从Electron到Tauri：实现deepseek-harness桌面应用极致瘦身打包

最近在折腾本地大模型应用时，发现一个非常有意思的项目——deepseek-harness。它本质上是一个轻量级的桌面客户端，能够让你在本地电脑上，通过一个类似 ChatGPT 的友好界面，调用 DeepSeek 等开源大模型的 API。但最让我惊喜的是，通过一些“寄生”式的打包技巧，可以将其最终产物体积压缩到难以置信的小，甚至比很多 Electron 应用小一个数量级。这对于希望快速分发、或在资源受限环境中部署 AI 助手的开发者来说，极具吸引力。

本文将手把手带你实现这个“最小体积打包”的目标。无论你是想学习现代前端打包优化，还是希望为自己的项目集成一个轻量级 AI 对话前端，这篇文章都将提供从原理到实践的完整闭环方案。我们将从 deepseek-harness 的基础安装开始，逐步深入到利用 Vite 等现代构建工具进行极致优化的实战，并解决打包过程中遇到的各种“坑”。最终，你将获得一个可以独立运行、体积小巧的桌面应用。

1. 背景与核心概念：什么是 deepseek-harness？

在深入打包之前，我们有必要先搞清楚 deepseek-harness 到底是什么，以及我们为什么要“寄生”它。

1.1 deepseek-harness 简介

deepseek-harness 是一个开源项目，你可以把它理解为一个 大模型 API 的轻量级图形化外壳（GUI Harness）。它的核心功能是：

1. 提供 Web 界面：一个与 ChatGPT 交互体验类似的聊天界面。
2. 连接后端 API：它本身不包含模型，而是通过配置，去连接诸如 DeepSeek、OpenAI 兼容 API、Ollama 等后端服务。
3. 本地运行：作为一个桌面应用，你的对话历史、配置都可以保存在本地，无需经过第三方服务器（当然，模型推理取决于你连接的 API 后端）。

它的技术栈通常是基于 Web 技术（如 React, Vue）开发，然后通过 Tauri 或 Electron 等框架打包成桌面应用。本文讨论的“最小体积”打包，主要就是针对这类基于 Web 技术的桌面应用打包过程进行优化。

1.2 “寄生”打包的含义

所谓“寄生”，在这里是一个形象的比喻，并非指病毒或恶意代码。它指的是：

• 主体：我们有一个功能完整但体积可能较大的原始项目（如标准的 Electron 打包的 deepseek-harness）。
• 目标：我们希望得到一个功能相同，但体积显著减小的应用。
• 方法：我们不从零开始重写，而是“依附”于原始项目，通过替换其打包工具链、优化依赖、裁剪非必要资源等方式，生成一个新的、更精简的构建产物。

简单说，就是 “站在巨人的肩膀上，给他换一身更合身（更小）的衣服”。

1.3 为什么追求最小体积？

1. 分发效率：更小的安装包意味着更快的下载速度，尤其对于国内用户或网络环境不佳的情况。
2. 存储占用：节省用户磁盘空间，对于预装或磁盘紧张的环境友好。
3. 启动速度：通常更小的应用包含更少的资源，启动和加载可能更快。
4. 学习价值：这是深入理解现代前端构建、打包、优化流程的绝佳实践。

2. 环境准备与版本说明

在开始动手前，请确保你的开发环境已就绪。以下是我成功实践的环境，不同版本可能存在细微差异，但核心思路通用。

2.1 基础开发环境

• 操作系统：Windows 10/11, macOS 或 Linux (本文以 Windows 11 为例)
• Node.js：18.x 或 20.x LTS 版本。这是运行前端构建工具的基础。
  BASH 复制

  1

  # 检查版本

  2

  node --version

  3

  npm --version
• 包管理工具：npm 或 yarn 或 pnpm。本文使用 pnpm，因其速度快、磁盘空间利用效率高。
  BASH 复制

  1

  # 安装 pnpm

  2

  npm install -g pnpm
• 代码编辑器：VS Code 或其他你熟悉的 IDE。
• Git：用于克隆项目代码。

2.2 目标项目：deepseek-harness

我们将以 deepseek-harness 的一个典型实现为例。你需要先获取其源代码。

重要提示：由于网络热词中出现了 deepseek-harness transport failure 等错误，请确保你克隆的仓库是活跃维护的版本。如果原项目使用 Electron，我们后续可能会迁移到 Tauri 以实现更小体积。

2.3 构建工具：Vite

我们将使用 Vite 作为主要的构建工具，替代可能存在的 Webpack 或原始 Electron 构建流程。Vite 以其极快的冷启动和构建速度，以及更现代的优化特性而闻名。

3. 核心原理：体积从何而来，又去向何处？

要缩小体积，必须先知道体积由哪些部分构成。

一个典型的基于 Electron 的 deepseek-harness 应用体积庞大的原因：

1. Electron 运行时：Electron 打包了整个 Chromium 浏览器内核和 Node.js 运行时，这是体积的大头，动辄 100MB+。
2. 应用代码与依赖：前端 React/Vue 代码及其 `node_m