DeepSeek Harness实战:从构建翻译Skill 到省 Token,译者的效率工具箱

Lv.4 核心创作者
在翻译工作中,我们常被术语不统一、记忆库调用麻烦、格式还原困难等琐事拖慢进度。DeepSeek Harness(以下简称 DSH)提供了一套灵活的工具链,让这些重复劳动可以自动化完成。
上次我们了解了DeepSeek Harness的安装、配置和应用的方法,今天我从实战出发,分享几个马上就能上手的技巧,希望对大家有启发。
- 快速访问:全局安装,告别反复拉取
如果你是临时体验,通常用 npx 一行命令启动:
npx @deepseek-ai/dsh web
但如果已经完成安装、打算长期使用,更推荐全局安装,避免每次都用 npx 临时拉取,提升启动速度:
npm install -g @deepseek-ai/dsh
全局安装只需一次。之后直接在命令行输入:
dsh web
就能打开 Harness 的网页版,不用再敲一长串 npx 命令。想中止运行时,在命令行按下 Ctrl+C 即可。
图1:dsh web 命令启动 Harness 网页版
- 在 Harness 里创建 Skill:用大模型写一个翻译技能
Harness 的一个亮点,是能借助 DeepSeek-V4-Flash 快速创建 Skill。比如,我们可以输入这样的提示词:
“帮我创建一个翻译 Skill,可以让 deepseek-harness 使用:先读取原文本,思考推理,理解原文的主题、风格和用词特点;然后拆分句子,加载工作区的术语库、翻译记忆库;对于记忆库中与待译句匹配度达到 70% 以上的句子,优先采用记忆库译文,否则交给大模型翻译。”
图2:让 Harness 创建技能
Harness 会先分析 DSH Skill 的存放结构和工作方式,再帮你梳理 Skill 的格式、存储位置以及需要的字段信息——包括名称、功能描述,确认工作区,以及要调用的翻译记忆库和术语库文件名。
图3:Harness 分析出的 Skill 格式与存放规则
最终,一个结构清晰、步骤明确的翻译 Skill 就建好了。它完整模拟了 CAT 工具的流程:读取文本、理解原文、拆分句子、加载术语库与记忆库、计算句子相似度,最后交给大模型翻译并做质量检测。
图4:自动生成的翻译 Skill 及其七步流程
有一点需要特别留意:拆分后的句子还需要还原,过程中可能会丢失原文格式。如何在保留原文格式的前提下做到准确翻译,仍是值得继续探索的方向。
顺着 Harness 提示的位置,我找到了名为 translation-assistant 的 Skill。打开这个 md 文件后发现,它不仅流程清晰,还顺带支持了翻译字幕的功能。
图5:translation-assistant 技能源码
我个人测试的一个新年贺词的翻译结果:
图6:translation-assistant 技能应用结果
当你经过与Harness多次会话,积累了素材和一些缓存,最终实现了自己的目标,就可以把它的实现过程写成一个Skill,以便下次复用。
图7:对话过程转为term-extraction skill方法
最终,通过建立技能库,我们实现了提示词的复用,下次调用时只需要给出要求,如:读取term下的XX文件,提取其中的术语即可得到xlsx格式的术语库。
图8. term-extraction技能内容和调用方法
- 分享与迁移:写好 Skill 怎么搬到别的电脑
当 Skill 打磨好,想分享给同伴,或换一台电脑继续用,该怎么做?最简单的办法,是向 Harness 提问,找到 Skill 的存放地址。这里以“语法纠错”Skill 为例:
先找到 Skill 的安装目录,新建一个 grammar-checker 目录,路径如下:
C:\Users\mi\.dsh\skills\grammar-checker\
把写好的 SKILL.md 放进去,文件包含 frontmatter 和正文两部分。然后刷新页面、重开会话即可——DSH 每次会话都会重新扫描技能根目录,无需重启服务。
完成后,Web GUI 的技能列表里就会出现这个 Skill。只要在对话中提到“帮我纠错”,它就会自动加载;你也可以直接说加载 grammar-checker 技能来手动调用。
如果是迁移到其他平台,直接把 SKILL.md 上传即可。例如在 WPS 灵犀中,通过【技能】→【我的技能】→【上传技能】就能完成 Skill 的跨平台迁移。
图9:在 WPS 灵犀中通过“上传技能”完成跨平台迁移
- 节省 Token:把每一分额度花在刀刃上
DeepSeek 的 API 调用费用将于 2026 年 8 月 17 日调整,错峰时段(空闲时段)使用费用约可降低 50%。以 DeepSeek-V4-Flash 为例,高峰时段输入 3.0 元/百万 token、输出 9.0 元/百万 token,而空闲时段只需一半。只要避开高峰,成本会明显下降。
图10:DeepSeek-V4 API 新定价(高峰 vs 空闲时段)
除了错峰,还有三个实用技巧:
按任务复杂度选模型。简单任务用 DeepSeek-V4-Flash,复杂任务再切换到 DeepSeek-V4-Pro,能有效减少 token 支出。
提升缓存命中率。每次任务都可在 workspace 中新建一个文件夹,任务运行成功后,会保留一个 py 文件和一些缓存。下次使用相同提示词时,系统会优先检查缓存,一旦命中就能大幅减少 token 消耗。缓存命中率越高,重新计算的Token越少,调用成本自然也越低。
均衡多家模型。通过【设置】→【模型】添加其他平台的模型,比如 xiaomi、zai(智谱清言)、qianwen 等,充分利用各平台的免费额度,减轻对 DeepSeek API 的依赖。
图11:在模型设置中管理多个提供方
- 添加其他平台模型:扩充你的模型池
打开 Harness 的设置,找到【模型】,点击【添加提供方】。
图12:点击添加模型提供方
在弹出的列表里定位到合适的模型,这里我们选择 zai,也就是智谱清言的 API。
图13:在提供方列表中选择 zai(智谱清言)
接着进入 bigmodel.cn 申请智谱清言的 API Key,填入Harness的【API 密钥】栏,点击保存即可。
图14:在智谱 BigModel 平台复制 API Key
- 写在最后
以上就是我在使用 DeepSeek Harness 过程中积累的一些小技巧,涵盖了全局安装、Skill 的创建与迁移,以及如何节省 token、配置多模型等实用环节。
工具的真正价值,终究取决于它能否自然融入日常工作流,并真正发挥作用。如果你在翻译过程中也频繁遇到重复性操作,不妨试试 DeepSeek-Harness,相信它能在效率和译文质量上带来切实的提升。
在这个过程中,我们已不仅仅是单纯的译者,更是在设计翻译流程、评估译文质量、统筹翻译项目。“人机协作、融合共创”必将成为未来翻译工作的重要范式。
如果你也有自己的心得,欢迎在评论区交流。
推荐阅读:
✅2026年和2025年文章列表