DeepSeek Harness 学习与实践
从“就这？”到“哇噻”：我用 DSH 搭了一个硬件行业工作台
从真实问题出发，认识 DeepSeek Harness
我并不缺少信息，缺少的是把信息持续组织成趋势、状态和行动。
我的工作：既要向外看，也要向内看
向外看，是持续关注智能硬件、IoT、可穿戴和智能家居等行业变化，判断趋势，并寻找它们与小程序生态结合的机会。向内看，是关注硬件类小程序的生态数据，寻找值得推动的种子选手，同时跟进厂商接入和具体项目。
这些工作有一个共同特点：信息会持续产生，状态也会持续变化。
我已经做过一些自动化
过去我已经尝试用 AI 改进不少环节。例如在 AWE 期间，我用小红书 MCP 和 Claude Code 收集并分析行业舆情；平时也会用 Web Search 收集行业信息，用 WeData MCP 查询数据，再通过 Cron 定时生成日报并推送到 IM。
真正困扰我的，不是信息没有到达
信息虽然可以自动到达，但它们仍然是一条条消息。如果有人突然问我，最近的趋势是什么，哪些变化值得持续关注，哪些项目需要推进下一步，我还是要重新翻找和整理。
信息我其实都有。我真正想解决的，是怎样把这些点持续组织成一个面。
带着这个问题，我开始学习 DSH
刚接触 DSH 时，我看到了换界面、小游戏、新闻看板和各种工作台。单看最终 Demo，我并不确定它和以前的 Agent 工具有多大不同。但很多讨论都在强调 Everything is a Plugin，这让我开始好奇：大家真正关注的，也许不只是那些 Demo。
我开始看 DSH 的运行方式、插件与一些行业工作台案例。对我来说，这个学习过程中比较有启发的，是下面几层关系。
Everything is a Plugin：先把能力拆开
过去提到插件，我更容易把它理解成给一个既有软件增加功能。但在 DSH 的设计里，UI、Tool、Workflow、Agent、数据与状态都可以成为相对独立、可以被组织的能力。
这里更值得关注的，也许不只是 Plugin，而是 Everything 都开始进入可组合的范围。
Spatial Composability
关注同一运行时刻，一个系统需要的不同能力如何根据需求被组合。
需求一变，往往要连同页面、数据和流程一起改。
同一需求不变，提供能力的组件可以替换。
点按右侧按钮，可以看到“能力不变、组件可换”的区别。
Temporal Composability
关注系统随着时间发生变化时，一项能力能不能被安全地加入、替换和撤回。
系统运行越久，历史影响越容易叠在一起。
变化不只是“装上新功能”，也包括把旧影响完整撤回。
Self-evolving
当能力可以组合，也能被安全替换以后，系统才有机会根据运行结果与使用反馈持续调整。
结果好不好，需要下一次再从头修改。
UI、Data、Tool、Workflow 和 Agent 都可以分别观察、调整和审核；系统不必为一次局部演进整体重做。
Spatial Composability 让我看到能力可以怎样组合；Temporal Composability 让我看到能力可以怎样替换和撤回；Self-evolving 则进一步讨论，系统能否在持续运行和反馈中逐步调整。
学到这里，我仍然不能只凭架构理念判断它对工作是否有用。于是我准备把这些理解放回自己的问题里，做一次尽量贴近真实工作的尝试。
回顾工作流，搭建自己的工作台
先看工作台最终长什么样，再回到问题、工作流和实际搭建过程。
最终形成的工作台
目前的工作台从 Today 进入，再看外部趋势、内部生态和项目推进，最后用每日复盘收束。它不是要替代所有工具，而是把原本分散在消息、数据和项目记录里的内容，重新组织成更适合判断和行动的入口。
每天的入口：Today
向外看：外部趋势
向内看：生态与项目
每天的收束：每日复盘
再回到过程：我是怎么搭出来的
回看这次过程，我并不是先研究所有功能，再决定做什么，而是从自己的工作情况开始，一边梳理问题，一边借助 Agent、插件和其他工作台逐步搭建。
先问自己的工作情况
哪些信息持续产生，哪些事情反复发生，现有 AI 工具仍然没有解决什么。
让 Agent 协助下载和配置
让它读取最新资料、检查环境并解释步骤，我再判断和执行。
回顾工作流，参考插件与案例
找出适合持续更新和可视化的环节，再观察别人怎样组织能力。
与 Agent 共创工作台想法
从工作背景、已有自动化和剩余痛点讲起，逐步形成可检验的框架。
先问自己的工作情况
对我来说，起点不是“我想做一个工作台”，而是回到日常工作里追问：哪些信息持续产生，哪些状态持续变化，哪些重复流程已经自动化，哪些问题仍需要我重新翻找和整理。
工作流体检
我的判断
- 搜索、查数和推送已经部分自动化
- 真正缺少的是把点状消息组织成趋势
- 工作台需要同时承载判断、状态和行动
让 Agent 协助下载和配置
我没有从头逐条研究所有安装命令，而是把 DSH 官网、GitHub 和相关资料交给自己熟悉的 Agent 工具。让 Agent 先阅读最新说明，检查电脑环境，解释将要执行的步骤，然后再协助完成安装与验证。
DSH 仍在快速变化。与其照着一份旧教程机械操作，不如让 Agent 先读取最新资料，再结合当前环境协助完成。
回顾工作流，再参考插件
搭建前，我先回到自己的真实工作：哪些事情会反复发生，哪些信息需要持续更新，哪些内容适合可视化，哪些流程已经被 AI 解决，哪些问题仍然没有解决。
工作流体检
参考方向
- 插件市场中的热门插件
- 多模态与定时任务
- 小说、建筑、金融等行业工作台
- 不同行业组织专业信息和流程的方式
我参考这些案例，不是为了照搬一个现成工作台，而是观察别人如何拆分和组织能力，再判断哪些方式可以放回自己的工作流。
也可以从不同行业的工作台寻找启发
小说、互动游戏和短剧制作看起来离我的工作很远，但它们提供了另一种参考：专业信息、角色、流程和结果，可以怎样被重新组织进同一个工作空间。
与 Agent 共创工作台想法
我没有先写一份完整 PRD，而是把工作背景、已有自动化、剩余痛点和希望的判断方式逐步告诉 Agent，再通过对话一起收敛信息层级、页面结构与产品框架。
从一次搭建，回过头思考 AI 工具可能会怎样变化
这不是一个确定结论，而是这次学习和实践让我开始留意的方向。
我首先想到的，是诺基亚与 iPhone
诺基亚时代的手机同样有很多功能，但功能、系统和设备往往更紧密地绑在一起。iPhone 带来的变化不只是功能变多，还包括一个相对稳定的系统底座，以及可以持续加入、升级和替换的应用生态。
诺基亚时代
功能、界面、系统和设备高度耦合。
SYSTEM
FUNCTIONS
iPhone 之后
操作系统成为底座，应用可以持续生长。
值得关注的变化，可能不只是又多了几项功能，而是功能与系统之间的关系发生了变化。
这让我重新看待今天的 AI 工具
现在很多 AI 工具已经很强，但我们通常仍要先进入一个固定产品，再使用它预先设计好的聊天框、工具和流程。DSH 让我开始想象另一种方式：页面、数据、工具和工作流逐渐变成可以被重新组织的能力。
+ AI
在已有产品上增加 AI 能力。
SOFTWARE
Agent 使用工具，帮人操作已有软件。
SOFTWARE
任务先出现，AI 再组织适合当前问题的软件形态。
过去是人进入一个固定软件，再学习它能够做什么。未来也许是任务先出现，AI 再围绕任务组织需要的页面、数据、工具和流程。
AI 的价值，可能不只是在某个步骤提效
这次搭建让我感受到，AI 的作用可能正在从完成一个步骤，逐渐走向协助组织整件事情。它不只是帮我搜索一条信息、查询一次数据或生成一份报告，也可能参与维护当前有哪些信息，哪些信息正在形成趋势，哪些状态发生了变化，哪些事情需要采取下一步行动。
我现在还不能确定下一代 AI 软件最终会长什么样，也不想只凭一次工作台搭建就得出一个宏大结论。
但这次从真实问题出发，学习 DSH，再把它放回工作中实践，让我开始留意一种可能：未来的软件，也许不再只提供一个固定入口，而是能够围绕每个人正在做的事情，逐渐组织和调整自己。
如果也想尝试搭建工作台，不一定要先做一个完整系统。可以先从自己工作中一个长期存在、反复发生，又始终没有被现有工具真正解决的问题开始。