企业官网建设流程全解析

我折腾了不少 Agent 框架，最后发现 DeepSeek Harness 这类开源项目才是最适合我自己日常用的：它本身不重，核心就是一个“能跑 DeepSeek 系列模型的本地 Agent 外壳”，但真正让它脱胎换骨的是那套插件系统。我花了两天时间，给这个开源工具陆续接上了联网搜索、表格生成、定时提醒和微信推送，它现在不再是一个单纯的对话机器人，而是一个会主动干活的个人工作台。

这篇文章我不打算写什么官方文档翻译，就按我真实的改造过程来讲：怎么做部署、怎么理解它的插件机制、每个能力到底是怎么接进去的，最后是几个我踩完坑想骂人的点。如果你手里也有 DeepSeek Harness 但只会拿来聊天，这篇应该能帮你把它“点活”。

1. 从AI对话到AI工作台：我做这次改造的动机

1.1 原生的AI助手到底差在哪

装好 DeepSeek Harness 之后，我第一周的使用体验只能用“还行”形容：对话流畅、长上下文处理稳定、联网模型接入也简单，聊天时甚至比直接用网页版更顺手。但真把它当生产工具用，立刻发现几个要命的问题。

第一个问题是信息过时。我的知识库和对话内容都是截止到某个时间点的，问“今天的实时行情”“最新的行业新闻”“某个API文档最近有什么变更”时，它就只能抱歉了。第二个问题是输出不落地。让它帮我整理一份表格，它最多生成一个 Markdown 表格，我还要复制去 Excel 里重新排版，根本不是“做表”，是“传话”。第三个问题是它不会主动找事做。设置了提醒之后，你不打开窗口它就沉默，完全没有“到时候提醒你”这种意识。

这些问题单靠改提示词解决不了，必须改能力边界。这也是我盯上 Harness 插件机制的根本原因：它不是只给我一个指令模板库，而是允许我用真正的代码定义新动作，让模型在合适的时候主动调用我写的函数。这就不是聊天了，是给模型装上了手和脚。

1.2 我给自己列的工作台改造清单

动手之前，我列了一个目标清单，每条都写得非常具体：

• 能上网：给我一个自然语言入口，让模型可以自主搜索公开网页、抓取正文、提取要点，而不是由我手动复制链接。
• 能做表：模型可以把结论直接生成.xlsx文件，带格式、带公式，而不是输出 Markdown。
• 能定时提醒：我不在电脑前时，它也要能按日程主动触发消息。
• 能连微信：找到一个相对合规、稳定的通道，让工作台把提醒、日报、异常信息推送到我手机上。

后面你会发现，这四件事其实对应了四条完全不同的插件开发路径。把这条清单当目标之后，DeepSeek Harness 就从一个“聊天软件”变成了一个“自动化任务平台”。

2. 部署与初始化：被0.1.5安装失败教训后的正确姿势

2.1 环境准备：先把底子打干净

安装这件事看着简单，我却在 0.1.5 版本上卡了一晚上。先说结论：如果你在 Windows 上遇到dsh命令装完但启动报错、或者 pip 安装过程中某个 C 扩展编译失败，大概率不是你的环境坏了，是这个版本本身的依赖打包有问题。

我的建议是直接在干净的环境里装。我用的是 miniconda，创建了一个专用的环境：

conda create -n dsh python=3.11 conda activate dsh git clone https://github.com/deepseek-ai/deepseek-harness.git cd deepseek-harness pip install -e .

如果你下载的是 release 包而不是 git 源码，注意 0.1.5 在 Windows 上有个.pyd编译兼容问题，我当时试了几种办法都不行，最后直接切回 0.1.4 版本，一次通过。装完之后跑一下：

dsh --version

能看到版本号就代表基础环境没问题了。

2.2 模型接入的两种方式，我建议都配好

DeepSeek Harness 本身不内置模型权重，它只是一个“大脑的运行框架”，模型可以接在线API，也可以接本地推理服务。我两种方式都配了，因为不同场景用不同模型更划算。

方式一：在线API模式

dsh config set model.provider deepseek dsh config set model.api_key sk-你的Key dsh config set model.base_url https://api.deepseek.com

这个方式适合对响应速度要求高、当前会话内容比较多的场景，API的推理质量稳定，出活快。

方式二：本地Ollama模式

dsh config set model.provider ollama dsh config set model.local_model deepseek-r1:7b dsh config set model.api_base http://localhost:11434

本地模式适合处理敏感数据，或者出门在外网络条件差的时候用。但坦白讲，7B 级别的本地模型做复杂任务规划时，跟 API 模式有明显差距，所以我个人是把本地模型当“底牌”用，主力还是 API。

2.3 第一次跑通一个最小插件

安装完成、模型接好之后，不要急着接复杂功能，先写一个最简单的 Skill 验证插件链路是否通畅。DeepSeek Harness 的 Skill 本质上是一段带说明的指令模板，核心是让模型知道“遇到什么情况时，可以调用什么能力”。

我的第一个 Skill 是三元一次方程计算器，纯粹为了验证：

name: calculator description: 当用户需要数学计算时使用 version: 1.0.0 skills: - trigger: 计算|求解|算术 command: | 使用 python 的 eval 计算以下数学表达式， 如果是方程则先求解再返回结果。

把它放到~/.dsh/skills/calculator/目录后，我重新启动对话，问了一句“帮我算一下 (15+7)*3 等于多少”，Harness 立刻识别出这是一个计算任务，并返回了结果。虽然很简单，但整个链路已经通了。

3. 插件机制拆解：Skill、Action 和能力包是怎么协作的

3.1 三层结构，别搞混

我接触过的不少 Agent 框架都喜欢把所有扩展叫“插件”，但 DeepSeek Harness 把扩展能力分成了三个层级，理解这个分层是整个改造的关键。

• Skill（技能）：偏“指令层面”，用自然语言描述触发条件、调用逻辑和输出格式。它不写代码，本质上是告诉模型“遇到这类任务，按这个思路走”。
• Action（动作）：偏“执行层面”，是一段真正可运行的 Python 函数，模型根据用户的意图和参数 schema 决定是否调用，调用后拿到返回值再继续组织回答。
• Capability Pack（能力包）：把相关的 Skill 和 Action 打包成一个目录，相当于一个可分发、可启用的组件。我们改工作台时，每个插件本质上就是一个 Capability Pack。

简单说，Skill 负责“决策”，Action 负责“执行”，Capability Pack 负责“分发”。

3.2 Action 的定义方式：写好函数描述比写函数更重要

在 Harness 里，一个 Action 就是一个带装饰器的 Python 函数。我用上网搜索举例，这是我最先写的一个动作：

# actions/web_search.py from harness import action, ActionContext @action( name="web_search", description="搜索互联网并返回结果标题、链接和摘要，适用于查询实时信息", parameters={ "query": {"type": "string", "required": True, "description": "搜索关键词"}, "max_results": {"type": "integer", "default": 5, "description": "返回结果条数"} } ) def web_search(ctx: ActionContext, query: str, max_results: int = 5): # ctx 里带有模型当前会话的上下文，也可以注入一些共享状态 results = do_search(query, max_results) return results

这里最容易被忽视的一点是：函数写得再漂亮都没用，模型能不能正确调用你，完全取决于description写得准不准确。模型就像一个第一次进厨房的实习生，它看到的是标签，不是你的刀工。所以我在每个 Action 描述里都会说清楚“适用场景”和“不适用场景”，比如搜索的 description 我加了“仅用于实时信息查询，如果用户问的是常识问题则不要调用”。

3.3 能力包的 manifest：让插件可以被发现和编排

Capability Pack 的目录结构大概长这样：

my_plugin/ ├── manifest.yaml ├── skills/ │ └── search_skill.yaml └── actions/ └── web_search.py

其中manifest.yaml声明插件名称、版本、依赖能力和启用的 Action 列表：

name: web-browser version: 1.2.0 description: 提供联网搜索和网页正文抓取能力 enabled_actions: - web_search - web_fetch requires_python: ">=3.10"

把整个目录放到~/.dsh/plugins/web-browser/之后，用dsh plugin enable web-browser启用。Harness 启动时会读取 manifest，把里面所有 Action 注册进模型可调用的工具列表里。这里有个容易踩坑的点：Action 数量不是越多越好。工具列表太长会让模型的选择准确率下降，我后面会在避坑部分展开。

4. 上网与做表：先补上信息输入和结构化输出两块短板

4.1 联网搜索的具体实现

先说“上网”。这里的上网不是给模型一个浏览器，而是给它两个动作：web_search和web_fetch。前者负责搜索出候选页面，后者负责拉取正文。

web_search我接的是通用搜索 API，注册后拿一个 API Key 就行。代码核心部分：

import httpx def do_search(query: str, max_results: int): resp = httpx.post( "https://api.serper.dev/search", json={"q": query, "num": max_results}, headers={"X-API-KEY": "你的Key"}, timeout=15 ) data = resp.json() return [ {"title": item.get("title"), "link": item.get("link"), "snippet": item.get("snippet")} for item in data.get("organic", []) ]

关键是超时要设置，而且要在 Action 描述里告诉模型：搜索接口偶尔会超时，如果一次失败可以换个关键词再试一次。我见过很多不设置超时的案例，模型卡在等待响应上，整个会话像死机了一样。

web_fetch负责抓正文：

import httpx from bs4 import BeautifulSoup def web_fetch(url: str): resp = httpx.get(url, follow_redirects=True, timeout=20, headers={"User-Agent": "Mozilla/5.0"}) soup = BeautifulSoup(resp.text, "html.parser") for tag in soup(["script", "style", "nav"]): tag.decompose() return soup.get_text("\n", strip=True)[:8000]

我做了两个处理：一是去掉 script/style/导航栏这类干扰内容，二是截断到 8000 字，防止上下文被撑爆。模型拿到这段正文后，再根据自己的语言能力做摘要和提炼。

4.2 生成 Excel：别用 CSV 糊弄人

“能做表”这件事，我最初的实现是让模型生成 CSV 字符串。结果发现 CSV 在中文场景下问题特别多：编码不对、字段里有逗号就炸、没有合并单元格和格式。后来我直接写了一个生成.xlsx的 Action，用 openpyxl 库。

# actions/build_excel.py from openpyxl import Workbook from openpyxl.styles import Font, PatternFill, Alignment from openpyxl.utils import get_column_letter @action( name="build_excel", description="将结构化数据生成Excel文件，支持表头加粗、自动列宽、数据写入", parameters={ "rows": {"type": "array", "required": True, "description": "表格数据，每项为一个对象"}, "columns": {"type": "array", "required": True, "description": "列名列表"}, "output_path": {"type": "string", "required": True, "description": "xlsx输出路径"} } ) def build_excel(rows, columns, output_path): wb = Workbook() ws = wb.active ws.title = "Sheet1" header_font = Font(bold=True, color="FFFFFF") header_fill = PatternFill(start_color="4472C4", end_color="4472C4", fill_type="solid") for col_idx, col_name in enumerate(columns, start=1): cell = ws.cell(row=1, column=col_idx, value=col_name) cell.font = header_font cell.fill = header_fill cell.alignment = Alignment(horizontal="center", vertical="center") for row_idx, row in enumerate(rows, start=2): for col_idx, col_name in enumerate(columns, start=1): ws.cell(row=row_idx, column=col_idx, value=row.get(col_name, "")) # 自动列宽 for col_idx in range(1, len(columns) + 1): max_len = len(str(columns[col_idx - 1])) for row_idx in range(2, len(rows) + 2): cell_val = ws.cell(row=row_idx, column=col_idx).value if isinstance(cell_val, str): max_len = max(max_len, len(cell_val)) ws.column_dimensions[get_column_letter(col_idx)].width = min(max_len + 4, 40) wb.save(output_path) return f"Excel已保存到 {output_path}"

这个 Action 的好处是让模型开始“主动设计表结构”。你只需要说“帮我做一张最近一周每天的任务完成数量表”，它就会自己规划列名、自己查数据、自己调用函数生成文件。我实测下来，在 20 行以内的数据量级，生成速度很快，格式也比我自己手工排的漂亮。

4.3 把真实任务的调用链路串起来

单独做完了搜索和 Excel 两个动作后，我在能力包weekly-report里把它们编成了一个组合流程：先用web_search获取本周行业动态，再提取要点，最后用build_excel生成一张带摘要的周报表格。

第一次跑通这个组合流程时，我的实际体验是：模型从“被我问一句答一句”变成了“自己拆解任务、按步骤执行、最终交付文件”。这一步完成后，工作台的信息输入和结构化输出两大短板补齐了，下一个要解决的是主动性问题。

5. 定时提醒与微信推送：把工作台变成会主动找我的助手

5.1 定时任务调度：让工作台自己醒过来

联网和做表解决的是“我找它干活”，定时提醒解决的是“它主动找我干活”。我在 Harness 里挂了一个后台调度器，用的是 APScheduler：

# actions/scheduler_control.py from apscheduler.schedulers.background import BackgroundScheduler from apscheduler.triggers.cron import CronTrigger scheduler = BackgroundScheduler() scheduler.start() @action( name="add_reminder", description="在指定时间执行提醒任务，支持cron表达式，比如每天早上9点" ) def add_reminder(task_id: str, cron_expr: str, message: str): scheduler.add_job( run_reminder, CronTrigger.from_crontab(cron_expr), args=[message], id=task_id, replace_existing=True ) return f"提醒已设置: {cron_expr} -> {message}"

这里我比较建议的用法是，把开启调度器作为一个独立的动作start_scheduler，模型如果需要定时能力，就先去调用它。如果工作台本身没有启动调度器，定时功能会静默失效，而且不容易排查。

5.2 企业微信机器人推送：最省事的一条微信通道

“连微信”这个需求我一开始想过好几种方案，最后选的是企业微信的群机器人 Webhook。它本质上就是一个 HTTP 接口，往里面 POST 一段 JSON，消息就能出现在企业微信群里。这也是最符合微信生态规则、不太需要担心封号的方式。

# actions/push_wechat.py import httpx @action( name="push_wechat", description="向企业微信群机器人推送文本消息" ) def push_wechat(webhook_url: str, content: str): resp = httpx.post( webhook_url, json={ "msgtype": "text", "text": {"content": content} }, timeout=10 ) data = resp.json() if data.get("errcode") != 0: return f"推送失败: {data.get('errmsg')}" return "推送成功"

我把 webhook 地址通过dsh config存进配置，模型不需要知道完整 URL，只需要在 Action 里读取配置项。这样防止模型把敏感信息直接打到对话里。如果你在公司内部用，还可以让模型把周报、异常报警、每日汇总都推到同一个群里，相当于有了一个 AI 值班员。

5.3 个人微信协议的合规风险，我必须提一句

很多读者问是不是可以直接接个人微信。技术上确实有一些开源项目通过 hook 微信协议实现个人号收发消息，但这么做有非常明显的账号风险和合规风险。我自己明确不建议在主力微信号上做这种实验，就算一定要试，也建议单独准备一个不重要的测试号，并且只做自己可控范围内的自动化。

工作台的微信通道，我最终采用的是企业微信机器人 + 个人微信消息互通的方式。企业微信机器人本身可以绑定到企业微信App，消息也能通过一些中间方式推送提醒到手机上，隐私和安全性都可控。大家在复现这个功能时，优先沿着这条合规路径走。

5.4 把提醒和推送拼进一个 Skill

全链路打通之后，我建了一个morning_digest的 Skill：每天早上 8 点，Harness 自动执行一组动作：搜索当日要闻、读取我的日历、生成一张短视频速览表、通过企业微信推送到群里。

实际跑起来后，我每天早上的体验变成：打开手机看一眼群消息，昨天的行情、今天的日程、最近的技术动态，全在一个卡片里。这是我的工作台从“工具”变成“助手”的分水岭，它终于不是被动等待输入，而是到点主动汇报。

6. 整套系统拼起来之后的避坑记录

6.1 插件装得越多，模型越“笨”

这是我最想提醒大家的一条。当我先后塞进去 30 多个 Action 后，模型偶尔会犯低级错误：该搜索时不搜索、该生成 Excel 时却调用网页抓取。原因很简单：工具列表太长，模型的选择空间太大，注意力被稀释了。

我的解决办法是分组启用。Harness 的插件机制支持按能力包启用，不用的包先 disable，只保留当前场景需要的：

dsh plugin enable web-browser dsh plugin enable excel-builder dsh plugin enable reminders dsh plugin disable legacy-utils

这样模型在同一个会话里看到的工具数量被控制在 10 个以内，选择准确率明显回升。如果你发现自己的 Harness 开始“变笨”了，先别怀疑模型，去数数自己开了多少插件。

6.2 联网搜索带来的幻觉问题比想象中严重

模型联网之后反而会一本正经地胡说八道，这个观点我亲测属实。搜索返回的 snippet 本身可能是标题党，模型拿到摘要后会自动补全上下文，生成一段看起来合理但完全没有出处的结论。

我的对策有三个：第一，在 Skill 指令里强制要求模型标注信息来源链接，没有来源的信息不能作为最终回答；第二，涉及具体数字时，必须同时给出搜索结果的原始表述，不能自己换算；第三，设置了“不确定就说不确定”的系统提示，宁可告诉用户没查到，也不要编造。

这套约束加进去后，联网内容的可信度有了质的提升，但还是不能完全替代人工复核。我的定位是：它可以做情报搜集和初步筛选，最终决策依然需要人来看完整原文。

6.3 长会话内存爆炸：小心上下文越滚越长

另一个让我头疼的问题是长会话的内存占用。定时任务跑了一周之后，工作台的响应速度肉眼可见地变慢，后来用dsh diagnose一看，是上下文窗口里堆积了太多历史搜索片段和网页正文。

Harness 提供了会话清理和上下文压缩工具，我现在的做法是每天定时重启一次工作台会话，把长期记忆交给日志文件而不是上下文窗口。需要保留的关键信息，用一个小数据库插件存起来，下次要用时再调用查询动作，而不是让模型“硬记”。

6.4 盯着安装版本，别盲目追新

开头提到 0.1.5 安装失败的问题，我后来认真查了一下，并不是只有 Windows 才中招，一些 Linux 环境下同样出现了依赖编译异常。这个版本的发布仓促，社区讨论区里反馈很多。

我的经验是：在 Harness 这类每天迭代快的开源项目上，不用第一时间升级。先把新版本的 release notes 看清楚，再看着社区无差评一周再动。毕竟工具是拿来干活的，不是拿来追版本号的。

7. 工作台改造完成后的真实使用感受

现在我的 DeepSeek Harness 工作台每天大概处理三四十个任务：早晨推送行业速览，中午整理客户表格，下午定时提醒我处理某个流程，晚上把当天的数据汇总成 Excel 存档。以前这些事要打开不同的软件、手动操作好几遍，现在几乎都变成了“说一句话”的事。

我最满意的不是它多智能，而是它把“智能”变成了一个可以自定义的自动化流程。DeepSeek Harness 本身只是个开源骨架，插件机制才是灵魂。Skill 负责让模型知道什么时候做什么事，Action 负责真正把事情做掉，两者配合之后，你手里就多了一个随时能调用代码、能搜索网页、能生成文件、能推送消息的私人助理。

如果你也打算动手改造，我建议按这个顺序：先部署跑通，再写第一个 Skill 验证链路，然后挑一个你最需要的能力做第一个插件。不要一上来就复制我的一整套配置，那只会让你在排障时崩溃。一步步来，每个环节都踩顺了，再往上面加模块。

最后一个小提醒：所有插件目录和 Skill 文件，改完记得做版本备份。我有一次改坏了一个 Action 的 schema 字段，导致模型连续两天调不了搜索，排查半天才发现只是个缩进错误。Git 仓库随手提交一下，这种低级事故就能避免。