把 DeepSeek Harness 改造成可协作的 AI 团队

当模型能力逐渐接近时，真正拉开任务完成效果的往往不再只是模型本身，而是承载模型的 Harness 与工作流。围绕 DeepSeek Harness 的改造实践，可以把单次对话扩展为由角色、团队和任务组成的协作系统，让多个 AI 成员在明确约束下共同完成复杂工作。

关于我是如何将 DeepSeek Harness 改造成一支AI团队

前言

2026 年 8 月 13 日深夜，DeepSeek 在发布 V4 Pro 正式版的同时，悄无声息地开源了一个叫 DeepSeek Harness 的项目。上线数小时，GitHub Stars 突破 3 万，创下了当时最快的破纪录速度

相比于之前对于 Harness 没有这么重视，大家都在卷大模型，那时候模型本身的能力还不足以支撑复杂任务。

但是到了 2025 年底、2026 年初，情况开始变了。V4-Pro 这类模型在推理和代码能力上已经追平甚至局部超过了闭源头部，模型之间的差距在缩小。

这时候大家发现一个问题：同一个模型，放在不同的 Harness 里，完成同一批多步骤任务的成功率和成本差距可以达到数倍。模型能力的上限已经被拉得足够高，但“兑现多少”取决于外面的那层壳。

所以问题就从“用哪个模型”变成了“怎么把模型组织起来干活”。而这恰恰是过去两年被严重低估的一件事：大多数团队并不是没有强模型可用，而是没有把模型沉淀成可复用的工作流。

这些工具单独看都不复杂，但组合起来，它改变的是一种工作方式：我从“执行者”变成了“编排者” 。我不再需要知道每一步怎么做，我只需要设定好人员和任务，AI自己就能将这些组装起来

工作流

过去我们谈工作流，谈的其实是“流程”。流程是预先定义好的：第一步做什么，第二步做什么，什么条件下走哪个分支。人把流程设计出来，然后执行它。流程的好坏，取决于设计者有没有把情况想全。

但在 AI 团队里，这个前提变了。流程不再需要被完全预先定义，它可以被现场组装。

这就引出一个关键转变：工作流的重心，从“控制”转向了“约束”。

所以编排者的核心工作，不是设计一条最优路径，而是划出一个足够大的空间，让 AI 在里面自己找路径，同时确保这个空间不会失控。

我认为不管现在的 skill 还是 prompt，其实都是在从不同的角度来激活和拟合大模型，而工作流让同一个模型在不同的环节、不同的约束下被反复激活。前一个环节的输出，成为后一个环节的输入；后一个环节的偏差，又反过来修正前一个环节的约束。激活不再是单向的，拟合不再是单次的。它们形成了一个回路。

它不是把模型用起来，而是把模型组织成一种可以反复进入、反复收敛的状态。在这个状态里，模型不再是一个被调用的工具，而是一支被编排出来的队伍。

设计与展示

1. 角色

首先就是角色，AI 成员和真实员工不一样的点是，AI 成员其实就是纸片人，它只有它的描述，也就是它可以同时活跃在不同任务之间，只是上下文不一样了。

这里我新增了system 系统这个特殊的角色，方便用户对对话进行定制，比如你想要一只可爱的猫娘

这样你就可以很方便的定制你的专属 DeepSeek Harness 了

2. 团队

有了角色之后就是组建团队了

这里主要就是将角色加入进团队就行，不过我设计了每一个成员都可以有不同的大模型来运行，这样就可以很方便的让多个模型可以进行协作，比如让多个模型同时对代码进行审核

3. 任务

最后你可以在对话框中很方便的选择团队，就可以以团队的模式开启任务了

结语

随着 AI agent 越来越智能，后面可能连这种编排慢慢都不需要了，AI agent 会自己分解任务，自己调用工具，自己判断下一步，自己收敛结果。人不再需要预设角色，不再需要划定边界，不再需要设计那个场。编排从人的工作里消失，变成 agent 的默认能力。

以前人是执行者，后来人是编排者，再往后，人可能只是意图的给出者。

人一路往后退，最后留在手里的，可能只是他独特的审美

项目地址 eTeam 多成员协作插件