把 Agent 从一次对话，变成可替换、可恢复、可审计的运行时。
系统拆解 DeepSeek Harness 的插件化 Agent 运行时：Cordis 插件树、能力接缝、可回放事件、Turn/Step 生命周期、工具管线与 Profile 配置，并给出 traeai 的渐进式采用路线。 本页不是仓库 README 的复述，而是一条从机制、执行到产品落地的完整阅读路径。
先抓住四个约束
想理解 DeepSeek Harness 解决什么问题、运行时如何组成、事件为什么能回放，以及现有 Agent 产品该借鉴哪些设计，而不是直接照搬整个技术栈。
Service Definition、Provider 与 Consumer 分开，工具不绑定某个模型、文件系统或沙箱。
模型可见内容来自持久 SessionEvent；刷新、恢复、Fork 与审计拥有同一事实来源。
Profile、Bundle 与 patch 逐层组合运行时，只替换需要变化的那一行能力。
工具执行前统一经过策略、审批与沙箱，执行结果再回到可追溯事件链。
本站判断
Agent 从一次性对话走向可恢复的长期任务后，模型、工具、审批、沙箱、任务和持久化必须拥有稳定边界。DeepSeek Harness 提供了一套值得拆开研究的参考实现。
从底座到覆盖层
每层只回答一个问题：基础能力有哪些、跑在哪个宿主、选择哪组能力、当前用户要覆盖什么。配置按顺序组合，实际启动树可被检查。
模型、工具、会话、持久化、沙箱、审批、设置、凭据与遥测等基础插件。
dsh-web-app 或 dsh-headless 提供不同宿主，但消费同一组运行时服务。
Profile 选择命名组合，Bundle 同时分发插件代码与 Cordis 配置行。
Profile、用户 home 与 CLI patch 逐层覆盖，不必 fork 核心来替换一项能力。
Cordis context 负责服务、类型化事件和可撤销 effect。这里展示概念结构，不代表 traeai 需要直接引入 Cordis。
能力目录
能力接缝把 owner、实现和直接消费者写清楚。例如工具只消费 ctx.fs，将本地文件系统换成沙箱或远程实现时，不需要复制一套工具。
| 服务接缝 | 职责 | 实现 / 消费者示例 |
|---|---|---|
| ctx.llm | 模型消息与流式输出 | DeepSeek / Pi AI / Replay |
| ctx.sessions | 追加式会话与事件流 | Agent / Query / Fork / Feedback |
| ctx.sessionPersistence | 持久化同一套 SessionEvent | JSONL / SQLite |
| ctx.fs / ctx.shell | 文件与命令执行 | Local / Sandbox / E2B / PowerShell |
| ctx.sandbox / ctx.approval | 隔离与授权决策 | Local sandbox / ACP bridge |
| ctx.subagents / ctx.jobs | 子 Agent 与后台任务 | In-process / ACP / Codex / Jobs |
| ctx.web | 搜索与网页抓取 | Exa / Perplexity / HTTP fetch |
| ctx.storage / telemetry | 状态、脱敏与诊断 | JSON / SQLite / OpenTelemetry |
Turn / Step 生命周期
一个 Step 是一次模型请求及其工具调用；一个 Turn 可以包含多个 Step，直到没有待处理输入。agent/* 事件控制过程，session/event 支撑恢复、转录、Fork、UI 与 SDK。
认领用户输入与 inbox 消息，建立本轮控制边界。
消费者可拒绝或改写模型输入，再开始一次模型 step。
从持久事件推导历史，经 agent/request 进入 llm/stream。
流式 chunk 用于实时界面，完成消息写回 SessionEvent。
tool/call 依次经过 pre-execute、execute 与 post-execute。
有后续工具结果则进入下一 step，否则完成当前 turn。
控制面
steering、暂停、继续、状态观察、请求拦截与错误处理。
事实面
用户消息、模型响应、工具调用、结果与其他可回放 SessionEvent。
副作用边界
工具系统的价值不只是“能调用”。真正的运行时还要保证可见性、参数、权限、执行与记录拥有一致语义。
Agent 只看见当前 Profile 与策略允许暴露的工具定义。
解析调用参数，统一错误语义，保留 correlation 与父事件关系。
在副作用发生前检查权限、凭据、预算、沙箱和人工审批。
Consumer 只依赖能力定义，Provider 处理具体外部协议与重试。
结果、错误与 Artifact 作为持久事实追加，供恢复和审计。
给 traeai 的路线图
traeai 已有会话、事件、产物、Run、Memory、自动化与独立 Worker。下一步是让这些对象遵守同一套运行时合同，而不是先建设插件市场。
先做
随后
后置
暂不照搬： Cordis 动态运行时、任意 JavaScript 插件加载、通用终端与 IDE 产品面。它们会扩大运行时复杂度与安全边界，却不是内容生产平台当前最紧迫的问题。
有出处的结论
本专题基于 DeepSeek Harness 官方仓库与架构文档整理，核对版本为 master HEAD 99f6f02、根包 0.1.0-rc.7。它仍处于 developer preview；下方把官方机制、本站判断与 traeai 落地建议明确分开。
DeepSeek Harness 是可组装的 Agent 运行时与参考实现，不是一个可以直接 new 出来的单一 Agent 类；Web、headless、SDK、沙箱、子 Agent 和工作流围绕同一插件体系组合。
DeepSeek Harness · README仓库当前仍标注 developer preview，根包版本为 0.1.0-rc.7；生产采用应固定 release 或 commit，不能跟随开发中的 master。
DeepSeek Harness · package.json模型、工具、会话、持久化、文件系统、审批与遥测都通过服务定义、Provider 和 Consumer 构成能力接缝；消费者依赖稳定接口，而不是某个具体后端。
Capability seams and core services模型可见内容必须能从持久 SessionEvent 重建；实时 agent/* 事件用于 steering、状态观察与控制，不能替代可回放事实。
Agent turn and step lifecycleProfile 是命名运行时组合，Bundle 分发代码与 Cordis 配置，patch 可按 id 替换或插入配置行；扩展能力优先通过组合，而不是 fork 核心。
DeepSeek Harness · ArchitectureCordis context 承载服务、类型化事件和可撤销 effect；插件卸载时，其注册产生的 effect 会一并回收。
Cordis primer最值得吸收的是可替换能力、可回放事实和可组合配置；traeai 无需为此替换 Next.js、Supabase、Pi 与现有 Worker。
traeai · DeepSeek Harness 研究报告优先补齐事件协议、Replay 投影、统一 Run 状态机与 Policy Gate；动态插件市场、任意 JS 加载和通用 IDE 能力应后置。
traeai · 渐进式采用路线回到官方原文
专题中的机制描述均可回到下列仓库文档核对。版本与开发状态会变化，生产决策应重新确认最新 release。
独立整理，非 DeepSeek 官方站点。仓库使用 MIT 许可证，第三方依赖仍须查看原仓库的 THIRD_PARTY_NOTICES.md。
来自 traeai
站内文章按采集持续更新，与上方截至 2026-08-18 的架构研究快照分开维护。
Claude Code 源码泄露揭示了 Agent Harness 的三层工程本质：执行层、状态层与治理层；其‘零上下文管理’、auto-dream 记忆机制与 CLI 优先哲学，定义了下一代 Agent 基础设施的设计范式。
入选理由：Agent 上限不由模型智商决定，而由 Harness 的工程深度决定——它像机甲，不提智力但极大扩展能力。
Google's LEAP framework wraps a general-purpose LLM in an agentic scaffold that grounds every step in the Lean compiler and iterates against verifier feedback. It solves all 12 Putnam 2025 problems with one model, lifting the one-shot solve rate of the Lean-IMO-Bench from under 10% to 70%, outperforming a specialized gold-medal system that scores 48. Paper: arXiv:2606.03303. Learn to build effective AI agents at academy.dair.ai.
入选理由：LEAP general LLM solves all 12 Putnam 2025 problems with one model.
2026 will be the year of AI Harness. Using engineering methods like guardrails, validation, and automation processors, unreliable AI Agents can be transformed into stable, controllable systems without modifying Prompts, marking key infrastructure for AGI.
入选理由：AI Harness consists of five core components: tool registration, context compress
DeepSeek Harness桌面版通过本地化安装和插件系统，将AI助手转变为可自动化办公的生产力工具，支持文档处理、定时任务和自定义插件开发。
入选理由：DeepSeek Harness桌面版支持Office/PDF文件处理，处理速度达300 tok/s
Harness Arena通过实际任务执行结果比较AI代理工具，帮助用户评估不同harness的性能差异。
入选理由：Harness Arena使用相同任务和模型配置测试不同代理工具
Agent harnesses通过增强AI模型的持续执行和规则管理，成为GPT包装器的下一代解决方案。
入选理由：Agent harness可兼容GPT、Claude、Google Gemma等多模型，实现模型解耦
