最新的DeepSeek 智能体应用框架（DeepSeek Harness，简称DSH），Model、Tool、Memory、Sandbox 和 Agent 都是可组合、可替换、可扩展的插件。Harness 本身退到最薄——它只做三件事：调度模型与工具、在高危操作前请你审批、维护一份任务计划。
启动方式很轻：
npx @deepseek-ai/dsh web# 默认访问 http://127.0.0.1:3080/
同样按照 Agent = Model + harness 的思路，方舟 Agent Plan 把一个 agent“能干活、能记事、能成长、能出产品”所需的模型和 harness 组件打包，且一次订阅，AFP 额度统一抵扣，预算管理更省心。
DSH 提供了插槽，Agent Plan 提供了量大管饱的 Plugin 工具箱。
这些组件不是随意堆砌的，Agent Plan 提供的，是方舟沉淀的产品能力，加上广大开发者在真实 agent 项目里反复验证的 Harness 优选组件——搜索该用哪个、数据该信哪个、记忆怎么接、进化怎么做，都已经被挑过一遍。你不必在海量 Plugin 里试错，装上就是一套能打的组合。
一、Agent Plan 提供大脑：全模态主流模型
Agent Plan 提供文本生成、图像生成、视频生成、向量化等全模态能力模型，在 DSH 的“设置 → 模型”里添加自定义提供方，用 Agent Plan 专属 API Key 接入模型。
二、Agent Plan 提供手脚和记忆：五大 Harness 组件
大脑就位后，开发者陆续把 Agent Plan 的 Harness 组件全部注入 DSH。它们各自解决一类问题，组合起来才是“量大管饱”。
豆包搜索：让 agent 能上网
模型的知识有截止日期，但任务没有。豆包搜索让 agent 能主动检索最新事实、核验信息出处，并支持权威来源过滤、时间范围筛选、Query 自动改写。
专业数据集：给 agent 硬核数据
通用搜索给不了的东西——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——专业数据集能查。它会根据 query 自动路由到对应垂类库：
比如 agent 直接问“汽车最近三年的 ROE 变化”，它会调金融数据库返回结构化的 ROE 数据；问“汽车某具体型号的底盘配置”，会路由到车型配置库。
Agent 记忆：让 agent 跨会话记住你
基于 OpenViking Context 的 Agent 记忆是一个“虚拟文件系统 + 语义检索”的上下文数据库。它把记忆、资源、技能统一抽象成文件，分层加载、按需召回，并且在会话结束后自动沉淀长期记忆。接入后，DSH 里的 agent 会在每轮对话前自动召回相关记忆、结束后增量捕获，新会话里提到上次聊过的项目，它依然记得。
Agent 进化：让 agent 越用越聪明
Evolve 组件会学习 agent 的近期会话，识别当前运行时里可优化的指令文件（CLAUDE.md、AGENTS.md、Skills），生成带 diff、证据、风险值和置信度的优化建议；你确认后它才写入。跑几次真实任务后让它 “Learn from my recent sessions”，它会把你反复纠正它的东西沉淀成长期指令。
AI Native 应用开发底座：让 agent 直接把东西做出来
前四个组件让 agent 更聪明，但最终很多任务要落到一个真实产品上：要存数据、要登录、要存文件、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。
三、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。
1、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：
Harness 能力 | 在这个案例中的作用 |
专业数据集 | 查询三家公司的营收、利润、ROE、估值等结构化金融数据，并补充重点车型配置及近半年销量 |
豆包搜索 | 获取最新公告、产品发布、价格调整、行业新闻等实时信息，为数据变化补充事件背景 |
AI Native 开发底座 | 保存公司、财务指标、每日简报和历史研究结果，并生成可持续查看的投资研究页面 |
Agent 记忆 | 记住小曾关注的公司、研究偏好及历史结论，新会话中无需重新交代背景 |
Agent 进化 | 从多次研究和用户修正中学习小曾的分析方法、关注指标及简报习惯，并沉淀为后续任务规则 |
2、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。
2.1 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。
2.2 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
2.3 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。
2.4 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。
2.5 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，就是无限的创造力。
