本文深度解读 DeepSeek Harness（dsh）的设计，这是一套面向智能体应用的运行框架。文章详细阐述了其基于 Cordis 的插件化架构、Profile/Bundle/Patch 的配置系统、Agent 与 Session 的分离设计、事件驱动的扩展机制、模型适配器注册表、工具执行管线、权限与沙箱、上下文压缩、子智能体与工作流等核心概念。dsh 强调一切皆插件、日志驱动模型上下文、能力按接口/实现/消费方拆分，旨在提供高度可组合、可替换、可观测的智能体运行环境。
本文是 DeepSeek Harness 的实战教程。Harness 是一个可扩展的智能体运行环境，基于 Cordis 构建，一切皆插件。文章介绍了准备工作（Node.js、API 密钥、测试目录）、启动方式（npx 或源码运行 Web UI）、模型配置与工作区选择，并以生成可审核的小说推广文案为例，演示了素材分析、结构化任务指令、执行检查、人工审核到文件保存的完整闭环。还扩展了团队内容初稿、资料整理、插件接入等方向，给出批量处理的分阶段建议和常见问题排查，并强调最小权限、独立环境等安全边界。
文章系统介绍了 DeepSeek Harness，强调它不是单纯的模型聊天界面，而是把模型、工具、会话、沙箱、工作流、调度和 UI 都插件化的 Agent 运行框架。内容涵盖安装启动、Web UI 与远程访问的安全风险、4 种 Agent 模式的权限取舍、Trajectory 执行轨迹带来的可调试性、多模型接入降低供应商锁定、'一切皆插件'的架构理念、会话分支用于并行验证假设，以及 Dynamic Workflow 和 Agent Teams 实现多 Agent 协作的任务拆分与汇总。作者认为其价值在于让 Agent 成为可配置、可观察、可复用的执行系统，但仍处 developer preview 阶段，需谨慎对待权限与数据安全。
作者逐行阅读 OpenAI 开源的 Codex harness（rust-v0.150.1）与 DeepSeek Harness（dsh v0.1.1-rc.2）的源码，从工具调度、多智能体、上下文管理、沙箱、可观测性、模型互操作等十个维度对比两者，并设计了五个机制场景、六个组合共 150 次真实 agent 运行测试。文章揭示多个反直觉发现：Codex 多智能体更成熟但没有独立的读文件工具；Codex 只支持 Responses 协议而 dsh 兼容 chat completions；两者在上下文压缩上防的是不同故障。结果 149/150 通过，压缩场景 Codex 快约五倍。文章最后给出按使用目的的选型建议。
本文详细拆解了DeepSeek Harness，一个开源的Agent执行框架。作者通过本地测试验证了其文件写入、Shell执行、权限拦截和会话轨迹功能，并指出当前版本更适合Agent开发者而非普通用户。文章对比了DeepSeek Harness与WorkBuddy、Codex的差异，分析了其插件化设计、权限控制和在企业落地中的不足，最后给出了适用人群建议。
本文是一篇面向小白的 DeepSeek Harness（DSH）完整上手教程。作者介绍了 DSH 的核心特点：门槛低（DeepSeek 账号登录即用）、一切皆插件（连 Agent 循环都可替换，社区插件超 6000 个）、过程可回放（轨迹功能）。文章详细讲解了下载安装、登录方式（账号与 API Key 两种）、界面各功能入口（模式、权限、模型、推理强度等）的含义，并分析了计费方式与省钱技巧，同时提醒它仍是预览版，未经过安全审计，需注意数据安全。后续还将涵盖插件市场、原理拆解、实战练习及与 Pi、Claude Code、Codex 的对比。
作者从插件市场6254个插件中筛选整理出50+实用插件，覆盖DeepSeek Harness（DSH）生态。文章按功能分为三大类：上下文与记忆（如billion-context压缩、hindsight长期记忆）、界面与主题（Codex风格UI、桌宠、皮肤主题）、任务与开发（子代理、任务看板、Git图、代码审查、多智能体协作等），每个插件附下载量、一句话简介和GitHub仓库链接，方便读者按需查找安装。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
本期早报聚焦三大主题：一是Anthropic内部研究揭示AI如何重塑用工方式，初级技术岗占比从27%降至9%，员工角色从执行转向定义任务、分流输出与验证结果，判断力成为核心能力；二是LangChain创始人Harrison Chase谈智能体系统中模型、运行框架与上下文三层拆分，强调路由价值来自对任务结构的理解，并分享记忆与持续学习的实践经验；三是DeepSeek V4.1 Flash新版本发布，强化从零构建完整项目能力，开放Search/Fetch接口并单独计费。速览部分涵盖AI成本优化、智能体评估实操、美光存储产业史与AI安全等七篇内容。
DeepSeek 将 Harness 团队及 Web、App、Platform 团队整合为“产品部”，由崔添翼负责，统一管理产品、设计与研发，并急招产品经理、产品设计师和项目经理。产品经理分 AI 产品和 Agent Harness 两个方向，要求有完整交付经验、深度使用 Agent 类产品（如 Claude Code、Codex、Manus 等）、懂 Agent 机制与 Context/Harness Engineering；设计师需具备 UI/UX 能力和 vibe coding 技能；项目经理为实习岗。工作地点为北京和杭州，全职与实习均可。
DeepSeek 悄悄开源了 dsh-libreoffice-kit 组件，原本隐藏在 DeepSeek Harness 中。该组件解决了 AI 生成文档却看不到排版效果的痛点：可将 Word、PPT 渲染成图片让 AI 查看排版，真实计算 Excel 公式以核对结果，自带字体管理避免中文乱版，并支持文件级隔离处理防止单点故障。这使 AI 能够自己写、自己看、自己改文档，无需人工逐页返工。文章指出 AI 办公领域的竞争不只在于模型能力，底层基础设施同样关键。
DeepSeek 发布 Harness v0.2 预览版，推出 macOS 和 Windows 桌面应用。新版本改进了文件显示、内容预览和代码变更展示，简化定时任务的设置与管理。核心亮点是插件系统：新增插件管理器，无需终端命令即可安装、禁用或卸载插件；实验性创作者模式允许用户用自然语言描述需求，自动创建插件。官方数据显示 Harness 是 DeepSeek API 用户中最广泛使用的编码 Agent。未来计划改进沙箱与安全、Agent 团队、长期记忆、浏览器自动化、远程访问，并建设官方插件市场，完善插件 API 兼容性。
梁文锋亲自署名的新论文公开了DeepSeek的Agent训练沙盒工厂DSec。该系统由约160台机器、3万核CPU、250TB内存组成，一天能造300万个沙盒，同时运行38万个，每秒新建超过5000个。DSec支持从简单函数调用到Docker容器、轻量虚拟机甚至完整Windows/macOS环境，通过镜像三层按需拼装和3FS文件系统按需拉取数据，内存节省三四成，单机最高承载3200个容器。论文还特别阐述了如何防止被训练的Agent作弊——如修改系统文件、绕过权限、扫描端口偷答案等行为。
