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。
本期周刊聚焦 AI Agent 执行层的工程实践，探讨模型如何穿过真实环境稳定完成任务。文章围绕执行模型、Harness、质量评测、多智能体与权限、路由缓存等六条主线展开，分析了 Grok 4.6、DeepSeek V4 Pro、Gemini 3.7 Flash 等模型的长程执行能力，拆解了 DeepSeek Harness 和 OpenAI Codex Harness 的架构设计，并介绍了阿里、美团等团队的评测与改进流程。核心观点是：智能体的可靠性不仅取决于模型能力，更依赖于 Harness 的工程化设计、可观测的反馈闭环和合理的成本调度。
本文详细介绍了FDE（前线部署工程师）这一AI行业新岗位，包括其定义、分类（商务型、产品型、工程型）、如何启动第一个项目、SOW/Spec/Demo/MVP等关键概念、Skill/CLI/Subagent/Hook等工具的使用、企业系统集成方式（API/MCP/CLI/UI自动化）、以及基于EDD（评测驱动开发）的测试方法论。文章还提供了简历、作品集和面试的准备技巧，帮助零基础小白入行。
本文是WorkBuddy实战教程，详细讲解如何将Markdown文件转换为Word和PDF。作者首先介绍了Markdown作为Agent工作底稿的特性，并强调了先判断文档终态（是否需修改、是否需品牌化）再选择工具的重要性。随后，文章分别演示了使用Pandoc和minimax-docx将Markdown转为Word的路径，以及使用/pdf、pdfkit-py和Kami三种Skill处理PDF的不同场景。最后，作者总结了文档自动化交付链路，并建议将高频、流程固定的路径固化为Skill，以提高效率。
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。
本文深入解析DeepSeek Harness发布的四种对话模式：标准模式、PTC模式、极简模式和创造模式。作者指出，标准模式是当前Agent的主流，但存在工具调用效率低、上下文消耗大、临时脚本污染等问题；PTC模式通过让模型编写TypeScript程序统一调用工具，大幅减少Token消耗和提升效率，可能成为未来Agent的主流；极简模式则通过减少工具依赖，探索模型原生能力。文章结合实测数据，展示了PTC模式在复杂任务中的优势，并预测其将成为下一代Agent的默认工具调用方式。
作者逸尘分享了他花费一周时间、消耗超100亿Tokens打造的Obsidian超级助手Ailu。Ailu集成了Agent工作台（支持Codex、Claude Code及CC Switch配置）、共生记忆系统、本地预览公众号/飞书/X文章、一键上传文章到各平台等功能。文章详细介绍了Agent工作台的小巧思、记忆系统的设计、本地预览与上传功能的实现原理（包括公众号上传的服务器与Cloudflare Tunnel方案），并宣布Ailu已开源。
本文探讨了在模型与工具链（harness）协同进化背景下，智能体（agent）数量激增带来的管理挑战。作者指出，前沿实验室将模型与工具链作为整体优化，导致用户需要运行多个异构工具链以控制质量、性能和成本，形成“工具链舰队”。然而，人类注意力有限，成为新的瓶颈。为此，作者提出“depot”（枢纽）作为新的抽象层，集中管理多个工具链，提供状态报告、人工审查、持久执行和内部通信功能，使人类能像管理者一样专注于关键决策。文章强调，审查和评估将成为新的核心工作，并展望了未来工具的发展方向。
本文详细介绍了使用 WorkBuddy 搭建团队知识库的完整方法，旨在解决团队资料分散、AI 无法有效复用的问题。文章首先区分了团队空间与项目的不同定位，然后分五步进行搭建：选择真实业务创建空间、先搭目录再倒资料、将确认结果回存、按职责分配权限、将空间添加到任务。最后，文章提供了验收标准、边界说明和升级建议，强调通过最小样本跑通闭环，实现资料的有效管理和复用。
本文探讨了 DSH 生态的商业化路径，指出竞争焦点正从模型智能转向 AI 执行系统。文章提出商业化应遵循“插件→Skill→Profile→Workflow→Agent→行业解决方案→企业 AI 基础设施”的升级路线，并分析了垂直 Agent、付费插件、成本优化、企业私有化、Workflow 自动化等六个方向，强调以业务结果为导向，构建真正的商业壁垒。
文章探讨了当前Agent系统在长期记忆与学习能力上的局限，指出许多系统仅能保存历史数据，却无法理解信息的时效性和判断的演变。作者以Alloomi的技术报告为例，介绍了其Holistic Context和Self-Evolving Agent两条技术路线，分别解决动态上下文管理和模型自我进化问题。通过公开评测数据，展示了在长上下文理解、持续学习和专业交付方面的提升。文章强调，真正的Agent能力应体现在将工作经验转化为模型能力，并建立从真实反馈到模型更新的闭环，这对企业级应用尤为重要。
本文探讨了智能体（Agent）从开发到生产环境所面临的挑战，指出托管式智能体服务将成为下一个重要方向。文章回顾了智能体发展的三个阶段，分析了生产环境中的稳定性、安全、身份验证等问题，并介绍了LangChain推出的Managed Deep Agents如何通过提供运行壳和生产设施来解决这些问题。文章还讨论了AGENTS.md、MCP和Skills等标准的重要性，并给出了适用场景和建议。
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
本文探讨了AI代理的记忆工程，指出当前模型虽有完美智能却无记忆，每次会话后如同陌生人。作者批评了依赖扩大上下文窗口的行业做法，提出记忆工程应借鉴人类记忆的架构，通过选择性编码、整合、检索和遗忘来构建独立的记忆系统。文章详细介绍了五阶段流水线：捕获（过滤非持久信息）、整合（去重与合并）、检索（基于相关性提取）、以及后续的更新与遗忘机制，并附有Python代码示例。作者强调，记忆工程是决定AI代理能否拥有连贯过去的关键学科，目前鲜有人正确实践。
本文深入探讨了AI代理开发中的一个关键误解：大上下文窗口并不等同于记忆。作者通过办公室隐喻，清晰区分了上下文窗口（桌面）、检索（书架）、压缩（ZIP）和摘要（抽象）在代理认知栈中的不同角色。文章指出，模型本质上是无状态的，每次API调用都从零开始，依赖大上下文窗口会导致注意力分散、雪球效应和延迟问题。真正的记忆持久化需要代理扮演数据库管理员的角色，通过检索、压缩和摘要等技术，将原始数据存储在外部存储中，仅将相关信息放入上下文窗口。文章提供了具体的代码示例，展示了如何实现冲突解决和分叉存储模式，为构建可靠的AI代理提供了实用指导。
本文是一份实用的指南，旨在帮助读者在2026年成为一名AI工程师。文章指出，传统的学习路径已不足以应对当前需求，AI工程师的角色已演变为构建可靠、可扩展的生产级AI系统。文章详细介绍了AI工程师的核心职责、所需技能（如Python、SQL、机器学习、LLM与Agent、数据工程、MLOps等），并提供了一个分四阶段的学习路径：基础、现代AI技能、生产与工程技能、专业化与作品集。此外，还列出了必备工具与框架（如LangChain、CrewAI、向量数据库等）以及建议的实战项目，帮助读者构建有竞争力的作品集。
本文批判了多步骤AI代理中常见的线性链式结构，指出其低效且易出错。作者提出用图结构（节点和边）来设计代理工作流，并给出了14步路线图，涵盖节点契约、数据边、并行扇出、汇聚、条件路由、验证器、错误隔离、循环收敛、模型分层、成本优化等实践。核心思想是利用Claude Code的动态工作流功能，通过JavaScript脚本编排子代理，实现高效、可扩展的代理系统。
本文批判了多步骤AI代理中常见的线性链式结构，指出其效率低下且易出错。作者提出用图结构（Graph）来组织代理工作流，其中节点代表有界任务，边代表数据依赖。文章详细介绍了14步路线图，包括为节点和边定义契约、使用parallel()进行扇出、设置屏障进行扇入、运行时路由、添加验证器、隔离故障、设计收敛循环、按层分配模型以及利用Claude Code动态工作流工具自动生成图。核心思想是识别并消除虚假依赖，将线性脚本重构为并行图，以提升性能、可靠性和成本效率。
本文是 Phone Harness 的实战教程，作者 Seven 分享了如何让 Codex、Claude Code 等 Agent 无需越狱即可控制锁定的 iPhone，实现开 APP、点按钮、输入文字、读取屏幕等操作。文章详细介绍了本地 Phone Harness 的安装步骤、权限配置（辅助功能、屏幕录制）及常见问题排查，并提供了三个 Demo 演示从读取到写入的完整流程。此外，作者还介绍了云端异步任务方案 Airtap，通过设置 Routine 让 Agent 在睡眠时自动完成岗位信息收集并发送邮件，展示了 AI 自动化在移动端控制与任务执行方面的应用潜力。
本文介绍如何利用Grok 4.6构建一个自我改进的Grok Bot系统，通过10个步骤实现长期运行和持续优化。系统核心是一个包含六个文件的工作区，包括验收标准、工人合约、验证者合约、可信状态、经验教训和提升者，形成一个闭环：工人生成候选结果，验证者独立检查，通过后提升者更新可信状态。文章详细说明了每个文件的编写方法、运行流程和失败处理规则，并提供了成本计算公式，旨在帮助读者构建一个可靠、可迭代的AI代理系统。
本文详细介绍了阿里通义千问团队发布的Qwen3.8-27B模型的本地部署方法。文章首先分析了不同硬件配置下可选的模型量化版本，然后提供了两套部署方案：一是使用GGUF+llama.cpp，适合24GB显存或Apple Silicon用户；二是使用官方FP8+vLLM，适合48GB以上NVIDIA显存用户。此外，还介绍了如何将模型接入IDE、Agent或自定义应用，并总结了常见的五个部署陷阱及解决方案。最后，作者强调了本地部署在数据隐私、模型可控性和理解底层技术方面的价值。
本文介绍了 Alloomi 提出的 AI 同事完整技术栈，由三层能力闭环组成：Holistic Context 负责跨会话的上下文记忆，Self-Evolving Agent 通过后训练从反馈中学习，专业交付层验证实际工作成果。文章详细阐述了每层的技术机制、benchmark 结果及其局限性，并强调 OpenContext 仅是工程底座而非完整方案。最终指出，只有三层协同工作，才能实现可持续的 AI 同事。
本文是博主对硅谷101播客中阿里巴巴集团副总裁、瓴羊CEO朋新宇关于FDE（前端开发工程师）访谈的要点总结。文章指出FDE的溢价源于从交付功能转向交付可验证的业务效果，能力要求包括对AI的锐度、行业深度和数据宽度。瓴羊聚焦电商行业，提供标准化能力，商业模式包括卖agent坐席和按效果付费。文章还讨论了FDE推进的顺利条件、项目时间分配以及FDE角色的细分（BA、AI架构师、首席客服/销冠），并强调自上而下推动和内部员工K形分化的重要性。
OpenAI 发布 GPT-5.6 开发者指南，通过多个案例展示 agent 成本优化的巨大潜力。指南指出，通过降低推理档位、分层使用模型、利用推理持久化与压缩、Programmatic Tool Calling 及缓存优化等策略，可在保持甚至提升性能的同时大幅降低成本。文章提供了五步实操清单，帮助开发者有效控制 API 成本，并强调架构优化比单纯追求更强模型更具经济价值。
本文深入分析了DeepSeek发布的Agent产品DeepSeek Harness及其背后的产品哲学。作者认为，DeepSeek选择开放不成熟的产品，是基于交易成本理论，将公司边界内收，把具体场景的产品定义权交给外部开发者，以模块化方式实现“一切皆插件”，让市场并行探索Agent的最终形态。文章对比了iPhone与Android的生态起点，指出DeepSeek Harness更接近Android模式，并讨论了平台冷启动、开放架构与生态建设之间的差距，最后提出生态成功的关键指标。
本文分享了20个对Agent友好的设计灵感与参考网站，旨在帮助设计师和开发者避免AI-Slop（千篇一律的AI生成设计）。文章按实际工作顺序将网站分为三类：先确定视觉方向（如Pinterest、Behance、Awwwards等），再研究真实页面与产品流程（如A1 Gallery、Mobbin、Refero等），最后将参考交给Agent进入设计和代码（如Lucide、shadcn/ui等）。文中还提供了一条避免AI-Slop的工作流，并附有可直接使用的提示词模板，指导如何将设计参考转化为Agent可执行的设计规则。
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。
作者参加了2026年Google I/O开发者大会，虽然现场没有特别炫酷的技术，但一位视障工程师展示的VisAware项目让她深受触动。文章回顾了Gemini App用户从4亿增长到9.5亿、token处理量增长至3200万亿等数据，分析了Google将AI融入搜索、YouTube等日常产品的策略，并探讨了Agent治理、Agent Skills等话题。作者认为AI的人味不在于模仿人类，而在于帮助人们自主行动，让科技真正改善生活。
作者作为程序员，长期使用 Claude Code、Codex 等开发类 Agent，却因技术视角而忽略了普通用户需求。他将 Agent 分为个人、工作、开发三类，发现豆包和飞书分别对应个人与工作场景，弥补了他的认知盲区。文章反思了“技术的诅咒”，指出 AI 产品应封装复杂性，从用户需求出发，而非追求功能堆砌。最终总结两点：工具应服务于真实需求，设计应回归用户视角。
作者用三个真实自媒体任务（对标账号调研、内容写作、选题库搭建）实测对比WorkBuddy、千问办公和TRAE三款Agent工具。结果显示WorkBuddy三轮全胜，产出最全面可直接使用；千问办公擅长文档场景且最懂产品定位；TRAE颜值最高但排队严重、数据偏旧。核心发现是WorkBuddy和TRAE使用同一模型DeepSeek V4 Flash却结果天差地别，说明差距不在模型而在工具如何用模型。结论：工具没有高低，只有合不合适，先想清楚需求再选工具。
