作者介绍了一种在 ChatGPT Web 端以 Chat 模式（不消耗订阅额度）接入 MCP 实现本地任务执行的方法。文章先解释了 Chat、Work、Codex 三种模式的额度消耗差异，随后介绍 OpenAI 官方的 Secure MCP Tunnel 机制，通过 tunnel-client 建立内网出站 HTTPS 连接，让云端 ChatGPT 安全调用本地 MCP Server。作者对比了 WebCodex、DevSpace、codex-with-chatgpt、Mac Developer Bridge 四种方案的权限范围与安全边界，最终选择 WebCodex，并详细演示了创建 Tunnel、生成 Runtime API Key、在 ChatGPT 开发者模式中配置 MCP App 的完整实操流程，从而在不消耗订阅额度的前提下使用 GPT-5.6 Sol 的编码与任务执行能力。
作者分析了 DSH Desktop 桌面端的整体架构：Renderer 进程负责显示 Harness WebUI，Main 进程负责窗口创建、Harness 启动、更新与配置修复，两者通过 Preload 和 IPC 通信。聊天与任务执行走独立的本地 HTTP/RPC 通道，连接 Harness Runtime 独立进程（macOS 用 Electron UtilityProcess，Windows 用自带 Node.js），仅监听本地回环随机端口。Harness Runtime 基于 Cordis 插件组合，包含 Agent Loop、Tool Registry、Session Service 和模型适配器，并扩展了 Preset 导入导出、插件市场和 PPT 生成等能力。本地数据与安装目录分离便于升级保留配置，模型 API、更新和手机接入（Mobile Bridge）等外部服务各自独立。
作者认为 DeepSeek Harness 的 WebUI 方式和 CLI 各有不足：浏览器难以管理长期运行的 Agent 会话，CLI 则在多任务时难以区分上下文。作者推荐 dataelement 社区（BISHENG 团队）开发的 DSH Desktop，一款 DeepSeek Harness 桌面端。相比其他竞品，它上手门槛低、有故障诊断与 Safe Mode、并提供企业版。作者实操演示了配置流程、PPT 一键生成、插件市场和 Agent Preset 广场等功能，并拆解了其 Electron + Harness Runtime 的技术架构：桌面宿主接管窗口、进程、更新与配置，Harness Runtime 继续负责 Agent 执行。
文章介绍了 OpenAI 发布的 GPT-6 Astra 的新特性与官方 Prompt 最佳实践。新特性包括：异步工具调用（模型层面支持执行工具时继续其他任务）、中途引导（可通过 Responses API 插话修改生成方向）、按任务难度切换推理强度并保留缓存、偏离检测（后台异步审查模型意图与行为）以及推理档位限制。Prompt 实践方面涵盖主动性执行、指令遵循（用户指令优先于 Skill）、写作风格去 AI 味、子代理委托和测试验证等场景，并给出了具体可复用的提示词示例。作者重点分析了去 AI Slop 的写作配方，认为官方 Prompt 在个性化和写作方面优化明显。
