企业官网建设流程全解析

做 AI Agent 开发时，最开始遇到的瓶颈往往不是模型本身不会写代码，而是缺少一个能把模型、工具调用、上下文记忆和任务流程串在一起的运行框架。单独调 API 只能拿到文本回复，拿不到文件操作、命令执行、多轮迭代这些真正干活儿的能力。DeepSeek Harness（简称 DSH）就是这类开源 Agent 框架中比较值得关注的一个，它的核心设计理念可以概括为“一切皆插件”：模型接入是插件，技能是插件，工具调用也是插件。本文会从一个新手的视角，完整走一遍 DSH 的安装、模型接入、Skill 配置，然后用一个“让 Agent 写贪吃蛇游戏”的实战案例，把整个流程跑通。

不管你是刚接触 AI Agent 的开发者，还是已经在用 API 做应用的工程师，这篇文章都会给你一条可以照着做的完整路径。

1. 背景与核心概念

1.1 什么是 DeepSeek Harness

DeepSeek Harness 是一个面向本地终端场景的开源 Agent 运行框架，有时候也被称为 Agent Harness。通俗一点说，它是一个“给大模型装上手脚”的外壳程序：模型本身只有大脑，能理解指令、生成文本，但它不能直接读取你的项目文件，不能执行命令，也不能记住上一次会话之后发生了什么。

Harness 要解决的就是这个问题。它负责把大模型接入到你自己的电脑环境里，让模型可以通过预设的工具去读写文件、执行命令、检索信息，再把结果反馈给模型进行下一步决策。你不再只是“问一句、答一句”，而是可以让模型在一个具体任务上连续迭代，直到产出可用的结果。

在 DSH 的语境里，模型、技能、工具都被设计成插件的形式。这意味着你可以不用修改框架核心代码，只需要添加一个技能文件或者插件目录，就能让 Agent 获得一种全新的能力。

1.2 为什么需要 Harness 而不是只调用 API

很多朋友第一次接触 Agent 时会问：我直接用 DeepSeek 的 API，传一个带系统提示词的对话，不也能让模型干活吗？

确实可以，但有几个很现实的问题：

• 对话没有状态。每次调用 API 都需要把之前的对话历史重新拼一遍，项目稍微复杂一点，上下文管理就非常痛苦。
• 模型没有工具能力。模型生成的代码片段，你需要手动复制到文件里，再手动执行命令看结果，然后再把报错喂回去，效率很低。
• 重复劳动多。同样类型的任务，如果每次都从零写 Prompt，而不是沉淀成可复用的“技能”，开发体验会非常差。
• 上下文容易失控。长对话中，模型很容易忘记早期的约束，Harness 可以通过会话管理和技能机制，把关键约束固定下来。

DeepSeek Harness 这类框架做的，就是把“模型对话”升级成“Agent 工作流”。它维护会话状态，暴露一系列工具给模型，并且通过 Skill 文件把某类任务的完整流程封装起来，下次遇到类似需求时，模型可以自动加载对应技能，直接进入干活状态。

1.3 核心概念拆解

在正式安装之前，先花两分钟理解几个关键概念，后面实操会轻松很多。

Agent 循环。Agent 不是一个单独的程序，而是一个循环：模型接收任务，调用工具，观察工具返回结果，再决定下一步动作。这个循环会一直持续，直到模型认为任务已经完成。DSH 就是这个循环的“发动机”。

Model Provider / 模型适配层。DSH 本身不绑定某个模型厂商，而是通过适配层对接不同的模型服务。你可以接 DeepSeek 的官方 API，也可以接 OpenAI 兼容接口，还可以接本地运行的 Ollama 服务。配置模型就像插上一个“模型插件”。

Skill / 技能。技能是最重要的扩展单位。一个技能通常是一个目录，里面有一个SKILL.md文件，用 Markdown 和 YAML Front-matter 描述这个技能的名称、触发条件、工作步骤和输出要求。当用户任务匹配某个技能的描述时，Agent 会自动加载并使用它。

Plugin / 插件。插件是比技能更底层的扩展机制。技能主要影响模型的提示词和工作流程，插件则可以注册新的工具函数、监听 Agent 生命周期事件、甚至改写模型请求参数。普通使用者可以只接触 Skill，进阶开发者可以使用 Plugin 做更复杂的扩展。

Workspace / 工作区。DSH 运行时的当前目录就是工作区。模型读写文件、执行命令都默认发生在这个目录内，相当于给 Agent 划了一个“活动范围”。

1.4 适用场景

DSH 适合以下几类场景：

• 个人开发助手：让它帮你写脚本、改代码、整理文件。
• 自动化任务执行：把重复性的代码生成、格式转换、批量处理封装成技能。
• 快速原型开发：例如本文要演示的“用对话直接生成一个小游戏”。
• 本地模型测试：通过 Ollama 接入开源模型，验证模型在 Agent 场景下的表现。
• 二次开发插件：为团队内部的工具链增加一个 AI 驱动入口。

2. 环境准备与安装

2.1 环境要求

DeepSeek Harness 的安装方式取决于官方 Release 的打包形式。不同版本对底层运行时的要求不太一样，不过常见的主流版本通常依赖以下环境：

• 操作系统：Windows 10/11、macOS、主流 Linux 发行版。
• 运行时：如果官方包是 Node.js 版本，需要 Node.js 16 或更高版本；如果是 Python 版本，需要 Python 3.10 或更高版本。二选一即可，具体以你下载版本的 README 为准。
• 网络：能够访问模型 API 服务，或者本地已经安装 Ollama。
• 终端工具：Windows 建议准备 Git Bash 或 PowerShell，macOS / Linux 使用系统自带终端即可。

如果本机暂时没有 Node.js 或 Python，建议先安装好再继续。安装完成后，在终端里分别执行node -v或python --version确认版本号。

2.2 安装方式一：下载 Release 压缩包

这是最推荐新手使用的方式，尤其是官方已经发布了预编译压缩包的时候，不需要处理依赖关系。

先在 GitHub Releases 页面找到最新版本，下载对应你操作系统的压缩包，例如deepseek-harness-0.1.x-win-x64.zip或deepseek-harness-0.1.x-linux-x64.tar.gz。

以 Windows 系统为例，假设你想把 DSH 装到 D 盘，可以这样做：

# 在 D 盘创建一个开发工具目录 mkdir D:\dev # 把下载的压缩包解压到 D:\dev\deepseek-harness # 解压后目录结构类似 D:\dev\deepseek-harness\bin\dsh.exe

然后打开“系统属性 -> 环境变量”，把D:\dev\deepseek-harness\bin添加到Path中。或者为了方便当前终端窗口使用，可以直接执行：

$env:Path = "D:\dev\deepseek-harness\bin;$env:Path"

macOS 或 Linux 用户可以使用命令行解压：

tar -xzf deepseek-harness-0.1.x-linux-x64.tar.gz -C ~/dev/ echo 'export PATH="$HOME/dev/deepseek-harness/bin:$PATH"' >> ~/.bashrc source ~/.bashrc

2.3 安装方式二：使用包管理器安装

部分版本会发布到 npm 或 PyPI，如果你熟悉包管理器，也可以直接安装：

# 如果官方提供 npm 包 npm install -g deepseek-harness # 如果官方提供 Python 包 pip install deepseek-harness

需要注意的是，具体包名和安装命令要以官方 README 为准。如果执行后提示找不到包，说明当前版本没有发布到该渠道，回到 Release 下载方式即可。

2.4 验证安装

安装完成后，新开一个终端窗口，执行：

dsh --version

如果输出类似：

DeepSeek Harness 0.1.5

说明安装成功。版本号会根据你实际安装的版本有所不同，不用强行对齐。

再执行一下帮助命令，先了解有哪些子命令：

dsh --help

常见的子命令包括run、chat、skill、plugin、config等，具体名称以你手头版本的帮助信息为准。后面示例中用到dsh run --skill也是一样的思路，看到帮助信息后你会发现很容易对上号。

2.5 卸载

如果以后不再需要 DSH，可以按安装方式反向操作：

• 通过 npm 安装的，执行npm uninstall -g deepseek-harness。
• 通过 pip 安装的，执行pip uninstall deepseek-harness。
• 通过压缩包安装的，删除解压目录，并移除系统环境变量里的 PATH 配置。
• 最后清理用户目录下的~/.dsh配置和技能目录。

卸载不影响你之前生成的项目文件，只删除运行框架和配置。

3. 模型接入配置

DSH 安装好之后，第一件事就是配置模型。没有模型接入，Agent 只是一个空壳。下面分别介绍 DeepSeek 官方 API、OpenAI 兼容接口和 Ollama 本地模型这三种常见方式。

3.1 配置文件位置与基本结构

DSH 的配置一般放在用户目录下的~/.dsh/config.json，如果你只在某个项目里使用，也可以把配置放到项目根目录下的.dsh/config.json。后者的优先级通常更高。

一个基本的配置文件长这样：

{ "model": { "provider": "deepseek", "name": "deepseek-chat", "base_url": "https://api.deepseek.com", "api_key_env": "DEEPSEEK_API_KEY" }, "workspace": "./", "sandbox": { "enabled": true }, "skills": { "dirs": [ "./skills", "~/.dsh/skills" ] } }

这个配置文件里最关键的是model部分：

• provider：指定模型服务商，DSH 里常见的值是deepseek、openai、ollama。
• name：使用的模型名称，例如deepseek-chat。
• base_url：API 服务地址。
• api_key_env：指定 API Key 从哪个环境变量读取，而不是直接写在配置文件里。这是一个很好的安全习惯。

3.2 接入 DeepSeek 官方 API

如果你使用 DeepSeek 官方模型，先去 DeepSeek 开放平台申请一个 API Key，然后在终端里配置环境变量：

export DEEPSEEK_API_KEY="sk-你的密钥"

Windows PowerShell 下使用：

$env:DEEPSEEK_API_KEY = "sk-你的密钥"

DeepSeek 的 API 兼容 OpenAI 协议，所以除了官方 provider，你还可以把它配置成通用 OpenAI 兼容模式。这时候base_url可以写https://api.deepseek.com/v1，模型名使用deepseek-chat或deepseek-reasoner。两种配置方式最终调用的都是同一个服务，只是适配层不同。

配置好之后，可以用一个简单的对话测试：

dsh chat "你好，请做一下自我介绍"

如果能够正常回复，说明模型接入成功。

3.3 接入 Ollama 本地模型

如果你不想把数据发送到云端，可以使用 Ollama 在本地跑开源模型。先在 Ollama 官网下载并安装，然后拉取一个模型，例如：

ollama pull qwen2.5:7b ollama serve

ollama serve会把服务启动在http://localhost:11434。在 DSH 配置文件里，把 provider 切换成ollama：

{ "model": { "provider": "ollama", "name": "qwen2.5:7b", "base_url": "http://localhost:11434" } }

本地模型的好处是免费、离线、数据不出本机，缺点是响应速度取决于你的硬件。尤其是第一次运行，模型需要从磁盘加载到内存，可能出现较长时间的等待，这并不一定是卡死，需要耐心等一会儿。

3.4 密钥管理建议

无论使用哪种云端 API，都不建议把 API Key 明文写在config.json里。使用环境变量引用是更稳妥的方式。如果你使用.env文件管理密钥，一定要把.env加入.gitignore，避免提交到公开仓库。

echo ".env" >> .gitignore

4. Skill 与插件体系

4.1 技能目录结构

DSH 的技能采用目录化组织。每个技能是一个独立文件夹，里面至少有一个SKILL.md文件。推荐目录结构如下：

~/.dsh/skills/ snake-game/ SKILL.md scripts/ build.py assets/ logo.png

SKILL.md负责描述技能的核心内容，scripts和assets存放附带的脚本和资源。DSH 在读取技能时，主要关注SKILL.md，其他文件是技能执行过程中可以引用的辅助材料。

4.2 SKILL.md 的 Front-matter 结构

SKILL.md使用 YAML Front-matter 描述元信息，正文部分则是一段完整的任务说明书。下面是一个模板：

--- name: snake-game description: 生成一个浏览器端可玩的贪吃蛇游戏。当用户要求"写游戏""贪吃蛇""小游戏"时使用。 version: 1.0.0 tools: - read_file - write_file - run_command --- # 目标 你的任务是生成一个完整的 HTML 贪吃蛇游戏。 # 步骤 1. 创建 index.html 2. 实现游戏逻辑 3. 运行验证

这里的description字段非常重要。Agent 在接收用户任务后，会根据描述自动匹配技能。description写得越清晰，技能被正确调用的概率越高。

4.3 使用技能执行任务

配置好技能后，执行任务有两种方式。第一种是指定技能：

dsh run --skill snake-game "在当前目录生成一个贪吃蛇游戏"

第二种是在交互式会话里直接描述需求，让 Agent 自动选择技能：

dsh chat "帮我写一个贪吃蛇游戏"

如果 Agent 认为snake-game技能最匹配，它会自动读取SKILL.md，然后按照里面的步骤执行。这个机制就是“一切皆插件”的实际体验：你不需要改 Agent 核心代码，只需要新增一个技能文件夹，Agent 就获得了一项新能力。

5. 实战：用 Agent 写一个贪吃蛇游戏

理论部分讲完了，下面进入本文最核心的实战环节。我们会创建一个完整的snake-game技能，让 DSH 自动生成一个可直接在浏览器里运行的贪吃蛇游戏。

5.1 需求分析

在编写技能之前，先明确游戏的需求：

• 贪吃蛇在画布中移动，吃食物后身体变长。
• 玩家通过键盘方向键控制蛇的移动方向。
• 蛇撞到墙壁或自己身体时游戏结束。
• 页面显示当前分数。
• 按空格键可以重新开始游戏。
• 全部代码放在一个index.html文件中，不依赖外部 CDN，双击即可运行。

把这个需求写清楚之后，Agent 生成代码时就不容易跑偏。

5.2 创建技能文件

在用户目录下创建技能目录：

mkdir -p ~/.dsh/skills/snake-game

然后新建SKILL.md，写入以下内容：

--- name: snake-game description: 生成浏览器端贪吃蛇游戏，输出单个 HTML 文件。当用户要求"贪吃蛇"、"小游戏"、"游戏开发"时使用。 version: 1.0.0 tools: - write_file - run_command --- # 目标 在用户指定的目录下生成一个完整的贪吃蛇小游戏，保存为 index.html。 # 功能要求 1. 使用 Canvas 绘制游戏区域，格子数建议 20x20。 2. 蛇初始长度 3，方向向右。 3. 食物随机生成在空白格子中。 4. 按方向键控制蛇的移动方向，不能原地掉头。 5. 蛇吃食物后长度加 1，分数加 1。 6. 蛇撞墙或撞到自身时游戏结束。 7. 按空格键重新开始游戏。 8. 页面标题为"贪吃蛇 - DeepSeek Harness 实战"。 9. 所有代码必须嵌入一个 index.html，不能引用网络 CDN。 # 输出 直接输出完整的 index.html 文件，不要输出额外的项目说明。

tools字段用来告知 Agent 这个技能允许使用哪些工具。write_file允许写入文件，run_command允许执行命令。字段具体取值以 DSH 当前版本的约束格式为准，这里示例表达的是技能的最小权限边界。

5.3 让 Agent 生成游戏

技能准备好之后，在目标目录下执行：

dsh run --skill snake-game "在当前目录生成贪吃蛇游戏 index.html"

Agent 会读取SKILL.md，然后开始生成index.html。如果你的模型响应较慢，属于正常现象，因为 Agent 需要规划文件内容，然后一次性写入。

5.4 预期生成的游戏代码

经过 Agent 生成的代码可能和手动编写的不完全一致，但核心逻辑应该和下面这段示例代码类似。这里给出手写版参考，方便你对照检查：

<!-- 文件路径：index.html --> <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>贪吃蛇 - DeepSeek Harness 实战</title> <style> body { display: flex; flex-direction: column; align-items: center; justify-content: center; min-height: 100vh; margin: 0; background: #1e1e2e; font-family: "Microsoft YaHei", sans-serif; color: #fff; } h1 { font-size: 22px; } .score { margin: 8px 0 16px; font-size: 18px; } canvas { background: #11111b; border: 2px solid #89b4fa; box-shadow: 0 0 20px rgba(137, 180, 250, 0.3); } .tips { margin-top: 12px; font-size: 14px; color: #a6adc8; } </style> </head> <body> <h1>贪吃蛇</h1> <div class="score">分数：<span id="score">0</span></div> <canvas id="game" width="400" height="400"></canvas> <div class="tips">方向键控制方向，空格键重新开始</div> <script> const canvas = document.getElementById('game'); const ctx = canvas.getContext('2d'); const scoreEl = document.getElementById('score'); const GRID = 20; const CELL = canvas.width / GRID; let snake = []; let food = null; let direction = 'right'; let nextDirection = 'right'; let score = 0; let running = false; let gameOver = false; let timer = null; const SPEED = 150; function restart() { snake = [ { x: 7, y: 10 }, { x: 6, y: 10 }, { x: 5, y: 10 } ]; direction = 'right'; nextDirection = 'right'; score = 0; scoreEl.textContent = '0'; gameOver = false; running = true; spawnFood(); clearInterval(timer); timer = setInterval(tick, SPEED); } function spawnFood() { while (true) { const x = Math.floor(Math.random() * GRID); const y = Math.floor(Math.random() * GRID); if (!snake.some(segment => segment.x === x && segment.y === y)) { food = { x, y }; return; } } } function tick() { direction = nextDirection; const head = snake[0]; let newHead = { x: head.x, y: head.y }; if (direction === 'up') newHead.y--; if (direction === 'down') newHead.y++; if (direction === 'left') newHead.x--; if (direction === 'right') newHead.x++; const hitWall = newHead.x < 0 || newHead.x >= GRID || newHead.y < 0 || newHead.y >= GRID; const hitSelf = snake.some(segment => segment.x === newHead.x && segment.y === newHead.y); if (hitWall || hitSelf) { running = false; gameOver = true; clearInterval(timer); draw(); alert('游戏结束！最终得分：' + score); return; } snake.unshift(newHead); if (newHead.x === food.x && newHead.y === food.y) { score++; scoreEl.textContent = score; spawnFood(); } else { snake.pop(); } draw(); } function draw() { ctx.fillStyle = '#11111b'; ctx.fillRect(0, 0, canvas.width, canvas.height); ctx.fillStyle = '#f38ba8'; ctx.beginPath(); ctx.arc(food.x * CELL + CELL / 2, food.y * CELL + CELL / 2, CELL / 2 - 2, 0, Math.PI * 2); ctx.fill(); snake.forEach((segment, index) => { if (index === 0) { ctx.fillStyle = '#a6e3a1'; } else { ctx.fillStyle = '#6fc26f'; } ctx.fillRect(segment.x * CELL + 1, segment.y * CELL + 1, CELL - 2, CELL - 2); }); } document.addEventListener('keydown', event => { const key = event.key; if (key === ' ' || key === 'Spacebar') { event.preventDefault(); if (!running && gameOver) restart(); return; } if (key === 'ArrowUp' && direction !== 'down') nextDirection = 'up'; if (key === 'ArrowDown' && direction !== 'up') nextDirection = 'down'; if (key === 'ArrowLeft' && direction !== 'right') nextDirection = 'left'; if (key === 'ArrowRight' && direction !== 'left') nextDirection = 'right'; }); restart(); </script> </body> </html>

这段代码本身就是一个可以直接运行的贪吃蛇游戏。即使 Agent 生成的版本在变量命名和格式上略有差异，只要你对照运行结果，功能上应该是等价的。

5.5 运行验证

在终端里打开生成的index.html：

Windows：

start index.html

macOS：

open index.html

Linux：

xdg-open index.html

验证清单如下：

• 游戏启动后，蛇是否自动向右移动。
• 按方向键，蛇是否改变方向。
• 吃到食物后，分数是否加 1，蛇身是否变长。
• 撞墙或撞到自己后，是否弹出结束提示。
• 按下空格键，游戏是否重新开始。

如果出现“按方向键没反应”的情况，多半是键盘事件监听没生效，可以检查代码里的document.addEventListener部分。

5.6 通过对话迭代功能

游戏基础版本生成之后，你可以继续通过 DSH 对话迭代功能：

dsh chat "给贪吃蛇增加暂停功能，空格键在暂停和继续之间切换；当分数超过 10 时，游戏速度提升 20%"

Agent 会尝试修改index.html。这里建议手动备份一下原文件，方便对比修改前后的差异：

cp index.html index.html.bak

对比工具可以使用diff，也可以用编辑器里的对比功能。通过这样的迭代过程，你很快就能体会到 DSH 作为开发助手的价值。

6. 常见问题与排查思路

下面整理了一些 DSH 使用过程中的常见问题，供大家对照排查。

6.1 DeepSeek Harness 0.1.5 安装失败如何排查

如果你在安装 0.1.5 版本时失败，先按下面顺序排查：

1. 查看终端完整报错，确认是网络错误、权限错误还是依赖缺失。
2. 如果是网络下载失败，可以换镜像或使用代理后再试。
3. 如果是权限错误，Windows 右键选择“以管理员身份运行”终端，Linux / macOS 检查目录写权限。
4. 如果提示缺少运行环境，先安装对应版本的 Node.js 或 Python。
5. 最后尝试安装相邻小版本，比如 0.1.4，排除特定版本的问题。

6.2 agent execution terminated due to error

这个错误是 Agent 执行过程中的通用终止提示，代表模型或工具调用链路上出现了致命错误。排查时重点看三处：

• 模型 API 返回的 HTTP 状态码，例如 401 是密钥问题，429 是限流，500 是服务端问题。
• Agent 执行的上下文长度是否超出模型窗口上限，可以在配置里减少读取文件的数量。
• 技能文件里的 YAML Front-matter 是否格式错误，例如缺少name字段或缩进不对。

6.3 Ollama 接入后一直等待响应

workbuddy或其他客户端接入 Ollama 时如果一直显示“等待模型响应”，先区分是 DSH 的问题还是 Ollama 本身的问题。

在浏览器里直接访问：

curl http://localhost:11434/api/tags

如果能看到模型列表，说明 Ollama 服务正常。此时再看 DSH 配置里的模型名是否与 Ollama 中的模型名完全一致，包括:7b这样的后缀。模型第一次运行时需要加载到内存，等待时间长是正常的，可以观察 Ollama 的 CPU / GPU 使用率确认确实在加载。

7. 最佳实践与工程建议

7.1 技能文件编写规范

技能是 DSH 的核心资产。编写技能时，建议遵循以下规范：

• 一个技能只负责一类任务，职责单一，避免把“写游戏”和“写文档”混在一起。
• description要写清楚触发条件和边界，例如“当用户要求生成贪吃蛇时使用”，这能显著提高自动调用准确率。
• 技能内部尽量把步骤拆细，每一步都对应明确的输入输出。
• 使用tools字段声明最小权限，不要让不需要执行命令的技能拥有run_command权限。

7.2 配置与密钥管理

密钥必须通过环境变量注入，不能提交到仓库。可以准备一个.env.example文件记录配置模板，然后把真实的.env加入.gitignore。

# .env.example DEEPSEEK_API_KEY=sk-xxxx

环境中同时存在多个模型服务时，建议为不同项目创建独立配置，而不是共用一个全局配置。比如项目 A 使用 DeepSeek，项目 B 使用 Ollama，就可以在各自目录下创建.dsh/config.json。

7.3 上下文控制

Agent 的上下文窗口始终有限。项目很大时，不要让 DSH 扫描整个目录，应该通过配置只暴露需要的子目录。每次会话开始前，想清楚任务范围，尽量减少无关文件对上下文的污染。

7.4 安全边界

Agent 如果拥有执行命令的权限，就可能执行到危险操作。需要注意：

• 生产环境或包含敏感信息的目录，尽量不要配置run_command权限。
• 对 Agent 生成的 Shell 命令做人工审查后再执行，尤其是涉及删除、覆盖、网络请求的命令。
• 提示注入风险不可忽略：如果技能内容里引入了外部文件，外部文件可能被恶意设计成“指示 Agent 执行危险动作”，要提醒模型忽略未经授权的指令。
• 涉及数据库、线上服务等敏感操作，必须通过额外授权机制，例如人工确认步骤。

7.5 输出目录管理

运行 DSH 生成文件时，建议固定一个工作目录，例如./agent-output/。这样即使 Agent 生成了很多临时文件，也不会污染项目主干代码。生成结果交由版本控制前，先做一次代码审查。

7.6 版本锁定与可复现

Agent 框架处在快速迭代期，新版本可能会调整命令格式和配置字段。为团队编写使用文档时，建议锁定一个经过验证的版本，并记录在项目的README中：

DeepSeek Harness 0.1.5

升级版本前，先在测试环境跑一遍核心技能用例，确认没有破坏性变更，再应用到日常开发环境。

8. 总结与下一步

到这里，你已经从零完成了 DeepSeek Harness 的安装、模型接入、技能配置和实战项目。回顾一下整条链路：

• DSH 是一个开源 Agent 框架，核心思路是模型接入、技能、工具都做成插件。
• 安装方式有 Release 压缩包和包管理器两种，安装后通过dsh --version验证。
• 模型接入支持 DeepSeek 官方 API、OpenAI 兼容接口和 Ollama 本地模型。
• SKILL.md是扩展 Agent 能力的关键文件，通过 YAML Front-matter 描述触发条件和任务步骤。
• 实战层面，我们用snake-game技能让 Agent 生成了一个完整的贪吃蛇游戏，并完成了运行验证。

下一步你可以继续探索三个方向：

• 深入学习插件 API，例如自定义一个report_bug工具，把 Agent 执行过程中的异常自动记录到你的 Issue 系统。
• 尝试多 Agent 协作模式，让一个 Agent 负责代码生成，另一个 Agent 负责代码审查，通过文件系统或消息队列串联起来。
• 把 DSH 的模型接入能力与 IDE 插件结合，在 VS Code 或 IntelliJ IDEA 里通过自定义模型渠道接入同一个 Agent 工作流。

Agent 框架的生态几乎每个月都有新变化。动手实践是掌握它最好的方式，先照着本文跑通贪吃蛇案例，然后再替换成你自己的真实需求，很快就会发现这类工具在工作流自动化上的价值。