1. 背景与核心概念：为什么需要 DeepSeek Harness？

在当前的 AI 开发浪潮中，无论是个人开发者还是企业团队，都面临着一个共同的困境：如何高效、可控地利用大语言模型（LLM）的能力来构建实际应用？传统的做法往往是直接调用 API，然后将 AI 的回复嵌入到业务逻辑中。这种方式虽然直接，但存在几个显著的痛点：

  1. 过程黑盒化 ：AI 的思考过程、中间步骤、调用了哪些工具，对于开发者而言是不可见的。一旦输出结果不符合预期，排查问题如同“开盲盒”，难以定位是提示词问题、模型理解偏差还是外部工具调用失败。
  2. 流程僵化 ：每个 AI 功能往往需要从头编写一套固定的提示词和后续处理逻辑，难以实现复杂、多步骤的推理任务，更别提根据不同输入动态调整工作流。
  3. 工具集成繁琐 ：要让 AI 调用搜索引擎、数据库、代码解释器或自定义 API，需要开发者编写大量的胶水代码来处理身份验证、参数组装、错误重试等，集成成本高。
  4. 缺乏可观测性 ：在生产环境中，我们不仅需要 AI 的最终答案，更需要了解每个请求的成本（Token 消耗）、耗时、成功率以及完整的执行链路，这对于性能优化和成本控制至关重要。

DeepSeek Harness 正是为了系统性地解决这些问题而诞生的。它不是另一个聊天机器人，而是一个 AI 智能体（Agent）开发与编排平台 。其核心设计哲学是 “一切皆插件，过程完全可追溯” 。

  • “一切皆插件” ：在 Harness 的世界里，AI 的核心能力被抽象为一个个可插拔的“技能”。无论是联网搜索、读取文件、执行代码，还是查询数据库、调用第三方 API，都可以封装成独立的插件。开发者无需关心底层实现，只需像搭积木一样，通过自然语言或可视化方式，将这些插件组合成复杂的工作流（或称“智能体”）。这极大地降低了 AI 应用开发的门槛和复杂度。
  • “过程完全可追溯” ：Harness 会完整记录一次 AI 任务执行的完整生命周期。从用户输入、模型思考（Chain-of-Thought）、到每个插件的调用（输入参数、返回结果、状态码），再到最终输出，所有步骤都以结构化的日志形式呈现。这为调试、优化和审计提供了前所未有的透明度。

简单来说，DeepSeek Harness 的目标是成为 AI 时代的“操作系统”或“集成开发环境”，让开发者能够以工程化的方式，构建可靠、可控、可观测的 AI 智能体应用。它非常适合用于构建智能客服、数据分析助手、自动编程工具、内容创作流水线等需要多步骤、多工具协作的场景。

2. 环境准备与安装指南

DeepSeek Harness 提供了多种使用方式，包括在线平台、桌面客户端以及开发者 SDK。对于大多数想要快速上手体验和开发的用户，我们推荐从桌面端开始。以下将详细介绍不同方式的安装与准备。

2.1 系统要求与前置准备

  • 操作系统 ：支持 Windows 10/11, macOS 10.15+, Linux (Ubuntu 18.04+, CentOS 7+ 等主流发行版)。
  • 网络环境 ：需要能够正常访问公网，以下载客户端和调用 DeepSeek 等模型 API。
  • DeepSeek API Key ：Harness 的核心能力依赖于大模型。你需要一个 DeepSeek 平台的账户，并获取其 API Key。这是后续配置的关键。
    • 访问 DeepSeek 官网，注册并登录。
    • 在控制台或账户设置中找到“API Keys”部分，创建一个新的 Key 并妥善保存。

2.2 桌面客户端安装（推荐新手）

桌面客户端提供了最完整的图形化交互体验，包括工作流编排、插件市场、执行历史追溯等。

  1. 访问官网下载 ：打开浏览器，访问 DeepSeek Harness 的官方网站。在首页或下载页面，根据你的操作系统选择对应的安装包（如 DeepSeek-Harness-Setup-x.x.x.exe 用于 Windows， .dmg 用于 Mac， .AppImage 或 .deb / .rpm 用于 Linux）。
  2. 安装与启动 ：
    • Windows ：双击下载的 .exe 文件，按照安装向导提示完成安装。安装完成后，可以在开始菜单或桌面上找到快捷方式。
    • macOS ：打开下载的 .dmg 文件，将应用图标拖拽到“应用程序”文件夹中。首次启动时，可能会遇到安全提示，需要在“系统设置”->“隐私与安全性”中允许运行。
    • Linux ：对于 .deb 包（如 Ubuntu/Debian），可以使用 sudo dpkg -i package-name.deb 安装；对于 .AppImage ，赋予可执行权限 chmod +x filename.AppImage 后直接运行即可。
  3. 初始配置 ：首次启动客户端，通常会引导你进行初始设置。最关键的一步是 配置模型 API 。
    • 在设置（Settings）或模型配置页面，找到“添加模型”或类似选项。
    • 选择模型提供商为 DeepSeek 。
    • 将之前获取的 DeepSeek API Key 填入对应的输入框。
    • 配置 API 基地址（Base URL），通常使用官方默认地址即可，例如 https://api.deepseek.com 。
    • 保存配置。此时，你的 Harness 客户端已经具备了“大脑”。

2.3 命令行工具与 SDK 安装（面向开发者）

对于希望将 Harness 集成到自有系统或进行二次开发的用户，可以使用其命令行工具或 Python SDK。

安装命令行工具 (CLI)： 通常可以通过 npm 或 pip 进行安装。以 pip 为例（假设提供了 Python 包）： 

# 建议在虚拟环境中操作
pip install deepseek-harness

安装后，可以通过 harness --version 验证安装，并使用 harness login 等命令进行配置。

使用 Python SDK： SDK 提供了以编程方式创建和运行智能体的能力。 

pip install deepseek-harness-sdk

# 示例：使用 SDK 的基本结构
from deepseek_harness import HarnessClient, Agent

client = HarnessClient(api_key="your_deepseek_api_key")
# 创建或加载一个智能体
my_agent = client.load_agent("my_weather_agent")
# 运行智能体
result = my_agent.run("查询北京明天的天气")
print(result.output)

2.4 验证安装成功

无论通过哪种方式安装，都可以通过一个简单测试来验证环境是否就绪：

  1. 在桌面客户端，尝试创建一个简单的“对话”智能体（不添加任何插件），输入“你好”，看是否能正常收到 AI 回复。
  2. 如果使用 SDK，运行上面的示例代码（需替换真实的 API Key），看是否能成功调用。

3. 核心功能与工作流编排实战

安装配置完成后，我们来深入核心功能。Harness 的核心在于通过插件组装成智能体（Agent），并通过工作流（Workflow）来定义执行逻辑。

3.1 插件系统：能力的基石

插件是 Harness 扩展 AI 能力的核心单元。你可以从内置插件市场安装，也可以开发自定义插件。

浏览与安装插件： 在桌面客户端的“插件市场”或“集成”页面，你可以看到丰富的插件分类，例如：

  • 网络搜索 ：如 Serper , Brave Search 。
  • 文件处理 ：读取 PDF , Word , Excel , TXT ，甚至解析 PPT 。
  • 代码执行 ：支持 Python , JavaScript , Shell 等，通常在安全的沙箱环境中运行。
  • 第三方服务 ：连接 GitHub , Notion , Slack , 数据库 (MySQL, PostgreSQL) 等。
  • 多媒体 ：图像生成、音频转录等。

点击插件卡片，查看详情后选择“安装”。安装后，该插件就成为你可用的工具。

一个关键概念：插件的“描述” 。每个插件都包含一段自然语言描述，例如“一个可以获取实时天气信息的工具”。AI 模型正是通过阅读这些描述，来决定在什么情况下、使用什么参数来调用这个插件。因此，编写清晰、准确的插件描述至关重要。

3.2 创建你的第一个智能体：天气查询助手

让我们通过一个经典案例——创建一个天气查询智能体，来体验完整的工作流。

目标 ：用户输入城市名，智能体自动调用天气插件查询，并返回结构化的天气信息。

步骤 1：创建新智能体 在客户端点击“新建智能体”，命名为“天气小助手”。在描述框中填写：“一个帮助用户查询全球城市当前天气情况的助手。”

步骤 2：添加并配置天气插件

  1. 在智能体编辑界面，找到“添加工具”或“插件”区域。
  2. 从已安装的插件列表中找到天气插件（例如 Weather 或 OpenWeatherMap ）。如果未安装，先去插件市场安装。
  3. 添加插件后，通常需要对其进行配置。例如， OpenWeatherMap 插件需要你输入其 API Key（需前往 OpenWeatherMap 官网免费申请）。将 Key 填入配置项并保存。

步骤 3：配置模型与提示词

  1. 选择模型 ：在智能体设置中，选择你已配置好的 DeepSeek 模型（如 deepseek-chat ）。
  2. 系统提示词（System Prompt） ：这是指导 AI 如何行事的“宪法”。对于天气助手，我们可以这样写： 
    你是一个专业的天气查询助手。用户会提供城市名称（中文或英文）。你的任务是：
1. 理解用户想要查询的城市。
2. 调用天气查询插件，获取该城市的实时天气数据。
3. 将获取到的温度、湿度、天气状况、风力等信息，组织成一段友好、易懂的中文回复给用户。
如果用户没有提供城市名，或者插件查询失败，请友好地提示用户。
不要捏造天气信息。
    这段提示词明确了 AI 的角色、任务步骤、工具使用条件和输出格式。

步骤 4：测试与运行 保存智能体后，进入对话界面。输入“上海天气怎么样？”。观察右侧或下方的“执行轨迹”面板。

预期执行轨迹：

  1. 用户输入 ：“上海天气怎么样？”
  2. AI 思考 ：模型根据系统提示词，理解到需要查询“上海”的天气，并决定调用天气插件。
  3. 工具调用 ：显示调用 Weather 插件，参数为 location: “Shanghai” 或 city: “上海” 。
  4. 工具返回 ：显示插件返回的原始 JSON 数据，例如 {“temp”: 22, “humidity”: 65, “condition”: “Clear”, …} 。
  5. AI 回复 ：模型将 JSON 数据转化为自然语言：“上海目前天气晴朗，气温 22 摄氏度，湿度 65%，风力 2 级，感觉舒适。”

这个完整的、可视化的轨迹，正是“过程完全可追溯”的体现。

3.3 构建复杂工作流：智能数据分析助手

单一插件的能力有限，Harness 的强大之处在于串联多个插件。假设我们要构建一个智能助手： 用户提出一个关于某 GitHub 仓库的问题，助手能自动获取仓库信息，并尝试用 Python 分析其中的数据文件。

这个工作流涉及多个插件： GitHub 插件、 Code Interpreter （代码解释器）插件。

工作流设计思路：

  1. 理解意图 ：AI 解析用户问题，例如“帮我分析一下 harness-demo/weather-data 这个仓库里 data.csv 文件的平均温度”。
  2. 调用 GitHub 插件 ：AI 自动调用 GitHub 插件，参数为 owner: “harness-demo” , repo: “weather-data” , path: “data.csv” ，获取文件内容。
  3. 调用 Code Interpreter ：AI 将获取到的 CSV 文件内容和用户问题（计算平均温度）作为输入，调用 Python 代码解释器插件。生成的代码可能如下： 
    import pandas as pd
from io import StringIO
# csv_content 是从上一步获取的字符串
data = pd.read_csv(StringIO(csv_content))
average_temp = data[‘temperature’].mean()
print(f”平均温度是：{average_temp:.2f}°C”)
  4. 整合回复 ：AI 接收代码执行器的输出（即打印的结果），组织成最终答案回复给用户。

在 Harness 的可视化工作流编辑器中，你可以通过拖拽节点（用户输入、AI 模型、插件 A、插件 B、输出）并用连线定义执行顺序，来构建这样的流程，无需编写复杂的控制逻辑代码。

4. 高级特性与配置详解

掌握了基础操作后，一些高级特性能让你的智能体更强大、更稳健。

4.1 提示词工程与角色设定

系统提示词是智能体的“灵魂”。除了基础指令，还可以进行高级设置：

  • 角色扮演 ：让 AI 以特定身份（如资深运维工程师、财务分析师、幽默的伙伴）进行对话，输出风格会截然不同。
  • 输出格式约束 ：严格要求 AI 以 JSON、XML、Markdown 表格等特定格式输出，便于后续程序解析。例如：“请始终以以下 JSON 格式回复： {“city”: “城市名”, “temperature”: 温度值, “unit”: “摄氏度”} ”。
  • 思维链（Chain-of-Thought）鼓励 ：在提示词中要求 AI “逐步思考”，这通常能提高复杂任务的推理准确性，并且思考过程会在追溯日志中完整展现。

4.2 上下文管理与记忆

智能体如何记住之前的对话？

  • 会话记忆 ：Harness 默认会管理对话上下文，将之前的问答历史作为后续请求的上下文传入模型。你可以设置上下文窗口的长度（Token 数）。
  • 长期记忆/向量数据库 ：对于需要记忆大量知识或跨会话记忆的场景，可以集成向量数据库插件（如 Chroma , Pinecone ）。智能体可以将重要信息写入向量库，并在需要时检索，实现“长期记忆”。

4.3 条件分支与循环

在可视化工作流中，你可以添加“条件判断”节点。例如：

  • 判断用户意图 ：根据用户输入的内容，判断是“查询天气”还是“查询新闻”，从而流向不同的插件分支。
  • 错误处理 ：判断插件调用是否返回错误码，如果是，则流向“重试”或“向用户报错”的分支。
  • 循环处理 ：例如，用户上传一个包含多个城市名的文件，工作流可以循环读取每一行，依次调用天气插件查询，最后汇总报告。

4.4 环境变量与安全配置

为了团队协作和安全生产，需要关注配置管理：

  • 环境变量 ：不要在提示词或插件配置中硬编码 API Key。Harness 支持设置环境变量（如 OPENWEATHER_API_KEY ），在插件配置中引用 {{env.OPENWEATHER_API_KEY}} 。这样，密钥与流程定义分离，更安全。
  • 权限控制 ：对于企业版或团队协作场景，可以设置不同用户/角色对智能体、插件的使用和查看权限。
  • 沙箱安全 ：对于代码执行类插件，务必确认其运行在安全的沙箱环境中，避免执行恶意代码对主机造成影响。

5. 开发自定义插件实战

当内置插件市场无法满足你的需求时，开发自定义插件是必然选择。Harness 插件本质上是一个遵循其规范的 HTTP API 服务。

5.1 插件结构定义

一个插件通常需要提供两个核心端点：

  1. /.well-known/ai-plugin.json ：插件的“说明书”，一个 JSON 文件，描述插件名称、功能、认证方式以及最重要的—— 工具描述 和 输入参数模式（OpenAPI Schema） 。
  2. 执行端点 ：实际执行操作的 API 端点。

5.2 示例：开发一个“待办事项（Todo List）”插件

我们将创建一个简单的插件，让 AI 可以帮用户管理待办事项。

步骤 1：创建项目结构 

mkdir harness-todo-plugin
cd harness-todo-plugin
pip install fastapi uvicorn pydantic

步骤 2：编写插件描述文件 ( ai-plugin.json ) 

{
  “schema_version”: “v1”,
  “name_for_human”: “待办事项管理器”,
  “name_for_model”: “todo_manager”,
  “description_for_human”: “一个简单的个人待办事项管理工具，可以添加、列出和删除待办项。”,
  “description_for_model”: “这是一个管理待办事项的工具。用户可以让它添加一个新待办项，列出所有待办项，或者根据ID删除一个待办项。待办项有id、内容和完成状态。”,
  “auth”: {
    “type”: “none”
  },
  “api”: {
    “type”: “openapi”,
    “url”: “http://localhost:8000/openapi.json”
  },
  “logo_url”: “http://localhost:8000/logo.png”,
  “contact_email”: “dev@example.com”,
  “legal_info_url”: “http://example.com/legal”
}
  • description_for_model 是关键，AI 通过阅读这段文本来理解何时调用此插件。

步骤 3：编写 FastAPI 应用 ( main.py ) 

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import List, Optional
import uuid

app = FastAPI(title=“Todo Plugin API”)

# 内存存储，实际应用应使用数据库
todos = []

class TodoItem(BaseModel):
    id: str
    content: str
    completed: bool = False

class CreateTodoRequest(BaseModel):
    content: str

class DeleteTodoRequest(BaseModel):
    id: str

@app.post(“/todos”, response_model=TodoItem, summary=“创建新的待办事项”)
async def create_todo(request: CreateTodoRequest):
    “”“添加一个新的待办事项”“”
    new_id = str(uuid.uuid4())[:8]
    new_todo = TodoItem(id=new_id, content=request.content)
    todos.append(new_todo)
    return new_todo

@app.get(“/todos”, response_model=List[TodoItem], summary=“获取所有待办事项”)
async def list_todos():
    “”“列出所有的待办事项”“”
    return todos

@app.delete(“/todos/{todo_id}”, summary=“删除待办事项”)
async def delete_todo(todo_id: str):
    “”“根据ID删除一个待办事项”“”
    global todos
    initial_length = len(todos)
    todos = [todo for todo in todos if todo.id != todo_id]
    if len(todos) == initial_length:
        raise HTTPException(status_code=404, detail=“Todo item not found”)
    return {“message”: f”Todo {todo_id} deleted successfully”}

# 提供 OpenAPI  schema
@app.get(“/openapi.json”, include_in_schema=False)
async def get_openapi():
    return app.openapi()

步骤 4：运行插件服务 

uvicorn main:app --reload --port 8000

步骤 5：在 Harness 中连接自定义插件

  1. 在 Harness 桌面客户端，进入“插件”或“集成”页面。
  2. 选择“添加自定义插件”或“通过 URL 添加”。
  3. 输入你本地运行的插件描述文件地址： http://localhost:8000/.well-known/ai-plugin.json 。
  4. Harness 会自动读取描述文件并注册插件。现在，你就可以在创建智能体时，像使用官方插件一样使用这个“待办事项管理器”了。

你可以创建一个智能体，系统提示词为：“你是一个任务管理助手，帮助用户管理待办事项。用户说‘添加一个任务：写周报’时，调用待办插件创建；用户说‘看看我的任务’时，调用插件列出所有任务。” 然后进行测试，观察完整的可追溯流程。

6. 常见问题与排查思路

在使用 DeepSeek Harness 过程中，你可能会遇到一些典型问题。以下是一个快速排查指南。

问题现象 可能原因 排查步骤与解决方案
智能体不调用插件 1. 系统提示词未明确指示使用插件。
2. 插件描述 ( description_for_model ) 不清晰，AI 无法理解何时调用。
3. 模型能力限制，未能正确理解工具使用场景。 		1. 检查并优化系统提示词，明确写出“请调用 XX 插件来完成 YY 任务”。
2. 修改插件描述，用更简单、直白的语言说明插件的功能和触发条件。
3. 尝试更换或升级模型版本。在提示词中鼓励 AI 进行逐步思考（Chain-of-Thought）。
插件调用失败（错误码） 1. 插件 API 配置错误（如 API Key 无效、URL 错误）。
2. 插件服务本身异常或网络不通。
3. AI 生成的调用参数不符合插件 API 的 Schema 要求。 		1. 在 Harness 中检查插件的配置项，确保 API Key、Base URL 正确无误。
2. 直接使用 curl 或 Postman 测试插件 API 端点，确认其可用性。
3. 查看执行轨迹中插件调用的“输入”参数，与插件的 OpenAPI Schema 对比，看是否有格式、类型或必填字段缺失的问题。优化提示词来指导 AI 生成正确的参数。
执行轨迹中看不到思考过程 1. 模型响应被截断或未返回思考过程。
2. Harness 配置或前端显示问题。 		1. 在模型配置中，确认是否支持并返回了思考过程（如 DeepSeek 模型通常支持）。在系统提示词开头添加“请逐步推理你的思考过程”。
2. 检查 Harness 客户端是否为最新版本，或尝试在 Web 端查看。
自定义插件连接失败 1. 本地服务未运行或端口被占用。
2. ai-plugin.json 文件路径或内容错误。
3. CORS（跨域）问题。 		1. 确认 uvicorn 服务已成功启动在指定端口（如 8000），并无报错。
2. 直接在浏览器访问 http://localhost:8000/.well-known/ai-plugin.json ，确认能返回正确的 JSON。
3. 在 FastAPI 应用中添加 CORS 中间件（ from fastapi.middleware.cors import CORSMiddleware ）。
智能体回复内容不符合预期 1. 提示词指令模糊或有歧义。
2. 上下文过长，导致模型遗忘早期指令。
3. 插件返回的数据格式难以被模型理解。 		1. 采用更清晰、结构化、无歧义的提示词。使用“角色-任务-步骤-输出格式”的模板。
2. 减少单次对话的轮次，或利用“总结上下文”等技术管理 Token 消耗。
3. 在插件端，尽量返回结构清晰（如 JSON）且包含必要说明的数据，避免过于原始或杂乱的数据。
桌面客户端启动缓慢或卡顿 1. 本地网络问题导致初始化时加载资源慢。
2. 客户端版本过旧。
3. 系统资源不足。 		1. 检查网络连接，尝试重启客户端。
2. 前往官网下载并安装最新版本客户端。
3. 关闭不必要的后台程序，释放内存和 CPU。

7. 最佳实践与工程建议

将 Harness 用于实际项目时，遵循以下最佳实践可以提升效率、稳定性和安全性。

7.1 提示词设计原则

  • 明确具体 ：避免“帮我处理一下数据”这种模糊指令，应改为“读取 data.csv 文件，计算‘销售额’列的总和与平均值，并用 Markdown 表格展示结果”。
  • 结构化与约束 ：使用 XML 标签或特定格式来划分指令部分，例如 <role>你是一个数据分析师</role><task>分析数据</task><output_format>JSON</output_format> 。明确约束输出格式。
  • 分步引导 ：对于复杂任务，在提示词中拆解步骤，鼓励 AI 逐步执行，例如“第一步，识别用户意图；第二步，调用相应插件；第三步，整合插件结果并回复”。
  • 提供示例（Few-Shot） ：在提示词中提供一两个输入输出的例子，能显著提升 AI 对任务格式和风格的理解。

7.2 插件开发与使用规范

  • 单一职责 ：一个插件只做一件事，并把它做好。例如，“查询天气”和“查询空气质量”应该是两个独立的插件，而不是一个“环境查询”插件。这有助于 AI 更精确地选择工具。
  • 健壮的 API 设计 ：自定义插件的 API 应包含清晰的错误处理，返回标准的 HTTP 状态码和错误信息 JSON，方便 AI 和上游系统处理异常。
  • 详尽的描述 ： description_for_model 字段至关重要。用自然语言清晰描述插件的功能、适用场景、输入参数的含义和格式、以及输出的典型结构。
  • 认证与安全 ：如果插件涉及敏感操作或数据，务必实现认证（如 API Key、OAuth）。在 Harness 中配置认证信息时，使用环境变量，不要硬编码。

7.3 工作流编排策略

  • 模块化设计 ：将常用的功能序列（如“获取数据-清洗数据-分析数据”）封装成子工作流或独立的智能体，便于复用和维护。
  • 加入人工审核节点 ：对于涉及重要操作（如发送邮件、修改数据库、发布内容）的流程，可以在关键节点后设置“人工审核”步骤，待确认后再继续执行。
  • 实施重试与降级机制 ：对于调用外部 API 的插件节点，配置失败后的重试策略（如重试 2 次，间隔 1 秒）。对于非核心插件，设计降级方案（如搜索插件失败后，改为基于本地知识库回答）。
  • 全面日志与监控 ：充分利用 Harness 提供的执行轨迹功能进行调试。对于生产环境，考虑将执行日志对接至 ELK（Elasticsearch, Logstash, Kibana）或 Sentry 等监控系统，便于问题追踪和性能分析。

7.4 生产环境部署考量

  • 模型 API 管理与降级 ：不要依赖单一模型供应商。在 Harness 中配置多个模型备用（如 DeepSeek、GPT、Claude 等），并设置 fallback 策略，当主模型调用失败或超时时自动切换。
  • 速率限制与成本控制 ：在模型和插件的配置中，合理设置请求速率限制（Rate Limit），防止意外高频调用导致 API 费用激增或被封禁。
  • 数据隐私与合规 ：清楚了解数据流经的路径。如果处理敏感数据，确保模型 API 和插件服务提供商符合你的数据合规要求。必要时，使用本地化部署的模型和插件。
  • 版本控制 ：对智能体的提示词、工作流配置进行版本控制（如使用 Git）。任何对生产智能体的修改都应经过测试和审核流程。

DeepSeek Harness 通过其插件化架构和强大的可追溯性，为 AI 应用开发带来了真正的工程化可能。它降低了复杂智能体构建的门槛，同时通过透明化的执行过程解决了 AI 黑盒的信任问题。从简单的信息查询助手到复杂的多步骤业务自动化流程，Harness 提供了一个统一、灵活且强大的平台。建议从一个小而具体的场景开始实践，逐步熟悉插件开发和工作流编排，最终将其融入你的开发工具箱，高效构建下一代 AI 驱动的应用。

# AI智能体 # 插件系统
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

cover

AI 已经能直接改设计稿了:Windows部署Penpot，接入Codex MCP实测

avatar 码道开发者社区
cover

【AI大模型】-DeepSeek Harness 深度解析

avatar 码道开发者社区

【AI 业务流架构师】AI 业务流架构师方法论：Agentic AI 范式转移与业务编排思维

2026 年，Anthropic CEO Dario Amodei 在 Code with Claude 大会上的一个判断广为流传：一个人运营一家十亿美元级公司的概率是 70%–80%。这句话听起来像科幻小说的设定，但它背后是一个正在发生的结构性变化——AI 把"执行"的成本压到了历史低点，同时把"编排"的价值推到了前台。这意味着我们需要一套新的思考框架，来回答两个问题：一个人如何拥有一个公司的产

avatar 码道开发者社区