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。
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。
阿里开源了一款名为 Zvec 的向量数据库项目，主打“纯本地、内嵌式”极简体验，号称向量界的 SQLite。该项目基于 C++ 编写，支持零配置安装，性能强悍（毫秒级搜索数十亿向量），同时兼容稠密、稀疏向量及全文检索。它非常适合本地大模型、RAG 和个人知识库开发，彻底免去了部署繁琐的后端向量服务。
本文介绍了 Scout，一个开源的企业级“上下文代理”（Company Brain）。针对现有方案将所有数据存入向量数据库导致索引过时的问题，Scout 提出了“导航优于搜索”的理念，通过 Context Providers 连接 Slack、Google Drive 等实时数据源，像操作文件系统一样导航信息。它还能动态构建 Wiki 和 CRM，并通过持续学习形成闭环。
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。
作者 FeiZ 正式发布开源插件 DeepSeek Bot（ds bot），基于 DeepSeek Harness（dsh）构建，支持使用自己的 API Key 拥有一组持久化运行的 Bot，具备上下文管理与记忆能力。产品包含 Main Bot 总管家、多 Bot 群聊协作（通过管理员机制优化费用），并可接入任意模型乃至本地 agent。作者已完成多项 dsh 插件的兼容性测试，未来计划支持浏览器与电脑操控。项目目前处于早期阶段，用户可通过 GitHub 仓库或 dsh desktop 插件页安装体验并反馈问题。
文章结合为大型国企交付几十万份文档知识库项目的实战经验，指出将文档导入知识库只是最容易的一步，真正难点在于知识分散在OA、ERP、CRM等多个系统中、文档质量参差不齐、版本与权限管理复杂、以及上线后的持续运营。作者提出企业真正需要的不是一个'AI知识仓库'，而是一条具备知识工程能力的企业知识供应链：通过Connector持续接入知识，经解析、清洗、结构化等知识工程加工后准入，并以检索前权限过滤保障安全，最终在Agent时代构建企业上下文层，让正确的知识在正确的时间以正确的权限交给AI。
文章包含两条内容：一是 DeepSeek kernel 工程师 Shengyu Liu 的长文，讲述 AI 已能自主分析 CUDA/PTX/SASS 并优化 kernel，他预判半年到一年内 AI 写的 kernel 可能超过自己，工作将从亲手写代码变为驾驶 Agent，并担忧未来社会走向共产主义或赛博朋克两极，因此选择留在 DeepSeek 推动开源 AI。二是微信团队开源的 WeKnora 框架，已从 RAG 系统进化为企业 Agent 基础设施，提供知识处理、ReAct Agent、Sandbox 执行环境、长期记忆和 Auto-Wiki 能力，代表 RAG 向企业 Agent Context + Runtime 的迁移趋势。
作者结合实际工作经验，整理出一份 AI Harness 开发的 11 条技能清单，涵盖后端与系统设计、RAG 与向量数据库、记忆与上下文管理、工具调用与 MCP、Agent 编排、护栏校验、评测、可观测性、模型路由降级、排队负载均衡以及推理部署引擎。作者指出 Harness 开发是硅谷热门方向（如 YC Demo Day 上大量项目），建议普通开发者从 AI 应用入手，把模型接入具体业务，并给出将清单交给 AI 逐项学习的 prompt 方法。
作者介绍了一款 DeepSeek Harness 的 Live2D 桌宠插件 dsh-live2d-pets。该插件能在写代码时提供互动陪伴：内置 Hiyori/Haru/Mao 等 5 款模型，支持人设选择（傲娇、元气、三无、病娇等），眼睛跟随鼠标、可拖动摆放，还有 51 段动画包括发呆、打瞌睡、散步、玩魔方等互动效果。作者还将其从原平台迁移到了 Windows，支持桌面闲逛、置顶、开机自启、多实例生成。安装方式非常简单，只需复制一句指令给 Agent，通过 dsh plugin 命令即可完成安装。项目已开源在 GitHub。
作者通过一次融资会议记忆被重新解读的经历，指出记忆的本质不是固定表示，而是一个持久系统：保留过去的证据，并随新证据不断重新编译其意义。文章批评将向量数据库、知识图谱、上下文窗口等当作记忆的常见误解，认为它们只是从记忆编译出的临时表示。作者提出记忆编译产生三类产物：状态（按序折叠事件得到）、检索（查找相关证据的工具）和上下文（为单次调用组装的有界视图），并类比编译器的中间表示（IR），指出每种表示只适合特定操作，记忆本身应是唯一不可丢弃的持久层。
