DeepSeek Harness 如何让 AI 在企业中持续工作

11 月 3 日，山东 CIO 联盟 AIHUB 举办线上沙龙，围绕 DeepSeek Harness 的架构与制造业应用开展交流。AIHUB 技术负责人田安安通过插件演示，展示了把模型、专业工具和业务资料连接起来的尝试。现场讨论也指向一个共同问题，企业已经有了模型、知识库和业务系统，怎样把它们组织起来，让 AI 持续完成具体工作？

DeepSeek Harness 是 DeepSeek 开源的 Agent 运行框架，目前处于预览阶段。模型承担理解、推理和行动选择，Harness 则为它组织上下文、提供工具、管理会话与执行过程。员工提出任务后，AI 可以在这个环境里调用工具，根据结果继续处理，逐步推进工作。

理解这一架构，可以先抓住“一切皆插件”。它基于 Cordis 插件系统，底层负责插件的加载、卸载和依赖管理，模型适配、工具、技能、会话、沙箱、执行循环与界面，都由插件提供。开发者可以通过配置选择和替换这些能力，也可以开发自己的插件，把业务工具接进来。

企业由此获得了一定的架构选择空间。用于识别图片的模型、读取数据库的工具、面向工程师的操作界面，可以分别扩展。随着模型和技术更新，企业有望复用已经建设好的工具接口与业务能力，减少反复改造。这种复用能否成立，还取决于接口约定和实际测试。

任务执行依靠一条持续反馈的循环。系统准备资料与工具说明，模型决定下一步操作，工具执行后返回结果，模型再判断是否需要继续调用或补充信息。会话日志记录模型输入、工具调用和结果，为排查问题、恢复任务提供依据。企业可以据此追问，AI 当时看到了哪些信息，为什么走到这一步，哪次调用出现了问题。

沙龙之后，项目继续迭代。11 月 11 日发布的 v0.2.2-rc.2 预发布版，增加了具名、多层子代理协作，AgentTeam 可按会话开启，共用成员与任务面板。多 Agent 的分工和协调，正在获得更具体的工程支持。

现场的三维设计演示，让架构变得直观。工程师在零件上选中一个面，插件把模型文件、位置和标注一起交给 AI，再调用 CAD 工具处理。田安安还展示了视觉质检等自研插件原型，其中部分能力集成自开源项目。专业软件中的处理能力，可以通过插件成为 AI 执行任务时使用的工具。

这一演示还提示了上下文建设的一种路径。工程师选中的部位、正在处理的文件、希望完成的修改，都可以在操作时一起传给模型。企业可以从具体岗位入手，逐项判断完成任务需要哪些信息，再把这些信息的获取方式接到工作过程中。

沿着这一架构，我们认为有两类变化值得持续观察。

企业应用的入口可能更多围绕任务组织。比如，员工发起“核对这批质检资料”的任务，Agent 组合文档读取、业务查询、规则核对和工单草拟等能力。ERP、MES 的接口也可以参与其中。同一批经过验证的工具，有望服务于多个岗位。企业 IT 团队则可以把更多精力用在定义任务、连接能力和检验结果上。

CIO 的工作可能进一步延伸到 AI 运行体系的设计。当多个员工和 Agent 调用同一套工具，身份、数据范围、执行权限、人工确认和异常接管，都需要统一安排。模型能力不断更新，企业也要持续积累自己的业务规则、工具接口、工作流和评估样本。这些资产的质量，会影响 AI 能接手多大范围的工作。

多 Agent 协作还带来一项需要验证的问题。任务拆给多个 Agent 后，信息交接、结果核对和协调本身也会产生开销。能否更快、更准确地完成工作，需要结合实际任务比较。企业应当关心整段任务的耗时、返工与成本。

沙龙中的企业同行也提到，个人使用顺手之后，组织应用仍会遇到流程跑偏、上下文丢失等问题。DeepSeek Harness 提供了可扩展的基础，真正进入日常业务，还需要验证插件兼容性、权限设置和异常处理。

AIHUB 希望与企业同行一起，从一项真实任务出发，把所需资料、工具、流程和人工确认连接起来，在不同人员、不同材料下反复检验，让一次成功的尝试逐步沉淀为团队可以使用的能力。