企业官网建设流程全解析

1. 这次更新到底改了什么：从"单打独斗"到"多智能体协作"

DeepSeek Harness 这次更新的核心，用一句话概括就是：它不再只是一个"你问我答"的对话工具，而是开始变成一个能调度多个子智能体、管理代码工作树、还能把思考过程翻译给你听的开发协作平台。如果你之前只是拿它当个高级搜索或者代码补全来用，那这次更新之后的使用方式会有本质区别。

先说最直观的变化——Codex 和 Claude Code 这两个子智能体正式进入了官方插件列表。这意味着什么？以前你想让 Harness 调用外部代码智能体，得自己写适配层、处理协议转换、管理会话状态，折腾半天还不一定稳定。现在官方直接把这条路铺好了，你只需要在配置里声明要用哪个子智能体，Harness 就会自动处理调度、上下文传递和结果回收。

我实测下来的感受是，这个改动最大的价值不在于"多了一个插件"，而在于它把多智能体协作的门槛从"需要懂架构"降到了"需要懂配置"。以前你要做一个"主智能体拆解任务、子智能体分别执行"的流程，得自己写调度逻辑；现在 Harness 内置了这套机制，你只需要定义好任务边界和子智能体的职责范围就行。

另一个让我觉得有意思的是 Git 工作树（Git Worktree）的集成。这个功能解决的是一个很实际的痛点：当多个子智能体同时在一个代码仓库里干活时，如果都操作同一个工作目录，轻则文件冲突，重则代码互相覆盖。Git 工作树允许你从同一个仓库检出多个独立的工作目录，每个子智能体在自己的目录里操作，互不干扰，最后再合并结果。这个设计思路很务实，不是炫技，是真的在解决多智能体并行时的隔离问题。

至于"思考翻译"，这个名字听起来有点玄，实际上是一个很实用的功能：它能把模型内部的推理过程用自然语言转述出来。你可能会问，这不就是"显示思考过程"吗？不完全是。传统的思考过程展示往往是原始的、碎片化的 token 流，读起来费劲；而思考翻译做的是把推理链路重新组织成人类可读的叙述，让你能快速理解模型为什么做了某个决策。对于调试复杂任务、排查子智能体调度问题来说，这个功能省的时间不是一点半点。

提示：这次更新的三个核心点——子智能体插件化、Git 工作树隔离、思考翻译——不是孤立的功能，它们组合在一起才构成完整的多智能体开发工作流。单独用其中一个，效果会打折扣。

适合谁来参考这篇内容？如果你已经在用 Harness 做日常开发辅助，这次更新值得花时间重新配置一遍工作流；如果你还没开始用多智能体协作，现在是个不错的切入时机，因为官方插件把最麻烦的集成工作已经做完了；如果你只是偶尔用 Harness 查个文档、写个片段，那可以先了解思路，等有实际的多任务并行需求时再上手。

2. 子智能体插件机制拆解：Codex 和 Claude Code 是怎么接进来的

2.1 插件列表的运作逻辑与配置方式

官方插件列表的本质是一个标准化的子智能体注册与调度层。你可以把它理解成一个"智能体应用商店"——每个子智能体按照统一的接口规范封装好，Harness 负责在运行时根据任务类型决定调用哪个子智能体。

配置层面，核心是在 Harness 的配置文件里声明子智能体的启用状态和参数。以下是一个典型的配置结构（基于常见实践推断，具体字段名以官方文档为准）：

sub_agents: codex: enabled: true trigger: "code_generation" # 触发场景 max_concurrent: 2 # 最大并发实例 timeout: 120 # 单次调用超时（秒） claude_code: enabled: true trigger: "code_review" # 触发场景 max_concurrent: 1 timeout: 180

这里有几个参数值得展开说。trigger决定了什么类型的任务会路由到哪个子智能体。比如 Codex 擅长代码生成和补全，Claude Code 在代码审查和重构建议上表现更稳，你可以根据任务性质来分配。max_concurrent控制并发数，这个值不是越大越好——每个子智能体实例都会消耗计算资源和上下文窗口，开太多反而会导致调度延迟增加。timeout的设置需要根据任务复杂度来调，简单的代码生成 60 秒够用，复杂的重构分析可能需要 180 秒甚至更长。

我自己的配置习惯是：先保守设置并发数，跑一段时间后根据实际的任务队列长度和响应延迟再调整。一开始就把并发拉满，很容易遇到资源争抢的问题，排查起来还麻烦。

2.2 子智能体调度策略：什么时候用 Codex，什么时候用 Claude Code

这是实际使用中最容易踩坑的地方。很多人配置好了插件之后，把所有任务都丢给同一个子智能体，结果发现效果不理想，然后怀疑是插件本身的问题。其实问题出在调度策略上。

我的经验是，按任务类型做粗粒度分流：

这个分流策略不是绝对的，但作为一个起点是靠谱的。关键思路是：生成类任务优先考虑速度，分析类任务优先考虑深度。当然，你也可以让主智能体根据任务描述自动选择子智能体，但这需要主智能体有足够好的任务分类能力，实际用下来有时候会误判，所以我更倾向于手动指定加自动兜底的混合策略。

注意：子智能体之间的上下文是隔离的。Codex 生成代码时看不到 Claude Code 之前的审查意见，反之亦然。如果你需要跨子智能体传递信息，得通过主智能体的上下文来中转。

2.3 插件化带来的实际收益与隐藏成本

插件化最直接的收益是集成成本大幅降低。以前接一个外部代码智能体，从协议适配到错误处理到重试逻辑，没有两三天搞不定。现在改几行配置就能跑起来，这个效率提升是实打实的。

但隐藏成本也得说清楚。首先是调试复杂度上升——当任务经过主智能体拆解、路由到子智能体、子智能体调用外部服务、结果再回传汇总，这条链路上任何一环出问题，排查起来都比单智能体场景麻烦。其次是上下文窗口的消耗——每个子智能体的调用都会占用上下文空间，并发数开高了之后，主智能体的可用上下文会被快速挤占。

我的应对方式是：给每个子智能体设置独立的日志输出，记录输入、输出和耗时。这样出问题的时候能快速定位是哪个环节卡住了，而不是对着一个笼统的错误信息干瞪眼。

3. Git 工作树集成：多智能体并行时的代码隔离方案

3.1 为什么多智能体场景下必须用工作树

先解释一下 Git 工作树是什么。常规的 Git 仓库只有一个工作目录，你切换分支的时候，工作目录里的文件会跟着变。工作树允许你从同一个仓库检出多个工作目录，每个目录可以停在不同的分支上，互不影响。

这个机制在多智能体场景下几乎是刚需。想象一下：你让 Codex 在feature-a分支上生成新功能代码，同时让 Claude Code 在feature-b分支上做重构。如果它们共享同一个工作目录，Claude Code 切到feature-b的时候，Codex 正在编辑的文件会突然变成另一个分支的版本，结果就是代码混乱、冲突不断。

用了工作树之后，每个子智能体分配一个独立的工作目录：

# 为主仓库创建两个工作树，分别给两个子智能体使用 git worktree add ../workspace-codex feature-a git worktree add ../workspace-claude feature-b

这样 Codex 在../workspace-codex里操作，Claude Code 在../workspace-claude里操作，两者完全隔离。最后你在主仓库里做合并就行。

3.2 工作树的创建、切换与清理实操

创建工作树本身很简单，但有几个细节不注意就会踩坑。

第一个坑是分支不能重复检出。Git 不允许同一个分支在两个工作树里同时被检出。所以如果你想让两个子智能体在同一个分支上工作，得先创建分支的副本，或者用 detached HEAD 模式。我的做法是给每个子智能体创建独立的功能分支，最后统一合并到主分支。

第二个坑是工作树的路径管理。工作树目录如果放在主仓库内部，Git 会把它当成未跟踪文件，导致状态混乱。正确的做法是把工作树放在主仓库的同级目录或者专门的 workspace 目录下。

第三个坑是清理时机。任务完成后如果不及时清理工作树，时间长了会积累一堆废弃目录，git worktree list的输出会变得很难看。建议在子智能体任务结束后自动执行清理：

# 任务完成后移除工作树 git worktree remove ../workspace-codex # 如果工作树里有未提交的改动，需要加 --force git worktree remove --force ../workspace-codex

提示：git worktree remove默认会拒绝移除有未提交改动的工作树。如果你确认那些改动不需要了，加--force。但更稳妥的做法是先把改动提交或暂存，再移除工作树。

3.3 工作树与子智能体的绑定策略

实际配置中，我建议把工作树和子智能体的绑定关系写进 Harness 的配置里，而不是手动管理。这样每次子智能体启动时，Harness 会自动为它分配或复用一个工作树。

绑定策略有两种：静态绑定和动态分配。静态绑定是每个子智能体固定使用一个工作树路径，适合长期运行、任务类型稳定的场景。动态分配是每次任务启动时临时创建工作树，任务结束后销毁，适合任务量大、并发数波动大的场景。

我目前用的是混合模式：常用的子智能体用静态绑定，减少反复创建销毁的开销；临时性的、一次性的任务用动态分配，保证隔离性。这个策略不是固定的，你可以根据自己的任务模式来调整。

还有一个容易忽略的点：工作树里的 Git 配置是独立的。如果你在主仓库里配置了 user.name 和 user.email，工作树里不一定继承。提交代码之前记得检查一下，否则可能会出现提交作者信息不对的情况。

4. 思考翻译功能：把模型推理过程变成人话

4.1 思考翻译和普通"思考过程展示"的区别

很多人第一次听到"思考翻译"会觉得这不就是显示推理过程吗？其实差别挺大的。

普通的思考过程展示，你看到的是模型原始的推理 token 流，可能是这样的："用户想要... 我需要... 首先... 但是... 所以..."——信息是有的，但读起来费劲，尤其是推理链路长的时候，你得自己从碎片化的输出里拼出完整的逻辑。

思考翻译做的是二次加工：它把原始推理过程重新组织成结构化的叙述，通常会包含"问题理解→方案选择→排除理由→最终决策"这样的层次。你不需要自己去拼逻辑，直接读翻译后的内容就能理解模型为什么做了某个选择。

这个功能在调试多智能体调度时特别有用。比如你发现某个任务被路由到了 Codex 而不是 Claude Code，你可以看思考翻译里主智能体的决策依据是什么，是任务描述里的关键词触发了路由规则，还是子智能体的可用状态影响了选择。没有这个功能，你只能靠猜。

4.2 思考翻译在调试中的实际应用场景

我举几个实际遇到的场景。

场景一：子智能体选择不符合预期。有一次我让 Harness 做一个代码审查任务，预期是路由到 Claude Code，结果它调用了 Codex。打开思考翻译一看，原来是我的任务描述里写了"生成审查报告"，"生成"这个词触发了 Codex 的路由规则。后来我把描述改成"分析代码质量并给出改进建议"，就正确路由到 Claude Code 了。

场景二：任务拆解粒度不合理。主智能体把一个本来应该整体处理的任务拆成了五个子任务，导致子智能体之间频繁传递上下文，效率很低。思考翻译里显示主智能体的拆解逻辑是"按文件拆分"，但实际上这个任务更适合"按功能模块拆分"。理解了它的拆解逻辑之后，我在任务描述里加了约束条件，引导它按功能模块来拆。

场景三：超时原因定位。某个子智能体调用超时了，但不确定是任务本身太复杂还是子智能体卡住了。思考翻译显示主智能体在等待子智能体返回时，子智能体的推理过程一直在"循环验证"——它在反复检查同一个条件，陷入了死循环。这种情况就需要调整子智能体的提示词，给它一个明确的退出条件。

4.3 思考翻译的配置与输出格式调优

思考翻译的输出详细程度是可以配置的。太简略了看不到关键决策点，太详细了又会被大量无关信息淹没。我的建议是分场景设置：

• 日常开发：用简洁模式，只输出关键决策点和排除理由
• 调试排查：用详细模式，输出完整的推理链路和中间状态
• 生产环境：关闭或只用最简模式，减少上下文消耗

输出格式方面，我倾向于用结构化的 Markdown 格式，方便快速扫读。如果你是通过 API 调用 Harness，思考翻译的内容通常会放在响应的特定字段里，记得在解析响应时把这个字段提取出来，不要跟最终输出混在一起。

注意：思考翻译本身也会消耗上下文窗口。在长对话或复杂任务中，如果发现上下文不够用了，优先考虑降低思考翻译的详细程度，而不是削减任务本身的上下文。

5. 多智能体工作流的完整搭建实录

5.1 环境准备与基础配置

搭建多智能体工作流之前，先把基础环境理清楚。你需要的是：一个 Git 仓库（作为主仓库）、Harness 的最新版本、以及 Codex 和 Claude Code 的访问凭证。

配置的步骤大致如下：

1. 更新 Harness 到最新版本，确保插件列表功能可用
2. 在配置文件中启用 Codex 和 Claude Code 插件，填入必要的认证信息
3. 创建 Git 工作树目录结构，建议在主仓库同级创建一个workspaces目录
4. 配置子智能体与工作树的绑定关系
5. 设置思考翻译的输出级别

这五步里，第三步和第四步是最容易出问题的。工作树目录的权限、路径中的空格、绑定关系里的路径写法，都可能成为坑点。我的建议是先用一个测试仓库跑通整个流程，确认没问题了再迁移到实际项目上。

5.2 一个完整的任务执行流程演示

假设我要完成一个"给现有项目添加用户认证模块"的任务。在多智能体工作流下，流程是这样的：

第一步，主智能体接收任务并拆解。主智能体把任务拆成三个子任务：生成认证模块的核心代码（路由到 Codex）、审查生成的代码安全性（路由到 Claude Code）、生成单元测试（路由到 Codex）。

第二步，为每个子任务分配工作树。Codex 的任务分配到workspace-codex-auth，Claude Code 的任务分配到workspace-claude-review。两个工作树从同一个主分支检出，但各自独立。

第三步，子智能体并行执行。Codex 在它的工作树里生成认证代码，Claude Code 在它的工作树里准备审查框架。两者互不干扰。

第四步，结果汇总与合并。Codex 生成完代码后，提交到它的分支；Claude Code 完成审查后，把审查意见输出到指定文件。主智能体收集两边结果，做最终整合。

第五步，清理工作树。任务完成后，移除临时工作树，释放资源。

这个流程跑通一次之后，后续类似的任务就可以复用同样的模式，只需要调整任务描述和工作树命名就行。

5.3 性能调优与资源控制

多智能体工作流跑起来之后，性能调优是绕不开的。我总结下来，影响性能的主要有三个因素：并发数、上下文窗口分配、工作树切换开销。

并发数方面，不是越多越好。我的经验值是：对于代码生成类任务，并发数控制在 2-3 个比较合适；对于分析类任务，1-2 个就够了。超过这个数，调度开销和资源争抢带来的负面影响会超过并行带来的收益。

上下文窗口分配方面，主智能体和子智能体之间需要合理分配。如果主智能体要处理复杂的任务拆解和结果汇总，给它留足上下文；如果子智能体只是执行明确的小任务，可以适当压缩它们的上下文配额。

工作树切换开销方面，频繁创建和销毁工作树是有成本的。如果任务量大且任务类型相似，考虑复用工作树而不是每次都新建。但复用时要注意清理上一次任务留下的未提交改动，否则会污染下一次任务的环境。

6. 常见问题与排查技巧实录

6.1 子智能体调用失败的排查路径

子智能体调用失败是最常见的问题，表现可能是超时、返回空结果、或者返回错误信息。排查的时候按这个顺序来：

先看思考翻译。思考翻译里通常会记录主智能体为什么选择了这个子智能体、传递了什么参数、等待了多久。如果思考翻译显示主智能体根本没有发起子智能体调用，那问题出在路由配置上；如果发起了但超时了，问题在子智能体本身或者网络链路上。

再看子智能体的独立日志。如果 Harness 配置了子智能体的日志输出，直接去看子智能体收到了什么输入、执行到了哪一步、在哪里卡住的。这一步能排除大部分"输入格式不对"或"任务描述有歧义"的问题。

最后检查资源限制。并发数是否达到了上限、上下文窗口是否耗尽、工作树路径是否可写——这些资源层面的问题往往表现为莫名其妙的失败，但排查起来其实很快。

6.2 工作树冲突与合并问题的处理

工作树冲突通常发生在合并阶段。两个子智能体在各自的工作树里修改了同一个文件的不同部分，合并的时候 Git 不知道怎么处理，就会报冲突。

处理这类冲突，我的原则是：能自动合并的自动合并，不能自动合并的人工介入。具体操作上，先用git diff看清楚两边改了什么，判断是真正的逻辑冲突还是格式差异。如果是格式差异（比如一边改了缩进，一边改了换行），统一格式后重新提交就行；如果是逻辑冲突（比如两边对同一个函数做了不同的修改），那就需要人工判断保留哪个版本，或者做一个融合版本。

预防工作树冲突的最好办法是在任务拆解阶段就做好文件级的隔离。让不同的子智能体操作不同的文件集合，从源头上避免冲突。这需要在任务描述里明确指定每个子智能体的操作范围。

6.3 思考翻译不准确或缺失的应对

思考翻译偶尔会出现不准确或者缺失的情况。不准确通常是因为模型的推理过程和翻译过程之间存在信息损失，缺失则可能是配置问题或者上下文窗口不足。

如果发现思考翻译的内容和实际执行结果对不上，先检查是不是用了旧版本的 Harness——思考翻译功能在早期版本里可能不够稳定。如果版本没问题，尝试降低思考翻译的压缩率，让它输出更原始的推理信息。

如果思考翻译完全缺失，检查配置里是否启用了这个功能，以及当前任务的上下文窗口是否还有余量。思考翻译本身也需要消耗上下文，窗口满了之后它可能会被自动省略。

6.4 常见问题速查表

7. 我踩过的坑和实际使用建议

先说一个我踩得最狠的坑：不要在主仓库的工作目录里直接跑多智能体任务。我一开始图省事，没配工作树，直接让两个子智能体在主仓库里干活。结果一个在提交代码的时候，另一个正在切换分支，Git 索引直接乱了，花了半天才恢复。从那以后，我养成了习惯——只要涉及多个子智能体并行，必须先建工作树。

第二个坑是子智能体的超时设置太短。默认的超时时间对于简单任务够用，但遇到需要深度分析的任务，子智能体还在推理呢，超时就触发了，返回一个不完整的结果。我的做法是根据任务类型设置不同的超时：生成类任务 60-90 秒，分析类任务 180-300 秒。宁可等久一点，也不要拿到半成品。

第三个坑是忽略了思考翻译的上下文消耗。有一段时间我发现主智能体的上下文窗口总是不够用，排查了半天才发现是思考翻译占了大头。后来我把日常任务的思考翻译调成简洁模式，只在调试的时候开详细模式，上下文压力立刻缓解了。

实际使用建议方面，我总结了几条：

• 从简单任务开始。不要一上来就搞复杂的多智能体协作，先用单个子智能体跑通流程，再逐步增加复杂度。
• 给每个子智能体写清楚职责边界。任务描述里明确说"你只负责 X，不要做 Y"，能减少很多不必要的调度混乱。
• 定期清理工作树。我现在的习惯是每周清理一次废弃的工作树，保持 workspace 目录干净。
• 保留任务执行日志。每次多智能体任务的输入、输出、耗时、思考翻译都存档，出问题的时候有据可查，也方便后续优化调度策略。

这套工作流我跑了大概两周，从最初的频繁出问题到现在基本稳定，中间踩的坑基本都在这了。如果你刚开始用，建议先把工作树和子智能体绑定这块配置扎实，后面的问题会少很多。