本文介绍了 DeepSeek Harness（DSH）的三大进阶玩法：一是斜杠命令，包括 /compact 压缩上下文、/export 导出对话、/goal 设置长期目标、/plan 计划模式等内置命令及自定义命令方法；二是给 AI 提供工具，讲解了工具、插件与 Skill 的区别，如何通过 MCP 协议接入现成服务，以及利用创造模式让 AI 临时生成工具；三是打造多 Agent 军团，介绍了 subagent、workflow、ralph 等内置派活工具和后台管理工具，实现任务的拆分、并行与迭代审视。
作者盘点了 DeepSeek Harness 生态中社区评分最高的 TOP 10 必备插件，包括插件市场入口 dsh-market、视觉扩展 modlens、界面全家桶 dsh-web-ui、VS Code 风格侧边栏、@ 文件引用、原生桌面端、多源搜索、跨会话记忆 OpenViking、费用看板和本地知识库精读等。并给出新手三步走建议：先装市场、视觉和界面插件，再按需补齐搜索与记忆能力。文末附上全部插件的 GitHub 仓库与一键安装命令。
作者介绍了其开源项目 k8e-sandbox 的沙盒服务实现。该沙盒基于 k8s 分布式架构，目标场景是一台笔记本跑 agent harness、一台远程服务器跑沙盒。文中详细演示了在 AWS 2C/2G 低配机器上一键安装 k8e、配置域名与 EIP、创建 API key、通过 k8e-sandbox-cli 与 DeepSeek Harness（DSH）联通，并在沙盒内运行网页并通过 Gateway/HTTPRoute 对外暴露 URL 的完整流程。沙盒内置 gvisor 实现用户态内核隔离，安全性接近 KVM 虚拟机。作者认为 agent infra 仍有大量工作要做，希望个人开发者拥有自己的工具箱。
本文是 Anthropic 官方博客《The AI-Native SDLC Playbook》的中文译介，作者 DUOROU LIU。文章指出当 AI 让代码编写不再是瓶颈时，传统软件开发生命周期（SDLC）的审批、评审和交接环节反而拖慢效率。AI 原生 SDLC 保留原有控制目标，将 AI 智能体嵌入计划、设计、开发实现、测试、部署和维护六个阶段，形成持续循环：各阶段以版本控制的产物（intent.md、spec.md、plan.md、代码差异、评审结果）衔接并自动触发下一阶段，人的判断保留在关键节点。文章详细介绍了各阶段的具体实施步骤、治理考量和衡量指标。
文章探讨agent harness在长时任务中的关键作用。原始模型本身是无状态的，没有持久执行循环，agent harness为模型提供执行系统，包括模型循环、MCP工具连接、技能、沙箱执行、子代理、上下文压缩、审批检查点和持久会话等能力。作者以开源项目TrueForge为例，演示构建一个网页研究agent：通过MCP接入Exa搜索，启用web-artifacts-builder技能，在沙箱中执行代码。文章还讲解渐进式披露策略，避免大量工具定义占用模型上下文窗口，强调开源harness在agent工程中的重要性。
作者为爆火的 DeepSeek Harness（DSH）开发了 Milvus 向量数据库插件 dsh-milvus 并开源。文章解析了 DSH 'Everything is a Plugin' 的微内核架构价值，说明为何将 Milvus 集成做成 Plugin 而非 Skill：Plugin 可硬性限制执行边界（如只读操作、limit 上限），避免模型幻觉带来的风险。文中还给出从 Docker 启动 Milvus、安装 DSH CLI 与插件、配置 Profile 到让 Agent 完成列表、Schema 描述、Scalar Query 和语义搜索的完整实战教程。
文章介绍了 Harness Engineering（脚手架工程）这一编码智能体领域的重要趋势。作者以 OpenAI 团队用 Codex 零手写代码交付产品的实验为例，说明开发者的角色从编写逻辑转变为设计智能体运行环境：包括设置严格的沙箱边界、构建自动修复循环、以结构化仓库代替冗长指令。文章用 Google ADK 2.0 和 Antigravity SDK 的代码示例演示了如何实现沙箱限制、测试验证节点、无限循环的 kill switch，以及用图工作流将代理与测试节点连接成自主修复系统。
作者花一周时间将开源的 Deepseek Harness 与 Claude Code 在自己的 AI 操作系统中进行对比测试，包括建网站、知识库搜索、分析工作簿等真实任务。结论是 Deepseek Harness 速度更快、免费开源、一切皆插件、可高度定制，但作为开发者预览版仍有 bug、上下文丢失和视觉验证弱等问题。作者倾向于用它做快速研究和低成本溢出工作，而深度或客户级交付仍更信任 Claude Code。
DeepSeek Harness（DSH）是 DeepSeek 官方开源的 AI Agent 运行环境，核心理念是「一切皆插件」。文章介绍了如何在 GitHub 和社区清单中发现优质插件，并推荐了多款热门插件：包括让模型理解图片的 ModLens、扩展搜索源的 ModSearch、可操作真实 Chrome 浏览器的 dsh-browser、支持多 Agent 协作的 Agent Teams、插件市场 dsh-market、界面全家桶 dsh-web-ui、侧边栏增强、上下文可视化和生成式 UI 等，帮助用户扩展 DSH 技能并提升使用体验。
本文是 DeepSeek Harness（DSH）的服务器部署保姆级教程。作者首先介绍了 DSH 的火爆程度和插件生态，然后指出默认只能本机访问的痛点，引出服务器部署的需求。教程详细讲解了从准备云服务器、安装 1Panel 面板、开放防火墙端口、安装 DSH、配置模型到域名绑定的完整流程，并解释了为什么选择服务器部署而非 Serverless 平台，最后介绍了局域网部署方案和相关插件。文章旨在帮助读者实现 DSH 的远程访问、多设备同步和团队协作。
本文是DeepSeek Harness的首发实测与入门教程。作者详细介绍了Harness的安装配置过程，并通过四个实际任务（制作PPT、开发网站、项目分析、自造插件）展示了其强大功能。文章记录了每个任务的耗时、token消耗和费用，并分享了实测感受与插件玩法，最后给出了对Harness未来价值的看法。
本文介绍了 DeepSeek Harness 生态中必装的 10 个插件，包括 ModLens（图像理解）、dsh-web-ui（Web UI 全家桶）、dsh-better-sidebar（Codex 风格布局）、dsh-TUI（终端界面）、deepseek-harness-desktop（桌面客户端）、dsh-at-file（@文件引用）、dsh-agent-teams（多 Agent 团队）、dsh-plan-execute（规划与执行分离）、dsh-context-doctor（Token 分析）和 dsh-reverse-skill（安全研究技能包）。这些插件覆盖了从图像处理、界面优化到多 Agent 协作、成本控制和安全研究等多个方面，旨在提升 DeepSeek Harness 的功能性和用户体验。
作者提出 Company Foundry 项目：用 Kimi K3 作为中央智能单元，将公司简介编译成可移植的组织方法规范，生成上下文、技能、路由、策略、证据记录等运行时配置。核心理念是公司不是一群 agent，而是决定哪些工作重要、agent 能做什么、必须留下什么的方法。模型可租可换，但运营方法归公司所有。harness 层为 agent 工作赋予结构，通过契约管理所有权、任务准入、来源策略和模型路由，让工作可复现、证据可追溯，公司知识不随模型更换而流失。
DeepSeek 发布了坚持'一切皆插件'理念的 DeepSeek Harness，模型适配器、工具、文件系统、沙箱甚至 Agent Loop 都可通过插件组合。但其使用门槛偏高，界面仍处开发者预览阶段。作者基于此前 CodePilot 的经验开发了 Pilot Harness，为其加上桌面外壳和一组客户端插件：优化了项目切换、会话 Hover 卡片、输入区和设置页等交互，新增项目文件树、服务商配置等插件，并提供 macOS、Windows、Linux 三平台安装包。作者认同 Harness 拆分组件、允许重组的架构思路，认为这为 Agent 参与调整自身配置预留了接口。
本文探讨了将个人 AI Harness 环境扩展到团队场景时面临的挑战。最佳的个人 AI 设置并不适合团队。共享 Harness 会带来上下文权限冲突、权限管理混乱和规则冲突等问题，需要建立治理机制和审查流程。
文章深入解析了DeepSeek Harness（DSH）的架构与工程价值，指出其通过细粒度可替换性和执行历史记录解决了Agent维护难题。作者对比了Cordis论文与自我进化研究，强调DSH目前仅实现了Runtime实验原语，尚未达到工程闭环。要从临时挂载走向生产系统，仍需构建可信评测、发布链路、强隔离及责任归属四大基础设施。
DeepSeek Harness 并非单纯的任务执行型 Agent，而是将内部结构透明化的开发平台。文章详细介绍了其权限控制、轨迹视图及四种运行模式（标准、PTC、极简、创造），强调了工具可控性与安全性，指出其更适合开发者及企业内部团队用于构建和调试复杂的 Agent 工作流。
本文是作者从 Hermes 迁移到 DeepSeek Harness（dsh）的实战笔记。作者通过 8 组功能对照（Profile、Goal、execute_code、delegate_task、后台进程、Cron、Skill、上下文管理），展示了 dsh 与 Hermes 的对应关系，并指出真正需要重新学习的三样新东西：Trajectory、Session Fork 和 Dynamic Cordis。文章还讨论了 dsh 的插件化架构、社区争议及上手门槛，强调方法比工具更持久。
本文介绍了DeepSeek Harness（DSH）的发布及其迅速走红的现象，并详细讲解了DSH的安装方法、热门插件（如colleague-skill和OpenBiliClaw）以及基础插件推荐。文章还探讨了DSH“一切皆插件”的设计理念，以及其开源生态的快速发展。最后，作者观察到AI技术圈中二次元头像成为“大佬”特征的现象，并指出B站正在成为国内开源项目传播的重要平台。
本文深入解析了Matt Pocock Skills v1.2为何在技术圈爆火，并对比了其与Superpowers等重型Harness的差异。文章详细介绍了25个Skill的六大分类、五步主流程（问清楚→写清楚→拆成小任务→实现→检查），并探讨了在更强模型出现后，显式流程的必要性。作者认为，Matt Pocock的Skills以轻量、灵活著称，强调给用户而非Agent超能力，适合追求高效、低成本的AI编程实践。文章还提供了低风险试用路径，帮助读者在不更换现有工具的前提下体验这套Skills。
本文深入解析了DeepSeek Harness的设计哲学，强调“事实有据，权限有度”的核心理念。文章通过多个实例展示了该框架如何将Agent状态管理、工具调用、子代理运行等关键环节转化为可验证的运行时契约，确保每个重要事实都有明确的拥有者，并通过原子比较、权限控制等机制避免状态不一致和越权操作。作者认为，DeepSeek Harness的精华在于其架构设计原则：为每种能力明确truth owner、authority gate、durable record、model projection和recovery rule，从而将隐性边界转化为可测试的契约。
本文实测了 DeepSeek 开源的 Agent 框架 DeepSeek Harness（dsh），强调其“everything is a plugin”的设计理念，基于 Cordis 插件系统，可高度定制。文章介绍了四种预设模式（标准、PTC、极简、创造）的特点，并通过实际案例展示了 dsh 在代码审查、创意生成、性能对比等任务中的能力，最后探讨了模型与框架的乘法关系，推荐日常使用 v4-flash。
本文实测了 DeepSeek Harness 的极简模式，通过两个实战项目（3D FPS 游戏和 AI 宠物领养系统）对比标准模式与极简模式的性能差异。结果显示，极简模式在耗时上显著更优（分别快 10 分钟和 21 分钟），且在某些任务上效果接近甚至超越标准模式，但在功能完整性和细节上有所欠缺。文章分析了极简模式的优势（减少工具选择干扰、提升专注度）和短板（缺乏联网、上下文压缩等能力），并介绍了社区中通过两阶段插件提升标准模式性能的探索。
本文从一次企业咨询出发，指出企业 Agent 落地不能只依赖模型能力，核心在于权限管理和证据门禁。权限管理通过独立身份、短期凭据、数据遮蔽和动作分级，限制 Agent 能做什么；证据门禁则通过证据卡记录主张、证据、推导和假设，确保结论可靠。文章以经营日报 Agent 为例，详细说明了权限卡和证据卡的实践方法，并强调确定性规则和真实环境验证比另一个 AI 审查更可靠。最后指出这些原则同样适用于知识库、客服等场景，FDE 应将现场经验沉淀为可复用资产。
本文介绍了DeepSeek Harness（简称dsh）的概念，它是一个为AI大模型提供“身体”的开源Agent框架，让模型能够执行文件读写、命令运行等实际操作。文章详细对比了Harness与DeepSeek模型、Codex、WorkBuddy的区别，并提供了使用WorkBuddy一键部署Harness的详细教程，包括安装、配置API Key、选择工作区等步骤。此外，文章还介绍了Harness的四种模式（标准、极简、PTC、创造）及其对应的玩法示例，如制作桌面宠物、整理文件夹、生成网页、定制皮肤等。最后，作者建议读者尝试Harness，并预告了后续的反馈收集。
本文介绍了一个名为 dsh-theme-plugin 的开源插件，它将中国传统色融入 DeepSeek Harness 界面，提供 98 套主题。插件基于中国画的“纸·帘·印”设计原则，通过设计令牌完整重写界面语言，而非简单换肤。文章详细阐述了设计理念、实现方式和使用步骤，展示了竹青、群青、朱红、藤黄等传统色主题的视觉效果。
本文面向AI应用开发小白，系统讲解Harness（挽具工程）的概念与实践。文章指出，当模型能力足够强时，决定AI可靠性的不再是模型本身，而是模型外部的Harness系统。通过真实案例与数据，作者剖析了AI常见的四种翻车现象（提前交卷、环境盲区、虚标完成、失忆实习生），并提出了前置控制与后置控制相结合的解决方案。文章详细介绍了CLAUDE.md的升级方法、Hooks、验证Agent等后置控制工具，强调从愿望清单转向失败日志的核心理念，帮助读者构建一套完整的Harness闭环，让AI真正变得可靠、可控。
本文是DeepSeek Harness的实测与入门教程。作者介绍了Harness的概念（Agent = Model + Harness），并详细演示了安装过程、四种运行模式（标准、极简、PTC、创造）以及插件系统。通过四个实战任务（分析代码仓库、开发知识讲解网站、开发3D游戏、开发全栈AI应用）展示了其强大的AI编程能力，并强调了高缓存命中率带来的低成本优势。文章最后对比了DeepSeek V4 Pro与Claude Opus 5的表现，认为前者已可对标后者。
本文深入解析了 DeepSeek Harness（DSH）的架构设计，指出其核心是“一切皆插件”的理念，并借助 Cordis 运行时框架实现。文章将 DSH 视为两套并行系统：Cordis 维护运行时插件图，Session 记录事件流。重点阐述了 Cordis 如何通过 Context、Service、Fiber 和 effect 机制解决插件依赖、作用域隔离、生命周期管理和资源清理等问题，并与 React 的对应概念进行了类比。文章还解释了 DSH 的配置分层（Bundle、Profile、Patch）和 Agent Preset 与 Runtime Profile 的区别，展示了其部署时装配和会话级定制的能力。
本文用办公室比喻，深入浅出地介绍了 DeepSeek Harness（dsh）的概念、组成、四种模式及其与 Claude Code、Codex 的区别。文章强调模型决定 Agent 的思考上限，而 Harness 决定其执行能力。dsh 作为开放实验场，允许用户自由组合模型、工具、Skills 等组件，但开源免费不等于安全，用户需注意权限控制。最后给出小白试用建议，并指出未来 Agent 竞争的关键在于模型之外的工作环境。
