AI Harness 工程化
把模型接进应用只是开始。真正决定 AI 编程和 Agent 应用能否稳定交付的，是围绕模型建立的 Harness：上下文如何准备、工具如何授权、任务如何拆分、结果如何验证，以及失败后如何恢复。
本专栏面向已经具备 Go/Java 后端经验的开发者，从概念、配置和最小示例开始，逐步搭建一个可测试、可审计、可持续升级的 AI 工程协作系统。
最后核验日期：2026-08-15
资料状态：教程中的快速变化能力以官方文档为准；预览能力会显式标注。
DeepSeek Harness：本文专指 DeepSeek 官方deepseek-ai/deepseek-harness项目及@deepseek-ai/dsh工具。
学习路线
建议顺序：
- Harness 是什么
- 主流 Coding Agent 对比
- 上下文与规则文件
- Skills
- Hooks
- Subagents
- MCP 基础
- MCP 生产实践
- DeepSeek API
- DeepSeek Harness
- DeepSeek Harness 扩展
- Go/Java 综合项目
- 评测体系
- 安全边界
- 版本治理
你将掌握什么
- 说清模型、Agent、Harness、Skill、Hook、MCP Server 的职责边界。
- 为 Go/Java 仓库设计可维护的规则文件和任务上下文。
- 把重复的开发流程固化为 Skill，把确定性校验放进 Hook。
- 用 Subagent 拆分规划、编码、测试和审查，控制权限和成本。
- 从 stdio MCP Server 迁移到具备授权、审计和限流能力的远程 MCP。
- 使用 DeepSeek 的 Tool Calls、JSON Output、思考模式和 Responses API。
- 用 DeepSeek Harness 编排真实代码任务，并用评测数据管理版本。
术语关系
| 概念 | 主要职责 | 典型问题 |
|---|---|---|
| Model | 生成推理和文本 | 下一步应该做什么？ |
| Agent | 根据目标循环决策 | 需要调用哪个工具？ |
| Harness | 为 Agent 提供运行时、约束和反馈 | 如何安全、可恢复地完成任务？ |
| Skill | 可复用的领域流程 | 代码审查应该按哪些步骤做？ |
| Hook | 确定性的生命周期门禁 | 写完代码后是否必须跑测试？ |
| MCP | 标准化外部工具和资源接入 | Agent 如何访问 Git、数据库或知识库？ |
工具选择的原则
不要先问“哪个工具最强”，先明确四个约束：
- 是否允许模型修改文件和执行命令？
- 工具调用是否需要人工审批或审计？
- 任务是一次性问答，还是持续数小时的工程任务？
- 团队是否需要统一配置、评测和版本回滚？
个人本地探索可以从轻量配置开始；团队生产环境则必须优先设计最小权限、可观测性、失败恢复和回归评测。
与站内其他内容的关系
- Agent 与 RAG：补充 Agent、RAG、Tool Calling 和 MCP 的应用基础。
- Go AI 工程化：补充 Go 服务、Eino 和 AI 应用工程实践。
- Java Agent：补充 Java Agent 运行时和企业应用集成。
- AI 学习路线：帮助安排从后端到 AI 应用开发的整体顺序。
版本更新说明
本专栏每次涉及工具命令、协议版本、模型名称或官方配置时，都在文章头部更新：
- 最后核验日期
- 适用版本
- 稳定性：稳定、预览或实验
- 官方资料和迁移说明
最后核验日期并不代表功能永远不变。复制命令前，应优先打开对应的官方资料核对当前版本。