AI职场提效站 / 工具实战
不装软件、不看代码，用「大脑+工具+循环」一个模型讲透 Agent 的工作原理。读完这篇，你看任何 AI 工作台都门儿清。
你不需要会写代码，但你需要知道 AI 什么时候靠谱、什么时候会翻车。而翻车的规律，全藏在它的工作方式里。
DeepSeek Harness（简称 dsh）是 DeepSeek 开源的智能体框架，它的架构设计把「AI 怎么干活」这件事拆得特别干净。这篇借它讲原理——你不用安装任何东西，读完就能看懂市面上所有 AI 工作台。
任何智能体（Codex、dsh、Kimi 的智能模式都一样）都由三部分组成：
1. 大脑 = 大语言模型。 负责理解你的话、决定下一步干什么。它本身不会「做事」，只会「想」。
2. 工具 = 手和脚。 读文件、跑命令、搜网页、写代码……每一项能力都是一个独立插件。dsh 的设计哲学就是「一切皆插件」：终端是一个插件、文件系统是一个插件、子任务调度又是一个插件——像手机装 App 一样按需组合。
3. 循环 = 干活的方式。 这是最关键的部分，也是大多数人没意识到的：
理解任务 → 决定用哪个工具 → 执行 → 看结果 → 再决定下一步 → ……直到完成或放弃
它不是一步到位的，而是走一步、看一眼、再走一步。这解释了两件事：为什么智能体处理复杂任务比聊天机器人强（它能根据中间结果调整），以及为什么它会翻车（每一步的判断都可能错，错了还会带着错误继续往下走）。
推论一：给它「可检查的中间产物」。
既然它是循环工作的，你就该在关键节点让它停下来汇报。派活时加一句「每完成一个文件就告诉我结果，全部做完后给我汇总清单」——你获得了多个验收点，而不是最后才发现全错了。
推论二：工具越多不一定越好。
插件式架构意味着能力可以裁剪。给智能体挂上它用不上的工具，反而增加它选错工具的概率。这就是为什么好的工作台都强调「场景化配置」——为具体任务配最小够用的一组能力。
推论三：长任务会「忘事」，要给它留笔记。
循环跑久了，早期信息会被挤出模型的注意力范围（术语叫上下文压缩）。对策很朴素：重要约束写进任务开头、让它把关键决定记到文件里、大任务拆成小任务各自闭环。
| Codex (OpenAI) | DeepSeek Harness | |
|---|---|---|
| 定位 | 开箱即用的产品，网页/终端直接用 | 开源框架，自己拼装能力再跑 |
| 适合谁 | 想立刻派活的职场人（推荐从这里入门） | 想深入理解原理、要本地可控的进阶用户 |
| 数据控制 | 云端为主 | 可完全本地部署，配合本地模型数据不出机器 |
给普通人的建议路径：先用 Codex 这类成品建立「派活-验收」的手感，再回头看 dsh 这类框架理解底层。 顺序反了会卡在配置上，忘了自己本来只是想少加点班。
智能体 = 会循环试错的大脑 + 可插拔的工具。它强在能根据结果自我调整，弱在每一步都可能判断失误——所以你的核心技能不是「提示词技巧」，而是拆任务、设验收点、核对关键数字。这三件事学会了，换任何工具都好用。