企业官网建设流程全解析

1. 先搞清楚 Token 到底被谁吃掉了

DeepSeek Harness 这个工具，用过的人都有一个共同感受：功能确实强，工作流编排、插件扩展、多模型调度都挺顺手，但 Token 消耗速度也是真的快。我自己的项目里，一个中等复杂度的自动化工作流，跑一整天下来账单能到几十块，刚开始还以为是模型本身贵，后来把日志拆开一看，真正被浪费掉的 Token 占了将近一半。

所以这篇文章不讲虚的，就聊一件事：怎么用官方提供的开关和配置项，把 DeepSeek Harness 的 Token 消耗压下来。我会把每个开关背后的逻辑讲清楚，告诉你为什么关掉它不会影响核心功能，以及哪些场景下必须保留。适合已经在用 Harness 跑工作流、但被账单困扰的开发者，也适合刚接触这个工具、想从一开始就养成好习惯的新手。

先说一个基本认知：Harness 的 Token 消耗分三块——系统提示词（System Prompt）、上下文注入（Context Injection）、工具调用往返（Tool Call Round-trip）。很多人只盯着模型输出，其实大头在前两块。系统提示词每次请求都会带上，上下文注入随着对话轮次线性增长，工具调用则是每调一次就多一轮完整对话。理解了这三块，后面的开关你就能对上号了。

2. 五个官方开关逐个拆解

2.1 开关一：精简系统提示词模板

Harness 默认加载的系统提示词非常长，包含工具说明、行为规范、输出格式要求、安全约束等等，实测下来单次请求的 System Prompt 部分大约在 1800 到 2500 Token 之间。这个数字看起来不大，但你要知道，每一轮对话都会重新发送一次完整的系统提示词。一个 20 轮的工作流，光系统提示词就烧掉 4 万 Token 以上。

官方在配置文件里提供了一个system_prompt_mode选项，默认值是full，可以改成compact或minimal。我建议大部分场景用compact，它会保留工具调用必需的说明，砍掉那些冗余的行为描述和示例。如果你用的是自定义插件工作流，工具集比较固定，直接上minimal也没问题。

具体操作是在 Harness 的配置文件里找到这一段：

harness: prompt: system_prompt_mode: compact include_examples: false include_safety_hints: true

include_examples这个开关特别值得关掉。默认模板里塞了大量 few-shot 示例，目的是让模型输出更规范，但如果你已经在工作流层面做了输出校验，这些示例就是纯浪费。我实测关掉之后，系统提示词从 2200 Token 降到了 900 Token 左右，降幅接近 60%。

注意：改成minimal之后，某些依赖示例引导的复杂工具调用可能会失败，建议先在小范围工作流里测试，确认工具调用成功率没有明显下降再全量切换。

2.2 开关二：关闭自动上下文注入

这是 Token 消耗的最大黑洞，没有之一。Harness 默认会开启auto_context_injection，它会做几件事：把历史对话全部带上、把工作目录的文件树注入、把最近修改的文件内容片段注入、把环境变量和配置摘要注入。听起来很贴心，实际上大部分内容模型根本用不上。

我拿一个真实项目做过对比：一个代码生成工作流，开启自动注入时单次请求上下文约 12000 Token，关闭后降到 3500 Token，而生成质量几乎没有差别。原因很简单，模型真正需要的是当前任务相关的上下文，而不是整个项目的全貌。

配置方式：

harness: context: auto_context_injection: false max_history_rounds: 5 file_tree_depth: 0 inject_env_summary: false

max_history_rounds控制保留多少轮历史对话，默认是-1也就是全部保留。改成 5 之后，超过 5 轮的旧对话会被截断，只保留最近的内容。这个设置对多轮对话类工作流影响比较大，但对单次任务型工作流几乎无感。

file_tree_depth设为 0 表示不注入文件树。如果你确实需要模型了解项目结构，可以设为 1 或 2，只注入顶层目录，别让它把整个 node_modules 都扫一遍。

实操心得：关闭自动注入后，如果某个工作流确实需要特定文件内容，可以在工作流步骤里用显式的文件读取工具来按需加载。这样 Token 花在刀刃上，而不是每次都全量注入。

2.3 开关三：工具调用结果截断

Harness 的工具调用机制是这样的：模型决定调用某个工具，Harness 执行后把结果塞回对话，再发给模型继续推理。问题在于，很多工具返回的结果非常长——比如读取一个大文件、执行一条返回大量输出的命令、查询一个数据量很大的接口。

默认情况下，Harness 会把工具返回的完整结果原封不动塞回去。一个cat一个大文件，可能就是几万 Token。官方提供了tool_result_max_tokens配置项，默认值是-1（不限制），建议改成 2000 到 4000 之间。

harness: tools: tool_result_max_tokens: 3000 truncate_strategy: tail summarize_on_truncate: true

truncate_strategy有两个选项：head和tail。head保留开头，tail保留结尾。对于日志类输出，通常结尾更重要，用tail；对于文件内容，开头往往是关键定义，用head。这个要根据你的实际工作流来选。

summarize_on_truncate是个很实用的功能，开启后，被截断的部分会先用一个小模型做摘要，再把摘要塞回对话。这样既控制了 Token，又不会丢失关键信息。不过摘要本身也要消耗 Token，所以如果你的工作流对延迟敏感，可以关掉这个选项，直接硬截断。

我自己的配置是tool_result_max_tokens: 2500，truncate_strategy: tail，summarize_on_truncate: false。实测在一个日志分析工作流里，Token 消耗从每轮 8000 降到了 2800 左右。

2.4 开关四：禁用冗余的插件预加载

Harness 的插件系统是它的核心卖点，但默认行为是所有已安装插件在会话启动时全部预加载，每个插件的描述、参数 schema、使用示例都会被注入到系统提示词里。如果你装了十几个插件，光插件描述就能占掉 3000 到 5000 Token。

官方提供了plugin_lazy_load开关，开启后插件只在被实际调用时才加载描述信息。还有一个plugin_whitelist配置，可以指定当前工作流只加载哪些插件。

harness: plugins: plugin_lazy_load: true plugin_whitelist: - file_reader - code_executor - web_search plugin_description_verbosity: short

plugin_description_verbosity有三个级别：full、short、minimal。full会带上完整的使用示例和参数说明，short只保留一句话描述和参数列表，minimal只有插件名和一句话功能概述。我建议用short，在 Token 和可用性之间平衡得比较好。

注意：开启plugin_lazy_load后，首次调用某个插件时会有一个额外的加载轮次，表现为延迟略微增加。如果你的工作流对首次响应时间要求很高，可以保留预加载但把plugin_description_verbosity调到minimal。

2.5 开关五：输出长度硬限制与流式截断

模型输出也是 Token 消耗的大头，尤其是当模型开始“自由发挥”的时候。Harness 默认不限制单次输出长度，模型可能会生成很长的解释性文字，而你真正需要的可能只是几行代码或一个 JSON。

官方提供了max_output_tokens配置，建议根据任务类型设置。代码生成类任务 2000 到 4000 足够，文本摘要类 500 到 1000，结构化数据提取类 1000 到 2000。

harness: output: max_output_tokens: 3000 stop_sequences: - "\n\n\n" - "---END---" stream_truncate: true

stop_sequences是个很巧妙的开关。你可以定义一些停止词，模型生成到这些词就自动停止。比如你在提示词里要求模型输出完结果后加一个---END---，然后把这个词设为停止序列，模型就不会再继续生成多余内容。

stream_truncate开启后，流式输出会在达到max_output_tokens时立即截断，而不是等模型自然结束。这个对控制成本很有效，但要注意可能会截断掉一些有用的尾部内容，建议配合stop_sequences一起用。

3. 组合配置实战：一个真实工作流的调优过程

3.1 调优前的基线数据

我拿一个实际在跑的“代码审查工作流”来做演示。这个工作流的功能是：读取 Git diff、分析变更、生成审查意见、输出结构化报告。调优前使用全默认配置，跑 50 次审查任务，统计数据如下：

这个消耗水平，如果按 DeepSeek 的 API 价格算，50 次审查大概要花掉十几块。对于个人开发者来说不算离谱，但如果集成到 CI 里每天跑几百次，成本就很可观了。

3.2 逐项应用开关后的变化

我按照上面的五个开关逐项应用，每应用一项记录一次数据，方便看出每个开关的实际效果。

第一步，把system_prompt_mode改成compact，include_examples设为false。单次输入 Token 从 14200 降到 11800，降了 2400。效果不算特别明显，因为系统提示词本身占比不是最大的。

第二步，关闭auto_context_injection，max_history_rounds设为 3。这一步效果显著，单次输入 Token 从 11800 直接降到 6200。因为代码审查工作流其实不需要完整历史对话，每次审查都是独立任务。

第三步，设置tool_result_max_tokens: 2500。Git diff 的输出有时候很长，截断后单次输入 Token 从 6200 降到 4800。

第四步，开启plugin_lazy_load，plugin_description_verbosity设为short。这个工作流只用了三个插件，预加载的描述从 3200 Token 降到 800 Token，单次输入降到 3800。

第五步，设置max_output_tokens: 2500，加上stop_sequences。单次输出 Token 从 3800 降到 2200。

最终数据对比：

Token 消耗降到原来的三分之一，耗时也降了将近四成。审查质量我人工抽查了 20 个结果，和调优前没有可感知的差异。

3.3 配置文件的完整参考

把上面所有开关整合到一个配置文件里，可以直接抄作业：

harness: prompt: system_prompt_mode: compact include_examples: false include_safety_hints: true context: auto_context_injection: false max_history_rounds: 3 file_tree_depth: 0 inject_env_summary: false tools: tool_result_max_tokens: 2500 truncate_strategy: tail summarize_on_truncate: false plugins: plugin_lazy_load: true plugin_whitelist: - file_reader - code_executor - web_search plugin_description_verbosity: short output: max_output_tokens: 2500 stop_sequences: - "\n\n\n" stream_truncate: true

这份配置适合大多数任务型工作流。如果你的是对话型工作流，max_history_rounds可以适当调大，比如 8 到 10，其他保持不变。

4. 常见问题与排查技巧实录

4.1 改了配置但 Token 没降下来怎么办

这是最常见的问题。我遇到过好几次，改完配置文件重启 Harness，Token 消耗纹丝不动。排查下来通常是这几个原因：

第一，配置文件路径不对。Harness 会按优先级加载多个位置的配置，项目目录下的.harness/config.yaml优先级高于用户目录的~/.harness/config.yaml。如果你改的是用户目录的配置，但项目目录下有一份覆盖配置，那你的修改就不生效。用harness config show命令可以查看当前实际生效的配置。

第二，工作流层面有覆盖。Harness 允许在工作流定义里单独指定配置，工作流级别的配置优先级最高。检查你的工作流 YAML 里有没有config_override字段。

第三，缓存没清。Harness 会缓存系统提示词和插件描述，改配置后需要清缓存才生效。执行harness cache clear再重启。

4.2 截断导致工具调用失败怎么处理

tool_result_max_tokens设得太小，会导致工具返回的关键信息被截掉，模型拿不到完整数据，要么报错要么生成错误结果。我踩过这个坑，把tool_result_max_tokens设成 1000，结果代码执行工具返回的报错信息被截断，模型完全不知道发生了什么。

解决办法是分工具设置不同的截断阈值。Harness 支持在插件级别覆盖全局配置：

harness: tools: tool_result_max_tokens: 2500 per_tool_override: code_executor: tool_result_max_tokens: 5000 file_reader: tool_result_max_tokens: 1500 web_search: tool_result_max_tokens: 3000

代码执行工具的返回结果往往包含关键报错，给大一点；文件读取可以给小一点，因为通常只需要看开头或结尾；搜索工具给中等就行。

4.3 关闭上下文注入后模型“失忆”了

关闭auto_context_injection后，模型不再自动获得历史对话和项目信息，某些依赖上下文的任务会表现变差。比如你让模型“继续修改刚才那个函数”，它不知道“刚才那个函数”是什么。

这时候不要急着把自动注入开回来，而是用显式注入的方式按需提供上下文。在工作流步骤里加一个context_provider节点，只注入当前任务真正需要的上下文：

steps: - name: provide_context type: context_provider config: include_last_n_rounds: 2 include_files: - src/target_file.py include_git_diff: true

这样比全量自动注入精准得多，Token 花得也值。

4.4 常见问题速查表

4.5 几个容易被忽略的细节

第一个细节是提示词里的冗余指令。很多人写系统提示词的时候喜欢堆砌要求，什么“请仔细思考”“请确保准确”“请一步一步来”，这些词本身不消耗多少 Token，但它们会诱导模型生成更长的推理过程，间接增加输出 Token。把提示词写得简洁直接，模型输出也会更干脆。

第二个细节是工具调用的轮次控制。Harness 默认允许模型连续调用工具，有些工作流里模型会反复调用同一个工具确认信息，造成不必要的往返。可以在配置里设置max_tool_rounds: 5，超过就强制模型输出结果。

第三个细节是模型选择。Harness 支持多模型调度，不同任务的 Token 单价不一样。简单的格式化、分类任务用便宜的小模型，复杂的推理任务再用大模型。这个虽然不算“开关”，但对账单的影响比任何开关都大。

5. 不同场景下的配置策略

5.1 代码生成与审查场景

这类场景的特点是输入以代码为主，输出结构化程度高，历史对话依赖低。配置重点放在关闭上下文注入、截断工具结果、限制输出长度上。max_history_rounds设 2 到 3 就够，tool_result_max_tokens设 2000 到 3000，max_output_tokens设 3000 左右。

代码审查还有一个技巧：把 diff 分成多个小块分别审查，而不是一次性把整个 diff 塞进去。这样每次请求的输入 Token 更少，而且模型对每块的注意力更集中，审查质量反而更好。

5.2 多轮对话与客服场景

这类场景需要保留一定的历史对话，max_history_rounds建议设 8 到 12。但要注意，历史对话里的工具调用结果往往很长，可以用history_tool_result_max_tokens单独限制历史中工具结果的保留长度，比如设 500，只保留关键结论。

系统提示词方面，客服场景通常需要保留安全提示和话术规范，用compact模式即可，不要用minimal。

5.3 数据处理与批处理场景

这类场景通常是单次任务，没有多轮对话，配置可以最激进。max_history_rounds设 0，auto_context_injection关闭，plugin_lazy_load开启，max_output_tokens根据输出格式设 1000 到 2000。批处理场景下，建议把多个小任务合并成一个请求，减少请求次数，因为每次请求都有固定的系统提示词开销。

5.4 场景配置对照表

这张表可以直接作为不同场景的起点配置，然后根据实际效果微调。

6. 监控与持续优化

6.1 建立 Token 消耗基线

调优不是一次性的工作，工作流会迭代，模型会更新，Token 消耗也会变化。建议建立一个简单的监控机制，记录每次工作流运行的 Token 消耗，定期对比。

Harness 提供了harness stats命令，可以输出最近 N 次运行的 Token 统计。你也可以在配置里开启详细日志：

harness: logging: token_usage: true log_level: info log_file: ./harness_token.log

日志里会记录每次请求的输入 Token、输出 Token、工具调用次数、各插件消耗占比。定期看一眼，能发现很多优化空间。

6.2 识别异常消耗

Token 消耗突然飙升，通常是这几个原因：某个工具返回了异常大的结果、模型陷入了循环调用、上下文注入被意外开启、插件描述被重复加载。日志里看到单次请求 Token 超过基线两倍以上，就值得排查一下。

我遇到过一次，某个工作流的 Token 消耗突然涨了五倍，查日志发现是web_search插件返回了一个超长的网页内容，没有被截断。把tool_result_max_tokens从 5000 调到 2500 后恢复正常。

6.3 定期回顾配置

建议每个月回顾一次配置，看看有没有新的开关可以用，有没有旧的配置已经不需要了。Harness 更新比较频繁，新版本经常会加入一些优化 Token 消耗的功能。关注官方更新日志，看到和 Token 相关的改动就试一下。

实操心得：把配置文件纳入版本管理，每次调整都记录原因和效果。这样过几个月回头看，能清楚知道哪些调整真正有效，哪些是无效折腾。

7. 一些不太官方但很实用的技巧

7.1 用提示词压缩工具预处理输入

如果你的工作流需要把大量文本塞给模型，可以在送入 Harness 之前先用一个轻量的压缩步骤。比如把长文档做一次摘要，把代码做一次结构提取，把日志做一次关键行过滤。这些预处理可以用规则做，也可以用便宜的小模型做，成本远低于让大模型直接处理全文。

我自己的做法是写一个简单的 Python 脚本，在 Harness 工作流的前置步骤里调用：

import re def compress_log(log_text, max_lines=100): lines = log_text.split('\n') error_lines = [l for l in lines if re.search(r'ERROR|WARN|Exception', l)] if len(error_lines) > max_lines: error_lines = error_lines[:max_lines] return '\n'.join(error_lines)

这个脚本把日志从几万行压缩到几百行，Token 消耗直接降一个数量级。

7.2 利用缓存避免重复计算

Harness 支持响应缓存，对于相同的输入可以直接返回缓存结果，不消耗 Token。开启方式：

harness: cache: enabled: true ttl: 3600 max_size: 1000

缓存对重复性任务特别有效，比如每天跑同样的检查、同样的格式化。不过要注意，如果任务输入包含时间戳或随机数，缓存会失效，需要把这类变量从缓存键里排除。

7.3 分批处理与并发控制

批处理场景下，不要一次性把所有任务塞给 Harness，而是分批处理。每批的大小根据任务复杂度定，一般 5 到 10 个任务一批。这样单次请求的上下文不会太大，而且某批失败不会影响其他批。

并发控制也很重要。Harness 默认允许并发请求，但并发太高会导致每个请求的上下文互相干扰，反而增加 Token 消耗。建议把并发数控制在 3 到 5 之间。

7.4 定期清理不需要的插件和工具

装了一堆插件但实际只用了几个，这是很常见的情况。每个插件即使不调用，它的描述也会占用系统提示词空间。定期检查harness plugin list，把不用的插件卸载掉，或者至少从plugin_whitelist里移除。

工具也是同理。Harness 内置了很多工具，但你的工作流可能只需要其中几个。在配置里显式指定enabled_tools，把不需要的关掉。

8. 最后再分享几个踩坑经验

第一个坑是过度优化。我有一段时间把max_output_tokens设得特别小，结果模型输出经常被截断，导致工作流失败重试，反而消耗了更多 Token。后来明白一个道理：优化的目标是减少浪费，不是把数字压到最低。留出合理的余量，比追求极限数字更重要。

第二个坑是忽略模型差异。不同模型对系统提示词的敏感度不一样，有的模型在minimal模式下表现很好，有的模型会因为没有示例而输出格式混乱。切换模型后要重新验证配置效果，不要直接套用。

第三个坑是配置漂移。项目跑久了，配置文件被改来改去，最后没人知道当前生效的是什么。建议把配置纳入版本管理，每次修改都提交记录，定期 review。

第四个坑是只看总量不看分布。Token 消耗总量降下来了，但某个环节的消耗反而涨了，这种情况很常见。要看分布，找出真正的消耗大头，而不是只看总数。

这些经验都是真金白银换来的，希望能帮你少走点弯路。Token 优化这件事，说到底就是搞清楚钱花在哪了，然后把不该花的地方砍掉。五个开关只是起点，真正的优化空间在于你对工作流本身的理解。