ai agent

DeepSeek Harness 深度架构全解析本文对 DeepSeek Harness（以下简称 DSH）进行全面的技术架构剖析，全文由Claude Code + GLM-5.2撰写后小范围调整。文中将从"如何让 Agent 框架的每个部分都可替换"这个最核心的设计问题出发，逐步展开其插件系统、Agent 生命周期、工具执行管线、LLM 抽象、会话模型、双端架构和构建体系。旨在提供一份学习DSH的阅读指南，适合对 AI Agent 框架设计感兴趣的中高级开发者阅读。

长谷深风111

ReAct框架：让AI像人类一样思考与行动你让一个 AI 帮你查下周去上海出差的航班。如果它只是普通聊天模型，它可能告诉你怎么买票、该比较哪些因素，却不知道真实票价。如果给它接上航班查询工具，它可以调用接口拿到结果。但新的问题马上出现：查哪一天？直飞还是转机？结果太贵怎么办？要不要继续换时间查？

7.1 项目背景与价值（数据分析专家Agent）叶彦辛《扣子编程从一句话到产品上线：零门槛AI心流开发》全书案例分享~_扣子编程从一句话到产品上线:零门槛ai心流开发-CSDN博客

7.1 User特质的周期提取与自进化（智能体工程）《智能体工程驱动AI Agent开发》1~6章试读-持续更新-CSDN博客在前面的章节中。我们实现了基于单轮对话的用户特质实时抽取，完成了用户偏好、行为习惯、核心诉求的基础画像构建。但该逐轮抽取模式存在不可忽视的核心缺陷：持续的特质抽取指令与重复的特征校验，会带来大量非必要的词元开销，长期对话中会持续挤占宝贵的上下文窗口资源，同时还存在特质碎片化、跨轮一致性不足、冗余信息堆积等问题，反而会影响Agent交互的精准度与响应效率。

长谷深风111

AI工作流编排的三大关键问题很多人第一次设计 AI Agent 工作流时，会很自然地把它想成一张流程图：Planner 拆任务，Tool 执行，能并行的就并行，最后汇总结果。

7.2 上下文记忆的优化与重整合（智能体工程）《智能体工程驱动AI Agent开发》1~6章试读-持续更新-CSDN博客在前面章节中，我们已实现用户核心特质的自动化提取、持久化存储与智能体基础自进化能力，完整搭建起“记忆提取－动态更新－持久化存储－上下文注入”的基础读写闭环。但这套基础方案在长周期、多轮次的对话运行中，逐渐暴露出一系列核心短板：缺乏记忆冲突校验机制导致新旧信息异常覆盖、无标准化去重逻辑造成内容冗余堆积、全量记忆强制注入引发上下文Token无效膨胀、历史任务执行经验无法被有效复用等，直接制约了智能体长周期运行的稳定性与自进化的精准度。

长谷深风111

Agent 何时该 Replan：五个关键判断一个 Agent 正在执行“查找某家公司最近一年的公开融资记录，并整理成表格”的任务。Planner 给出的计划很顺：先搜索公司信息，再查询融资新闻，最后汇总。可执行到第二步时，Tool 返回了空结果。Executor 再试一次，还是空。问题来了：应该继续 Retry，换参数再搜，还是直接 Replan？

【系列：手搓自主 AI Agent：Hermes 架构原理剖析 · 第 5 篇】导读： Agent 跑得越久，上下文越膨胀、故障越频繁。本文拆解 learn-hermes-agent 阶段 1 收官代码：三层递进压缩把 50K tokens 压回可控范围，四类错误路径让 Agent 从崩溃边缘自动恢复。读完你也能写出不失控、不宕机的单 Agent。

7.3 面向Agent的提示词设计方法论本节以笔者发给扣子编程的原始提示词为例，抽取其中可复用的设计原则。这段提示词虽然只有寥寥数行，其背后却隐含五个关键的设计决策。提示词页面如图7-1所示。

长谷深风111

从 Plan 到 DAG：如何判断依赖、环与并行任务假设你让一个 AI 完成这样一件事：分析一家公司的竞争格局，写出报告，并根据结论生成一份演示文稿。AI 很快给出一个 Plan：搜集资料、整理竞争对手、分析市场、撰写报告、制作 PPT。看起来条理清楚，但真正执行时问题才出现：哪些步骤必须等前一步完成？哪些可以同时进行？如果两个任务互相等待怎么办？AI 生成的执行图，又怎么判断它真的能跑？

8.2 智能体的心跳执行模式：以智能体为核心（智能体工程）在上一节中，我们实现了以定时器为核心的心跳执行方案，通过定时器主动调度触发智能体的任务执行流程。该模式虽能满足基础的定时执行需求，但在架构解耦、智能体自主可控性上仍存在优化空间。

8.1 智能体的心跳执行模式：以定时器为核心（智能体工程）在前面章节中，我们已经实现了用户核心特质的自动化提取、全生命周期记忆管理与智能体基础自进化能力，完整搭建起“记忆提取－动态更新－持久化存储－上下文注入”的闭环体系。但这套体系始终依赖用户主动发起对话触发，智能体长期处于被动响应状态，无法实现无人工干预的主动记忆运维、任务巡检与状态感知。

开源两天 9.5 万 Star！DeepSeek Harness 到底是个啥？小白安装到实战一篇讲透大家好，我是晓凡。AI 圈又炸了。DeepSeek V4 Pro 正式版刚上线，万众瞩目的 DeepSeek Harness 紧接着开源。

小田学Python

上下文工程：Agent 的“工作台”收拾好没两个人用同一个大模型做 Agent，一个稳一个傻。差别往往不在模型，而在“工作台上摆了什么”。上下文工程，就是 Agent 最重要的工程能力之一。

【系列：手搓自主 AI Agent：Hermes 架构原理剖析 · 第 11 篇】导读： Hermes 系列第 11 篇，覆盖阶段 4 的四项高级能力：MCP 协议接入外部进程工具、Playwright 驱动真实浏览器、语音视觉多模态管道、CLI 与 Web 交互界面。本篇为概览式，聚焦每章核心机制与关键代码，帮你建立完整的能力地图，为终篇自我进化闭环做铺垫。

6.4 关键时刻：它自己修好了 Bug在 AI 写完代码并开始自测时，发生了一个小插曲——这在传统开发中几乎天天都会出现。它在调用生成故事的 API 时，控制台抛出了一段错误信息，提示当前运行环境不支持某个文件模块，如图 6-6 所示。

Agent 安全实战：提示词注入、权限边界、数据泄露与成本控制Agent 和普通聊天机器人最大的区别在于：它不仅会回答问题，还可能访问知识库、调用接口、查询业务数据，甚至触发真实操作。

从0到1手搓生产级 AI Agent：LangGraph 1.2 + LangChain 1.3 保姆级实战（全部代码已跑通）写在前面：网上 90% 的 Agent 教程还停留在 langgraph 0.2.x 的写法，AgentExecutor、initialize_agent 这些 API 早就废弃了，复制过去只会满屏 ImportError。

参数从哪来、何时来 —— 提取时机与平台化 Slot 管理核心论点：参数可靠性不只取决于"抽得准不准"，还取决于"什么时候抽、抽来的结果存在哪、谁来保证它不被模型改写"。前置规则、运行期触发、执行时查询是三种时机，平台化 Slot（槽位）是把它们统一治理的成熟形态——但它替代不了硬强制，两者管的是不同环节。