阿里云 ECS 从零部署 DSH 并装上 dsh-agency-agents 专家库

简介: 本文详解在阿里云ECS上部署社区版DSH专家库(dsh-agency-agents)的完整流程,涵盖镜像选择、安全组配置、Node版本要求、SSH隧道访问及四大典型安装坑(如插件未注册、配置未生效、依赖误判、PowerShell乱码),强调非官方支持属性与云上最佳实践。(239字)

在阿里云 ECS 上把 DeepSeek Harness(DSH)跑起来,再装上社区维护的 dsh-agency-agents 专家库,步骤不长,麻烦的是云上独有的几件事:出网、安全组、Node 版本、Web 端口怎么安全访问。这篇按操作顺序走一遍,并写清楚装机阶段最容易踩的四个坑。先说明定位:它是社区维护的 DSH 插件,并非 DeepSeek AI 官方产品;插件概览可以先看 DeepSeek Harness Hub 插件清单。

实例规格与镜像怎么选

单实例自用(一到三人)2 vCPU / 4 GiB 就够;同一实例还要跑构建和浏览器回归的话,建议 4 vCPU / 8 GiB 起步,系统盘 40 GiB ESSD,避免依赖目录与 ~/.dsh 把盘写满。

镜像优先 Alibaba Cloud Linux 3 或 Ubuntu 22.04 LTS。注意 Node 有硬要求:^22.19.0 || >=24.0.0,镜像自带版本偏低时用 nvm 装到 22 LTS,不要拿旧版本硬跑。只装 npm 包不需要额外 pnpm install,从源码安装才需要 pnpm。

安全组、出网与带宽

安全组入方向建议只放行 22,并把源 IP 限制到公司出口或跳板机;DSH Web 端口不要直接对公网开放,改用 SSH 隧道:

本地浏览器打开 http://127.0.0.1:8787 即可访问。出方向至少要能访问 npm registry;没有公网 IP 的实例走 NAT 网关,或把 --registry 指向内网可达的镜像源。带宽按量计费时,升级前先看一眼流量。

安装与校验

用官方 registry 装最新版(不要写死小版本号):

装完立刻验一遍配置,不要急着重启:

配置输出里必须同时出现 agency-agents 与 agency-agents-remote,确认之后再重启 DSH Web 并做一次浏览器硬刷新。下面四个坑基本都集中在这一段。

坑一 · 手工拷贝 client 文件,设置页里看不到专家入口

现象。 插件看起来「装上了」,但设置页里找不到专家入口,输入框也没有 Experts 选择器。

原因。 手工复制 client 文件绕过了 dsh plugin add,而设置页需要挂载的 Remote 服务——文件在,服务没注册。

解决。 走正规安装:dsh plugin --profile web add <包名或本地目录>。就地安装时用 add .,它会读取 package metadata 与 cordis.patch.yml,不要直接拷 lib。

坑二 · 装完重启了却仍不生效

现象。 命令成功返回,DSH Web 也重启了,界面却没有任何变化。

原因。 只装不验。配置没有真正落进当前 profile,重启多少次都一样。

解决。 先跑 dsh --profile web --dump-config,确认输出含 agency-agents 与 agency-agents-remote;确认无误后再重启 DSH Web,并做浏览器硬刷新。

坑三 · 装到一半报 unmet peers

现象。 安装中途报 unmet peers,看上去像依赖树坏了。

原因。 禁用 auto-install-peers 的 profile 可能报 unmet peers;严格的 peer 检查也可能阻断安装。这类提示不一定代表运行时真的坏了。

解决。 检查宿主版本与浏览器模块可用性,不要只凭 npm 依赖树断定运行时失败;必要时对照支持版本白名单调整 profile 的 peer 策略。

坑四 · PowerShell 里输出乱码

现象。 在 PowerShell 里跑 dsh plugin … 与 --dump-config,输出是乱码,无法判断是否装成功。

原因。 终端默认代码页不是 UTF-8。

解决。 先把 [Console]::OutputEncoding 与 $OutputEncoding 设成 UTF-8,再执行命令:

云上目录与备份

插件配置与 profile 数据落在宿主侧的 ~/.dsh 下;自定义专家数据存在 DSH 设置的 agency-agents 命名空间里,在插件目录之外,所以升级插件不会清掉它。仍建议把 ~/.dsh 纳入 ECS 快照或定期同步到 OSS,尤其在换镜像、换实例规格之前。一条边界要记住:恢复自定义数据与回滚插件代码是两件独立的事。

总结

ECS 上部署这件事,工程量不在安装命令,而在云侧三件事:镜像里的 Node 要满足 ^22.19.0 || >=24.0.0、安全组别把 Web 端口裸放公网、装完必须用 --dump-config 验证再重启。把这几步做扎实,DeepSeek Harness Hub 插件清单 里其他插件的安装逻辑也能照这个流程套用。

适合与不适合

适合:已有 ECS 并希望把 DSH 固定成云端常驻服务的团队;需要多人通过 SSH 隧道访问同一实例的小团队;想先把安装链路验证清楚再上生产的运维同学;已把 ~/.dsh 纳入备份策略的环境。

不适合:期望专家自动层层派活的场景,它不支持递归委派;宿主版本随意升级的环境,支持版本是白名单,更早的 0.1.6 / 0.1.7 alpha 不受支持;需要官方支持的场景,它是社区维护插件,安全扫描结论也请如实看待——静态扫描标记为「含敏感能力」、共 11 处证据、尚无人工评估。

标签:专家智能体库、DeepSeek Harness、阿里云 ECS 部署、运维实践

本文由 DeepSeek Harness Hub 自动整理,数据来源于插件详情页。

目录
相关文章
|
22天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9309 29
|
9天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
21天前
|
人工智能 测试技术 API
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
Jev是TypeSafe AI推出的“系统一模型”,不生成文本,专做毫秒级结构化决策:Choice(多选)、Score(打分)、Noul(是非概率)。响应快193倍、成本低444倍,适合工单路由、内容审核、测试定级等高频判断场景。
2439 4
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
|
7天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
609 1
|
2天前
|
存储 缓存 测试技术
QWT 3D 模块重构记:旧渲染管线改进介绍及实时瀑布图示例
QWT 3D模块完成重大重构:解耦窗口与图形(Plot+Item),摒弃OpenGL 1.x固定管线,迁至Core Profile着色器渲染;支持多图元同场景叠加,并以实时3D瀑布图验证——滑动窗口、固定色域、64帧×256点达61fps。兼容Qt 5.12+/6,LGPL协议。
154 120
|
10天前
|
人工智能 Linux Windows
千问办公(QwenWork)官网入口:其实有2个,一个是网页端千问办公,一个是介绍指南页面
千问办公(QwenWork)是阿里云推出的AI智能办公平台,支持网页端直接使用及Windows/Mac/Linux客户端下载。提供PPT生成、财报分析、网页搭建等AI功能,个人版免费,企业版198元/席/月。详情见官网qwenwork.cn或阿里云产品页。
1170 0
千问办公(QwenWork)官网入口:其实有2个,一个是网页端千问办公,一个是介绍指南页面
|
14天前
|
Windows
【保姆级】.NET Framework 3.5离线安装教程(2026最新实测)
.NET Framework 3.5是微软经典运行库,专为兼容老软件、老游戏设计。Win7自带,Win10/11需手动启用(在线或离线安装)。它与4.x系列并存不冲突,缺它会导致“找不到组件”报错。本文详解两种安装方式及常见问题解决,小白也能轻松上手。(239字)
1767 0
|
4天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
384 0