Agent Plan × DeepSeek Harness 实践指南

最新的 DeepSeek 智能体应用框架（DeepSeek Harness，简称 DSH）Model、Tool、Memory、Sandbox 和 Agent 都可以作为独立组件进行组合、替换和扩展。 Harness 本身保持轻量化，它主要负责三件事：调度模型与工具、在高危操作前进行人工确认，以及维护任务执行计划。

启动方式很轻：启动 DSH Web UI

npx @deepseek-ai/dsh web# 默认访问 http://127.0.0.1:3080/

同样基于 Agent = Model + harness 的理念，方舟 Agent Plan 将 Agent 运行所需的模型能力与 Harness 组件进行了整合，让 Agent 具备执行任务、沉淀记忆、持续优化和构建应用的能力；且通过一次订阅即可使用相关能力，AFP 额度统一抵扣，开发和使用成本更易控制。

简单而言，DSH 提供了一套灵活的 Agent 运行框架，Agent Plan 则提供了更丰富的 Plugin 组件和资源支持。

这些组件不是简单堆叠在一起，Agent Plan 提供的是方舟沉淀的产品能力，以及经过大量真实 Agent 项目验证的 Harness 优选组件。无论是搜索能力的选择、数据源的可信判断、记忆模块的接入，还是 Agent 的持续优化，都经过了实际场景的验证和筛选。开发者无需在大量 Plugin 中反复尝试，装上就是一套能打的组合。

Agent Plan 提供大脑：覆盖全模态主流模型

Agent Plan 提供文本生成、图像生成、视频生成、向量化等全模态模型能力，开发者可以在 DSH 的"设置 → 模型"里添加自定义提供方，并通过 Agent Plan 专属 API Key 接入模型。

Agent Plan 提供手脚和记忆：五大 Harness 组件

模型接入之后，再把 Agent Plan 的 Harness 组件接入 DSH。每个组件对应一类实际问题，组合起来覆盖 Agent 从信息获取、数据查询，到记忆、进化和应用开发的完整链路。

• 豆包搜索：让 Agent 能上网

模型的知识有截止时间，但 Agent 要处理的任务往往没有。接入豆包搜索后，Agent 可以主动检索最新信息、核验信息来源，并支持权威来源过滤、时间范围筛选和 Query 自动改写。

• 专业数据集：给 Agent 更专业的数据

通用搜索覆盖不到的场景，可以交给专业数据集处理，包括上市公司财报、工商信息、司法风险、学术论文、车型配置、宏观指标等。它会根据 Query 自动匹配对应的垂类数据库。

比如，Agent 查询「汽车最近三年的 ROE 变化」，会调用金融数据库返回结构化的 ROE 数据；如果查询「某款汽车的底盘配置」，则会路由到车型配置库。

Agent 记忆：让 Agent 跨会话记住上下文

基于 OpenViking Context 的 Agent 记忆，可以理解为「虚拟文件系统 + 语义检索」的上下文数据库。它将记忆、资源、技能统一抽象成文件，按层级加载、按需召回，并在会话结束后自动沉淀长期记忆。接入后，DSH 中的 Agent 会在每轮对话前自动召回相关记忆，并在任务结束后增量捕获新的信息。比如新会话里再次提到上次讨论过的项目，Agent 可以直接接上之前的上下文。

• Agent 进化：让 Agent 在使用中持续优化

Evolve 组件会分析 Agent 的近期会话，识别运行过程中可以优化的指令文件，包括 CLAUDE.md、AGENTS.md、Skills，并生成带 diff、证据、风险值和置信度的优化建议；只有在确认之后，这些修改才会真正写入。例如连续运行几次真实任务后，让 Agent 执行 "Learn from my recent sessions" ，它可以根据近期会话中反复出现的纠正和反馈，整理成可以长期复用的指令。

• AI Native 应用开发底座：让 Agent 把任务落到真实产品上

前面的组件解决了 Agent 获取信息、使用数据、记忆上下文和持续优化的问题，但很多任务最终还需要落到一个可以运行的产品上：数据要存储，用户要登录，文件要管理，应用还需要部署。AI Native 开发底座（基于火山引擎 Supabase）给 Agent 提供了 Serverless PostgreSQL、认证、对象存储、边缘函数、实时同步和"推送即发布"的前端部署，接入后 Agent 可以用自然语言建表、写策略、部署 ------ 不用手动搭后端。

实战案例：在 DSH 里长出投资研究助手

小曾是一个独立开发者，也长期关注自己的几只持仓。他想做一个属于自己的投资研究助手：每天自动跟踪三家车企的重要公告和新闻，查询财务指标与核心车型销量，发现值得关注的变化后生成一页研究简报；历史研究结果都能保存下来，之后随时可以继续追问。

他没有从爬虫、数据库和后端开始写，而是打开 DSH，把 Agent Plan 里的模型、搜索、专业数据、记忆和应用开发能力一个个接进去。

然后给 DSH 第一个任务：

我长期关注**、、 （我们选择了 3 个真实上市公司股票） 帮我建立一套每日投资研究流程：关注三家公司的核心财务指标、重点车型及近半年销量，以及最新公告、产品和行业动态。发现重要变化时说明发生了什么、有哪些数据支持，并生成每日研究简报。

我更关注基本面、产品周期和销量趋势，不要仅根据短期股价涨跌判断公司经营变化。

接入模型和 Harness 能力

为了让这个投资研究助手不只是"根据模型知识聊几句"，小曾为 DSH 接入持续升级能力的 Seed-evolving 模型，Seed-Evolving 模型在搜索幻觉、工具调用幻觉、状态幻觉等方面显著降低，同时抗误导能力明显提升，整体输出更加可靠。 之后小曾又陆续接入 5 类 Harness 能力：

第一次运行：从一个问题到一份研究简报

拿到任务后，Seed-Evolving 首先不会直接给出结论，而是把任务拆成需要执行的步骤。Agent 根据不同的任务自主选择对应的数据和工具完成研究。

先查专业数据

对于财务和产品等结构化信息，Agent 优先调用专业数据集。

再用豆包搜索解释"最近发生了什么"，

最后生成每日研究简报

不止生成一次：把研究结果真正留下来

到这里，一个普通 Agent 其实已经可以结束了：任务完成，给出答案。

但小曾想要的是一个长期使用的研究助手，而不是每天重新问一遍。于是他继续对 Agent 说：

把这套研究结果做成一个可以持续更新的投资研究页面。保存三家公司的基本信息、关键财务指标、车型销量、每日简报和历史结论，后续新的研究结果继续追加进去。

这时，Agent 进一步调用 AI Native 开发底座 Harness 能力。

第二次打开，它还记得小曾的习惯

在第一次研究中，小曾已经告诉 Agent：

我更关注基本面、产品周期和销量趋势，不要仅根据短期股价涨跌判断经营变化。

完成首轮任务后，小曾新开一个会话，只问：

今天我关注的公司有什么值得看的？

基于 OpenViking Context 记忆能力基座的 Agent 会记住小曾的习惯，给出符合小曾要求的回答。

用一段时间后，它开始学习小曾的研究方法

单次看，这些只是普通的人机对话。但当类似反馈在多个任务里反复出现后，Agent 进化能力可以从近期会话中识别这些稳定的工作习惯，并生成长期规则的优化建议，例如：

DeepSeek Harness 把插槽做得薄而开放；Agent Plan 负责把好的插件递到手上，剩下需要输入的，就是无限的创力。