已经不必多说。

8月13日开源当天就拿下3万Star，第二天冲到8万，截至今天，这个数据已经被刷新到了19万的数量。

这也意味着Deepseek Harness在未来一段时间或许会成为行业内一个非常主流的Agents Infra标准。

那向量数据库能不能也变成一个即插即用的Agent能力，加入Deepseek Harness生态呢？这是我做 DSH Milvus插件的初衷。

代码已被收入开源在： https://github.com/zilliztech/dsh-milvus

descript

本文主要分享我的开发心得以及部分实战成果。

01

DeepSeek Harness的 Everything is a Plugin有什么价值？

DeepSeek 开源 DeepSeek Harness（DSH）之后，有一句话几乎贯穿了整个项目：

Everything is a Plugin，一切皆插件。

模型可以是插件，文件系统可以是插件，工具可以是插件，连驱动 Agent 一轮一轮工作的主循环也可以做成插件。

听起来似乎并没有彻底脱离过去我们所说的Agent开发中的插件概念。但传统 Agent Framework 框架本身通常还有一个相对固定的核心：Agent Loop 怎么跑、文件系统怎么访问、Session 怎么管理、Tool 怎么注册，这些东西大多属于框架的一部分。

DeepSeek Harness 往前走了一步。

它底下用了 Cordis 这样一个微内核，内核本身主要负责插件的加载、卸载、依赖和服务协作，Agent 真正使用的能力则尽可能交给 Plugin 提供。模型适配是 Plugin，文件系统可以是 Plugin，工具是 Plugin，Skill 是 Plugin，连驱动 Agent 不断观察、思考、调用工具的 Loop 也可以被替换。

深度的软件架构解耦，带来的是更灵活更极简的能力搭配。

比如文件访问。今天 Agent 读的是本地目录，明天如果把底层实现换成远程 Sandbox，只要上层暴露的是同一套能力，Agent 并不需要知道文件究竟存在本机、Container，还是一台远程机器上，能力替换就已经完成。

descript

Milvus 也是同样的道理。

我不需要修改 DeepSeek Harness，让它原生支持 Milvus，就只要按 DSH 的插件接口提供一组 Milvus 能力，Agent 就多出了访问数据库的工具

descript

02

为什么做成 plugin？

去要想让Agent能够查询Milvus，无非就是两条路：用 MCP 接一个 Milvus server，或者写 skill 让模型自己驱动查询。

技术上实现不难，但是繁琐流程不少。Agent 不会凭空获得一个 Python 函数。你首先要把数据库操作包装成 Tool，定义 Tool Schema，告诉模型有哪些参数，再注册到 Agent Runtime。

Milvus 的 Endpoint、Token 和 Database 要有人管理；参数要校验；返回结果要转换成模型可以消费的格式；一次查询允许拿多少数据、哪些字段能读、哪些操作不允许执行，也都需要单独定义。

再往生产环境走一步，还有权限和可观测性的问题。Agent 能不能 Insert？能不能 Delete？Token 会不会出现在上下文里？

一个真正可用的 Agent-to-Database Integration，实际更接近：

descript

这里面最简单的部分，反而是最后的 client.query()。

也是因此，我没有把对 Milvus 的调用做成一个 Skill。因为Skill 很适合沉淀知识和策略。比如告诉 Agent：“面对一个陌生 Collection，不要先猜字段，应该先 Describe Schema”；或者“查询生产数据时尽量控制返回量”。这些都是经验，可以写成文字让模型遵循。

但数据库真正需要的，还有另一层东西：执行边界。

假设我在 Skill 里写：

一次不要查询超过 50 条数据。

不要删生产数据。

它本质上还是一条给模型看的指令，而模型是会有幻觉的。

而 Plugin 可以直接把 limit 的最大值写成 50，不暴露Delete Tool，模型想查 5000 条，或者想删数据，也没有这个能力。

descript

因此第一版 Milvus Plugin，我会先把能力做得很小。目前只提供核心只读工具：列出 Collection、查看 Collection Schema、执行 Scalar Query，Semantic Search， Hybrid Search。；Insert、Upsert、Delete、Create / Drop Collection、Schema 修改等写操作统统没有开放。

Token 也不交给模型自己处理，而是进入 DSH 的 Credentials。如此一来才能与skill形成清晰的分工，Skill责知识与策略， Plugin负责执行与边界。

此一来才能与skill形成清晰的分工。 Scale负责知识与策略，protein负责执行与边界

03

实战教程：从安装 Plugin 到 Agent 查出第一条 Milvus 数据

本次实战的目标是启动 DeepSeek Harness，装上 Milvus Plugin，连接本地 Milvus 或 Zilliz Cloud，然后让一个对数据库完全没有先验知识的新 Session，自己完成相关的后续操作。

一切开始前，先用本地用 Docker 起一个 Milvus Standalone。

地址默认 http://127.0.0.1:19530；用 Zilliz Cloud 就填它的 HTTPS 地址和 token。

接下来准备环境。

DSH Web 需要 Node.js 22.19+，我建议直接使用 Node.js 24。终端里先确认版本：

node --version

然后安装和当前 Plugin 匹配的 DSH CLI：

npm install -g @deepseek-ai/dsh@0.1.0-rc.7

确认 CLI 可以正常使用：

dsh --version

接下来安装 Milvus Plugin。因为这次使用的是 DSH Web，所以 Plugin 要装进 web Profile：

dsh plugin --profile web add @zilliz/dsh-milvus

安装完成后启动：

dsh web --port 3080

浏览器打开：

http://127.0.0.1:3080

如果此前 DSH Web 已经在运行，装完 Plugin 后重启一次。Plugin 是在 Web Runtime 启动时加载的，终端显示安装成功，但旧进程没有重新加载，是“插件装了但 Settings 里看不到”的常见原因。

接下来配置数据库。进入：

设置 → 插件 → Milvus for DSH

创建 Profile：

本地 Milvus：填写 endpoint，例如 http://127.0.0.1:19530；Database 通常为 default。

Zilliz 有三种集群模式：free、Serverless、dedicated（有Database）

填写 HTTPS endpoint、Zilliz Cloud token，Database默认为空（free、Serverless无需填写）否则查询报错

Zilliz Cloud Profile 配置

descript

本地MilvusProfile 配置

descript

配置完成之后依次点击：

Create profile → Test connection → Use for new sessions

然后，你也可以进行一些具体的collection搜索的配置，比如用的哪个embedding模型，hybrid search的一些相关参数的配置等。

descript

这里有一个细节很重要：Profile 是绑定新 Session 的。如果已经开着一个聊天，然后去 Settings 把 Local Milvus 换成 Zilliz Cloud，原来的 Session 不会自动切过去。修改完 Profile 后，直接新建一个聊天最稳妥。

现在让 Agent 第一次进入这个数据库。

我建议第一句话不要直接写 Query，直接写：列出 Milvus 的 collection

descript

Agent 会调用 milvus_list_collections。这一步看起来简单，其实已经验证了 DSH、Plugin、Profile、Credential 和 Milvus 整条链路。更重要的是，Agent 第一次知道了这个数据库里到底存在什么，而不是靠用户把 Collection 名字提前塞给它。

假设结果里出现：

hybrid_code_chunks_d0f16d93

第二句话继续问：

描述 hybrid_code_chunks_d0f16d93

这次 Agent 调用 milvus_describe_collection，拿到 Collection 的真实 Schema，包括有哪些字段、字段类型是什么，以及相关 Collection 信息。

descript

有了 Schema，第三步再让它真正读取数据：

查询 hybrid_code_chunks_d0f16d93，返回 id、relativePath、startLine、endLine，最多 3 条

descript

Agent 会调用 milvus_query，按照刚才读到的真实字段发起 Scalar Query，然后把三条数据返回到聊天里。

你也可以使用语义搜索来进行语义相似的内容查询，

在collection里，帮我搜搜记录了哪些北京美食信息？

descript

Agent 会调用 milvus_search，通过语义相似，对相关的查询的内容进行召回。

最后，在轨迹中查看插件调用

刚才几轮里，应该能看到 Agent 依次调用：

milvus_list_collectionsmilvus_describe_collectionmilvus_querymilvus_search

descript

写在最后

尽管已经有了19 万 Star ，但Deepseek Harness依然是一个很早期的项目。

但在这背后其实是一个很有意思的话题，未来将是最强模型吞掉软件，还是Agent吞掉模型？

如果相信后者，也就意味着模型能力会逐渐趋同，Agent系统长期需要积累的除了 prompt之外，还需要关注它拥有哪些 Capability，以及这些 Capability 如何被安装、复用和治理。Deepseek Harness是个不错的打样。

插件地址：https://github.com/zilliztech/dsh-milvus/

Milvus：https://github.com/milvus-io/milvus

Zilliz-Cloud：https://cloud.zilliz.com.cn/