DeepSeek Harness入门：Agent、Skill、MCP与插件全解析

在AI工具层出不穷的今天，DeepSeek Harness作为一款本地AI助手框架，让很多新手困惑：Agent、Skill、MCP和插件到底有什么区别？B站UP主通过一个生动的实测和比喻，把这四个概念讲得明明白白。本文基于该视频内容，结合多源视角，为你拆解这些核心概念。

一个比喻：AI是新来的助理

UP主把AI想象成一个新来的助理，这个比喻贯穿始终：Agent是能自己动手干活的助理；Skill是交给助理的一本操作手册；MCP是给助理接上的一件工具；插件则是给整个办公室（Harness）装修。

这个框架之所以有效，是因为它对应了四个不同层面的扩展方式。下面我们结合实测数据逐一展开。

Agent：自己想办法干活的助理

在网页上跟AI聊天，它只能动嘴给你出主意；而装在电脑上的DeepSeek^广告 Harness，能让AI自己动手去做。

UP主做了个对比实验：什么都不装，直接问“明天下午北京到上海的高铁还有没有二等座”。AI先写命令去查12306，失败了；换成抓网页，报错；再换个说法去搜，前后试了20多次，最后从去哪儿网读到了余票。它自己想办法一次次试，直到把事办成——这就是Agent，只是手里什么都没有，硬试了快5分钟。

这里的关键在于：Agent具备自主规划和执行能力，但缺乏领域知识和专用工具时，效率会非常低。这也引出了后面三个概念的必要性。

Skill：用到才翻开的操作手册

第二个实验是Skill。UP主把一个查12306的Skill链接发给AI，AI自己就装好了。装好的东西就是一个文件夹，里面一个说明文件加一个脚本。说明文件上面是名字和一句简介，下面一步步写着该运行哪个脚本、参数怎么填。

平时助理桌上只放手册的封面，就是那一句简介；等你问到车票，他才把手册翻开，照着手册跑脚本。结果35秒直接从12306查到了。

Skill的本质是封装好的领域知识和操作流程，按需加载。它不常驻内存，只在相关任务触发时才展开细节，因此对上下文的占用很小。

Skill 的「按需加载」依赖的是渐进式披露（progressive disclosure）机制：系统启动时只把每个 Skill 的名称和一句话简介放进上下文，相当于目录页；只有当模型判断当前任务与某个 Skill 相关时，才进一步读取该 Skill 的完整说明文件和附带脚本。这种设计直接对应了大语言模型的上下文窗口限制——上下文越满，模型注意力越容易被稀释，推理成本也越高。因此 Skill 把「能力」与「知识细节」分离，用极小的常驻开销换取可无限扩展的技能库。文中实测的每句仅多 28 token，正是这一机制的直接体现；而 Skill 以文件夹形式存在（说明文件加脚本），也意味着它可以被版本管理、分享和复用。

MCP：统一接口的常驻工具

第三个实验是MCP（Model Context Protocol）。UP主用同一个作者做的MCP版，同样发链接让AI接上。接好以后，它是一个在后台一直开着的小程序，Harness随时能调用它的工具。它带来了8个工具，名字都以mcp和12306开头。再问车票，AI直接拿起工具，18秒就查好了。

MCP的优势在于接口统一，同一件工具各家AI软件都能直接插上用。但代价也很明显：工具一直摆在桌上，每问一句话，这些工具的说明都要一起带上。UP主实测，装Skill每句只多带28个token，接MCP多带2696个token。这些大多能命中缓存，花不了几个钱，但会一直占着上下文，桌子越摆越满。

MCP（Model Context Protocol）是由 Anthropic 于 2024 年底提出并开源的协议，旨在为 AI 应用与外部数据源、工具之间建立一套标准化的通信方式。在 MCP 出现之前，每款 AI 客户端接入某个工具（如数据库、日历、代码仓库）都需要单独开发适配层，生态高度碎片化；MCP 则把「工具提供方」与「工具使用方」解耦，任何支持该协议的客户端都能即插即用地调用同一批 MCP Server 暴露的能力。其通信通常基于 JSON-RPC，支持本地进程（stdio）与远程服务（HTTP/SSE）两种传输方式。正因如此，文中才会强调 MCP「接口统一、各家 AI 软件都能直接插上用」，同时也解释了为什么工具描述需要随每次请求一并注入上下文——这些元数据是模型判断「何时该调用哪个工具」的依据。

插件：改造整个Harness的装修

第四个概念是插件。插件改的不是助理，而是整个Harness，就像给办公室装修。UP主举例：左下角那一块余额和花费，就是一个费用插件加上去的；把它关掉，这一块马上没了；再打开又回来了。子智能体、智能体团队也都是插件。插件还能把Skill和MCP打包一起装。

这意味着插件的作用域最大，可以改变Harness的界面、功能模块，甚至整合其他扩展类型。对于想要深度定制工作流的用户，插件是最高层级的扩展方式。

在 Harness 这类本地 AI 助手框架中，插件系统通常通过注册钩子（hook）和扩展点来实现：插件可以在启动时注入新的 UI 组件、注册新的命令或子智能体、拦截并修改消息处理流程，甚至声明对其他 Skill 或 MCP Server 的依赖并一并加载。这与 Skill、MCP 的关键差别在于作用层级——后两者扩展的是「AI 能做什么」，插件扩展的是「宿主程序本身长什么样、怎么运转」。因此插件往往拥有更高的权限，也需要更高的信任成本，安装第三方插件时应留意其来源与权限范围。文中提到的余额显示、子智能体、智能体团队，都是插件在 UI 层与运行时层扩展能力的典型例子。

四者对比与选择建议

把四个词连起来看：Agent是干活的助理，Skill是给他的手册、用到时才翻开，MCP是给他接的工具、一直摆在桌上，插件是给Harness装修。

概念	作用对象	加载方式	上下文开销	适用场景
Agent	AI本身	自主执行	低（无额外工具）	通用任务，但效率低
Skill	AI的能力	按需加载	极低（约28 token/句）	特定领域任务，如查票
MCP	AI的工具	常驻后台	高（约2696 token/句）	需要统一接口的多工具场景
插件	Harness	常驻或开关	取决于实现	界面定制、功能整合

UP主给出的实用建议是：同样的功能有Skill版的，先装Skill，桌上更清爽。对于普通用户，优先使用Skill可以减少上下文浪费；当需要跨AI软件复用工具时，再考虑MCP；插件则适合想要深度定制Harness的老手。

这个比喻框架虽然来自单一UP主，但清晰地揭示了不同扩展方式的权衡。随着DeepSeek Harness生态的发展，理解这些概念能帮你更高效地配置自己的AI助理。