GLM 5.3：800B参数强于v4 pro，DSH三插件推荐

先来看一个有意思的小互动：

作为同时参与过DeepSeek Harness和GLM 5.3内测的用户，我最早被这款模型吸引，是因为它可以完美适配DSH框架，只需要在设置中切换模型即可。

DeepSeek Harness本身是一个极具灵活性的底层框架，用户可以通过定义和替换插件来定制专属的Agent，体验类似Arch Linux的高度可定制化。但这种开放设计也带来了一些遗憾：官方默认没有内置很多基础功能，比如无法上传文件、缺少原生的skill支持，甚至无法直接查看本地项目中的文件。

针对这些痛点，我基于GLM 5.3开发了三款插件来补全DSH的基础功能，目前使用体验相当不错。

dsh-skills

这款插件可以让DSH原生支持skill功能，能够自动索引用户过往项目中的skill文件并加载到平台中，不仅兼容.md格式，还支持完整的.skill文件格式，用户在聊天框中输入「/」就能快速呼出skill列表。

dsh-attachments

解决了DSH最让人头疼的文件上传问题——此前哪怕是最基础的图片上传都无法实现。安装后平台会显示📎图标来支持文件上传，上传的文件不仅可以直接打开，还能复制到其他对话中使用。

dsh-inspector

针对本地开发时无法直观查看生效约束文件和已索引skill的问题，开发了对应的查看工具，让用户可以清晰掌握当前环境的配置情况。

我将这三款插件都封装成了npm包，用户可以直接在终端中输入以下命令完成安装：dsh plugin --profile web add dsh-skills dsh-attachments dsh-inspector

在开发这些插件的过程中，GLM 5.3的表现给我留下了深刻印象，不仅顺利帮我实现了所有功能，还让我摸清了DSH的插件契约，甚至补充了官方文档未覆盖的第三方插件路径相关内容，比如settings.section槽注册、环回sidecar数据通道、__ModuleLoader__浏览器bundle契约、Typert RPC等。

作为长期使用GLM 5.3的用户，我可以分享一下实际体感：这款模型的综合表现处于亮眼的水平，整体弱于Fable，但比v4 pro要强，大致接近k3的水准。值得一提的是，它的参数量还不到800B，并且沿用了5.2版本的基座，仅通过针对性的后训练优化就达到了如此出色的表现，堪称模型优化的典范。

此前有用户使用该模型，消耗约300亿token生成了高仿版的泰拉瑞亚项目，足以见得这款模型在代码开发领域的强悍能力。

目前GLM 5.3已经上线了ZCode、AutoClaw以及GLM Coding Plan相关服务，对应的API也即将上线。如果后续API价格保持稳定，这款模型的口碑应该会相当不错。

不少网友都评价称，很难想象GLM 5.3仅用700多B的参数量，就能正面硬刚一众数千亿参数的大模型。