作者对比了 Pi Agent 和 DeepSeek Harness 两款 Agent 工具的选择问题。Pi Agent 核心精简，适合喜欢自己掌控工作流、DIY 工具和 Context 的用户，但插件装多易冲突；DeepSeek Harness 采用 Everything is a Plugin 思路，配有桌面 App，适合想快速上手、不喜欢终端的用户，但仍处测试版且有破坏性升级风险。作者指出省 Token 的关键不在初始 Context，而在工具加载方式、历史内容携带、任务重复执行及 Prompt Cache 复用率。最后建议：熟悉终端的写码者选 Pi，偏好图形界面者选 DSH。
本文介绍了DeepSeek Harness平台上的DeepSeek Bot插件，作为Grok Bot的替代方案。DeepSeek Bot支持多Bot多智能体团队协作，每个Bot可设置角色、模型和长期记忆，默认由Chief主管分派任务。文章详细讲解了安装部署、配置Chief、组建Bot团队及建群讨论的实操过程，并指出其门槛低、适合普通用户体验Agent玩法。
本文是 Pi Durable 访谈译文第三篇，Mario Zechner 与 Armin Ronacher 讨论各类编码 harness 的体验。他们聊到 AMP 的 Orbs 设计与团队愿景、OpenCode 的持久化探索、DeepSeek harness 的插件架构与极简体验、以及 Claude Code 的自我修改趋势与稳定性问题。还谈及 Pi Mobile 让手机本地运行 agent 的愿景、Web 插件系统的安全挑战（XSS、沙箱隔离）、对 MCP 支持的转变，以及让非开发者上手 agent 的 onboarding 难题和对 AI 技术真正落地应用的期待。
文章以DeepSeek V4 Pro和DeepSeek Harness（DSH）上线引发的舆论风波为切入点，分析了'国运级产品'叙事如何反噬DeepSeek：用户的过高期待与负面情绪在模型表现不佳和涨价后集中爆发。作者指出群体欲望的投射剥夺了深度求索的叙事权，公司沉默使其成为任人解读的玩偶，研发自由也受舆论胁迫。文末升华至AI时代审美的思考：技术无法填平欲望的沟壑，真正的美在于帮助人们减少被奴役、活成自己，去体验、判断与共情。'无用亦无欲，方为至美'。
作者分享了一次 AI Agent 实战经验：通过 DeepSeek Harness 安装开源项目 FrontierAgent，并接入 Apodex 本地部署的大模型或官方 API，对 584 篇精品文章进行分析。文中详细介绍了安装 DeepSeek Harness 并接入 DeepSeek、Codex、Grok Build 模型的步骤，配置 FrontierAgent 的 Apodex API 环境，以及使用 react 和 agent_team 两种模式运行任务。36 分钟后，Agent 分析出两套写作模板：三分钟大白话科普类和实操干货教程类。文章还介绍了 Apodex 开源大模型从 Qwen3.5 基座到 Agent 专项训练的演进过程，为自媒体写作提供了 AI 辅助创作的新思路。
本文介绍 CLIProxyAPI 工具，可将 Claude、Codex、Grok、Kimi 等会员订阅账号封装为本地 API Key（127.0.0.1:8317），接入任何支持自定义模型地址的 AI 工具。作者以 DeepSeek Harness 为例，给出 7 步完整教程：Homebrew 安装、修改配置（host 限本机、自定义 Key、错误冷却时间设为 2 秒）、brew services 自启、OAuth 登录授权、curl 验证、接入 dsh 并配置推理档位。作者说明该工具走与 Claude Code 相同的 OAuth 流程，非破解，重度使用 2 个月账号无异常，并分享了让 AI 编写探测脚本获取模型上下文和推理档位信息的进阶技巧。
文章介绍了一套面向新手的本地化AI方案：用DeepSeek Harness作为Agent框架读取文件、运行工具，配合本机运行的Ling-3.0-tiny（7.9B总参数、约1.3B激活参数的MoE模型）完成推理，适用于律师事务所、财税、医疗等需要处理敏感文档的场景。作者在2021款MacBook Pro（M1 Pro、32GB内存）上实测，生成速度约40 tokens/s，可胜任合同摘要、结构化抽取、多文档时间线整理和交叉核对等任务。文章详细说明了部署步骤，并通过虚构法律文书的摘要、JSON抽取、时间线生成三项测试验证效果，同时提醒本地运行不等于自动合规，专业文书仍需人工复核。
文章帮助开发者厘清不同 Coding Agent 工具的选型思路，将需求分为三类：开箱即用的 Coding Agent 产品、可编程调用的 Agent SDK、以及用于定制自有 Agent 的 Agent Framework。预算充足可选 Claude Code 或 Codex，预算有限可用 OpenCode，追求极简与插件机制可选 Pi，想尝试递归自进化（RSI）可关注 DeepSeek Harness。作者认为 DSH 目标宏大但短期不会作为主力工具，会持续关注学习。
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。
DeepSeek 发布实验性视觉模型 DeepSeek-V4-Flash-Vision-Exp，在 V4 Flash 基础上增加识图能力且价格不变。作者通过 DeepSeek Harness 接入该模型，完成了 OCR 识别、人物识别、iPhone 机型辨别、找不同、图片转 ASCII、报错修复、前端页面复刻、数据报表逻辑分析共 8 项测试。结果显示其 OCR 和找不同表现优秀，但人物识别、机型辨别和页面复刻存在明显失误。整体可用且性价比极高，一张图约 0.12 分钱，八轮测试仅花约 6 元，而同等测试用 Opus 5 需约 8 美元。这是 DeepSeek 迈向原生多模态的重要一步。
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。
作者用10张图系统拆解DeepSeek Harness（DSH）的架构设计。DSH启动经历两次装配：先通过Profile、Bundle和Patch构建公共Host（含Session、模型注册、工具系统、Agent Loop和Web服务），再依据Preset为会话装配具体Agent。底层基于Cordis插件框架，通过provide/inject服务依赖图和事件机制将独立插件组装成完整系统。文章还详解了Agent Loop的Turn/Step运行机制、SessionEvent事件日志的持久化设计，以及如何通过自定义Preset快速构建业务Agent。
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。
作者在 MacBook Pro M3 Max 上本地部署蚂蚁百灵开源的 Ling-3.0-tiny（总参数 7.9B、激活 1.3B），编译 Ollama 的 BailingMoeV3 分支导入 FP8 与 BF16 两个精度版本，实测输出速度分别约 106 和 81 tokens/s。随后通过 OpenAI 兼容协议将模型接入 DeepSeek Harness，让它把自己的底稿《文科生学 AI，先补一层计算机常识》重写成公众号文章。结果模型完整跑完任务、未瞎编内容，但句子偏碎且擅自添加内容，直出终稿尚早。文中还总结了部署与配置过程中的一系列坑及避坑指南。
本文介绍了豆包电脑版的办公任务模式，其具备Computer Use能力，可直接操控Windows桌面完成各类任务。作者分享了四个实战案例：用仓颉Skill蒸馏5.5小时编剧课视频、优化《荒野大镖客2》游戏帧率（60帧提升至120帧）、手机遥控电脑扒取电影《牛来》全网影评并生成PPT、打包DeepSeek Harness绿色便携版。文章指出豆包GUI操作能力强大，配合现成技能和连接器可大幅提升效率，作者称效率提升6倍。
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。
本文作者实测了豆包专业版的工作任务新模式，认为其GUI能力可以部分取代Codex，尤其在百万上下文场景下优势明显。作者通过五个案例展示了豆包在搜索整理、二次开发、文档排版、跨设备联动和GUI游戏操作等方面的能力，并提到其价格仅为Codex的三分之一，且支持手机远程控制电脑。作者认为豆包收费是必然趋势，其月活已达3.82亿，国产AI正在崛起。
作者花叔将自己用agent编写的10本橙皮书（共148章、四十万字）上传到WorkBuddy资料库。文章介绍了选择该平台的原因：国内访问GitHub不便，且资料库面向agent设计，支持HTML/Markdown等AI原生格式，可整书挂入上下文问答，实现'知识复利'。作者还介绍了资料库的可视化编辑、一键分享、轻应用（HTML+CSV搭建可存数据的工作台）、移动端远程接管电脑等功能，认为其有成为'AI时代Office'的势头。
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。
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。
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。
本文对比了 Pi Coding Agent 和 DeepSeek Harness 两种 AI Agent 的设计理念。Pi 采用小核心加自由组合的方式，默认仅提供四个工具，而 DeepSeek Harness 则强调“一切皆插件”，将模型、工具、会话等组件化。文章指出，这种设计并非全新，早在 Eclipse 时代就已存在，并探讨了在 AI Agent 领域，核心功能与用户选择权之间的平衡问题。
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。
本文是DeepSeek Harness（dsh）与OpenCode Go订阅制模型网关的集成指南。作者详细介绍了为何选择该组合、安装步骤、配置方法，并通过一次真实的生产巡检案例展示了其成本效益。文章强调dsh的插件化架构与OpenCode Go的OpenAI兼容端点天然匹配，仅需两个环境变量即可切换推理流量。通过实测数据，作者分析了agent循环的输入放大效应、96.5%的缓存命中率以及订阅制在成本控制上的优势。最终，文章提供了完整的配置步骤和实战复盘，帮助开发者快速上手并高效利用该组合。
本期早报聚焦智能体系统的三大核心问题：架构、算力与协作机制。DeepSeek Harness 提供插件化 Agent Harness，将模型、工具等能力拆分为可替换组件；Cerebras 与 OpenAI 推出 GPT-5.6 Sol Ultrafast，通过专用硬件实现高速推理；Anthropic 的多智能体实验揭示了协作中的冲突、从众与信任问题。此外，速览部分涵盖 Gemini 3.7 Flash 发布、Agent 评测与轨迹复盘、ICML 论文复现经验、Claude Tag 更新及小红书开源 TTS 模型。
