从 Pi 到 DeepSeek Harness：AI Agent 的名字变了，底层呢？
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。
相关文档
他们怎么看待其他编码 harness
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。
如何选择 DeepSeek Harness / Claude Code / Codex / Pi
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。
我把电脑外包给豆包后，效率飞升！【附4种究极玩法】
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。
二次元头像=技术大佬？DeepSeek Harness揭开AI圈隐藏规律
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。
Pi 实战教程 | 如何安装使用 Pi？
本文是一篇面向小白的 Pi 安装与使用教程。文章详细介绍了安装 Pi 前的准备工作（Node.js、npm、模型订阅或 API Key 等），并提供了两种安装方式：通用 npm 安装和 Mac/Linux 官方脚本安装。随后讲解了如何启动 Pi、登录模型、切换模型以及常用操作命令（如 /model、/settings、/session 等），并分享了一些使用技巧，如使用 AGENTS.md 文件为项目设定规则。通过本文，读者可以快速上手 Pi 的核心功能。
我在 Pi 中重建了整个 Claude Code 设置
本文介绍了什么是“Harness Engineering”（约束工程），即通过配置模型周边的工具、指令和记忆来提升 AI 输出质量。作者详细演示了如何将 Claude Code 的配置迁移至名为 Pi 的工具，重点包括利用文件管理 Prompt、迁移 Skills、自定义系统提示以及实现记忆功能，从而实现模型的无缝切换和完全控制。
Replit and the dawn of the self-driving company
Marc Andreessen 借鉴 Replit 创始人 Amjad 的观点，探讨 AI Agent 如何进入企业并推动“自动驾驶公司”的到来。文章提出“混乱”是颠覆性技术落地的重要信号：回顾个人电脑、电子表格和电子邮件的历史，它们均以未经批准、自下而上的混乱方式进入职场，随后企业通过建立合适的“栖息地”（habitat）将其驯服，在保留员工自主性和热情的同时实现有序管控。作者认为 AI Agent 当下的无序使用（聊天窗口、个人账号、零散脚本）正是重大变革的前兆，关键在于谁能“让混乱 reign，再驾驭 chaos”，从而释放组织深层对齐与生产力。
开源AI Skill全自动视频号带货流水线 Story Studio 实战拆解
作者开源了一个名为 Story Studio 的 AI Agent Skill，用于自动化生产历史/人物故事类短视频，涵盖选题策划、黄金钩子文案、豆包大模型配音、毫秒级字音对齐、三套画风分镜生图、自动生成剪映草稿等全链路。作者靠该流水线在视频号实现单条爆款播放100W+、单日带货4000+的战绩。文章详细拆解了各环节实操方法，并分享图书带货、银发健康产品、创作者分成计划、私域导流等四条变现路径，强调工具完全免费开源。
npm 创始人 Laurie Voss：如何判断你的 AI 智能体是否足够优秀
本文整理了 npm 联合创始人 Laurie Voss 在 AI Engineer 纽约 workshop 上关于 AI Agent 评估方法的分享。他从一份分析师共识加总为 116% 的特斯拉研报切入，阐述 trace（日志）与 eval（评估）的区别，强调先人工精读十几条记录再设计评估的重要性。文章详细介绍了从免费代码断言、LLM 裁判到黄金数据集校准裁判的完整评估体系，指出选择正确的评估问题比调优评估更重要，并以'评结果而非评步骤'为原则，演示了通过一行 prompt 修改将可操作性从 5/16 提升到 48/48 的案例。最后他强调将评估接入 CI、区分能力评估与回归评估，才能持续保证 Agent 质量。
How I work with Agents
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
The 5 levels of AI agents: From a single prompt to a production agent
文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
Harness Engineering: How to Build AI Agents That Actually Work
文章指出大多数人在错误的层面修复 AI Agent 问题：模型失败时反复改提示词、换模型、加工具，却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统，决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践：将请求转化为带完成条件的任务契约；用渐进式披露提供项目地图而非塞满上下文；在模型与工具之间设置网关校验与策略授权；将记忆（事实、决策、状态、经验）移出对话外部存储；以可观测证据作为任务完成的门槛，优先用确定性检查。好的 Harness 能提升每一次运行的质量。
