模型是灵魂，Harness 是身体

图：Agent = Model + Harness。模型负责想，Harness 负责做

大家好，我是 Booker。

今天拆 DeepSeek 昨天（2026-08-13）开源的一个东西：DeepSeek Harness，命令行叫 dsh。

这篇不抄二手解读。我直接扒了源码和官方文档，讲它三个真正的设计决策，外加泼冷水和诚实记录试跑踩坑。

一个插件标准，七个工具共用

图：Open Plugins 标准——装一个就能在七个工具里用

最近 AI 编程工具越来越多：Cursor、Claude Code、Codex、Grok Build……每个一套插件格式。然后冒出了个 Open Plugins。

它是 Vercel Labs 维护的一个开放标准。装一个插件，就能在七个工具里跑。

说实话，我很少觉得一个"福利"值得专门写文章。但这次不太一样。

2026 年 7 月，三件事撞在同一个时间点：

• 微信开发者工具开放了 AI 智能体 Skills，你用的 Cursor、Claude Code 能直接读开发者工具的控制台日志、看模拟器截图、自动部署云函数。
• 小程序成长计划第二期加码，Token 从 1 亿提到 10 亿，生图从 1 万张到 10 万张，模型升级混元 Hy3。
• CloudBase 把后端底座摊平了，AI 工具直接接它的大模型，Token 从套餐里扣，写完直接上线。

这三件事放一起，"一个人独立做个完整小程序"最难的几个坎，全被打通了。下面是我的实操笔记，每步都走过，好坏都直说。

用过 Claude Code 做复杂任务的，八成遇到过这种事——

让 AI 把 fetch 全换成 axios，泡了杯咖啡回来，发现它改了三四个文件就停下来等你点头。反复七八次，一杯咖啡都凉了

或者睡前跑了 /loop 盯 PR，早上发现它凌晨两点卡在 git merge 冲突上，窗口占了一整夜

或者开了三个 sub-agent 各查各的——完事三个结论互相矛盾，因为它们都没看到对方在做什么

根不在 AI 不够聪明。Claude Code 是回合制的——每轮只能做一件事，做完等你决定下一步。想让它持续运行、自动决策、并行工作，就得靠产品层面的编排机制来弥补

Claude Code 给了五个：/goal、/loop、sub-agent、Agent Teams、Workflows

选错了不仅浪费 token，还会把事情搞得更复杂

这篇文章帮你搞懂四件事：① Codex 是什么、能干什么 → ② 五分钟上手做个能玩的小游戏 → ③ 基本用法和核心功能 → ④ 接低成本的国产开源模型，把做好的应用发布上线，让别人能访问。

赶时间？ Codex 现在能接 DeepSeek、GLM 这些便宜模型了。想省钱 + 一键部署的，跳到第四步复制一段配置就行。想从头搞懂的，往下读。

我常被问一个问题：小程序怎么接 AI？

问的人大多不是不会写代码，是卡在几个具体的地方：模型 API Key 放在哪才安全、小程序为什么不能直接调接口、流式回复怎么做、换模型麻不麻烦。

这篇把我踩过的坑和现在用的标准做法写一遍。核心就一个思路：让云平台当中间人，前端永远不碰密钥。

前阵子在一台 TencentOS 服务器上配 GitHub CLI——AI Agent 跑在上面，需要通过手机 IM 跟它对话。遇到了一个经典场景：

• 没有浏览器（远程服务器，没图形界面）
• 没有 sudo 权限（只能装到自己 ~/bin）
• 需要 gh 能正常认证、创建 PR
• 关键：不能把 Token 直接发给 Agent——不管走什么通道，Token 一旦进了 Agent 的上下文就会被记录、可能被写入日志、甚至出现在训练数据里

传统 OAuth 流程要在浏览器里跳转。这里行不通。

第一个直觉是手动生成 Personal Access Token，gh auth login --with-token 灌进去。能用，但很麻烦——你要打开 GitHub 设置页、找到 Token 生成页面、选权限、复制、回到终端粘贴。隔几个月 Token 过期了，再来一遍。

我翻了翻 GitHub CLI 文档，发现它默认走的是一条不同的路：Device Flow（设备授权流）。执行 gh auth login --web，终端打印一串验证码，你去另外一台设备上打开 github.com/login/device 输入它，这边自动完成认证。

整个流程不到两分钟。当时觉得——这东西挺聪明的，值得拆开看看里面怎么跑的。

最近折腾 Agent Skills 有一阵子了。实战下来最折磨人的不是 AI 不会写代码，而是它写的代码**"只能活在本地"，以及它总是不听规矩**。

这篇文章主要分享两件事：

1. 让 AI 生成的代码能真正上线 — AI 写的代码 Demo 感十足，一上线就全是安全隐患。问题是 AI 不感知真实的后端底座。
2. 解决"AI 有 Skill 却不爱用"的毛病 — 明明配好了 Skills，AI 却视而不见，非要凭直觉盲干。技能激活率从 20% 硬拉到 84% 的方法。

一开始用 AI 生图的时候，我自己没有太在意风格。Midjourney 默认输出什么样，我就用什么样：光影浓郁、细节饱满、色彩鲜艳。结果配到文章里怎么看怎么不对——不是画得不好，是太像 AI 画的了。

后来我花了不少时间在 prompt 里调参数做减法，试了好几套风格方案，慢慢摸索出一些规律。回头想想，去掉 AI 味的核心其实很简单：做减法、加纹理、扁平化、低饱和度。

下面这三套方案是实战下来最稳的，直接贴 prompt 后缀就能用。

你是否遇到过这样的困扰：用 AI 生成应用时，代码出错了却不知道问什么问题？AI 给了 N 个解决方案，但不知道哪个是对的？

很多非技术人员在用 AI 编程时都会遇到这样的痛点：

• Debug 困难：页面显示异常，但不知道问题出在哪一层（前端？后端？还是部署？）
• 提问不准确：不知道如何描述问题，让 AI 能理解并给出准确答案
• 学习路径模糊：知道需要学一些基础，但不知道从哪开始，学什么才够用

今天，我将为你分享一套系统的方法，从基础概念到调试技巧，再到后端方案，让你从"能生成应用"到"能做出真正可用的应用"。