卡了10轮bug的插件,DeepSeek Harness 两小时一把过

最近 DeepSeek 刚刚推出了 Harness，我昨天开始尝试使用，一下就被惊艳到了。从昨天到今天，我在两个项目上做了尝试，它不仅完全解决了我在实际工作中遇到的困难，而且比其他模型用得更好，所以我觉得很有必要推荐给大家。

PART 01

第一个项目：卡了10轮bug的插件，两小时一把过

先说第一个项目。背景是一位客户提出，他们的业主方经常提出变更要求——除了设计变更之外，物料选型也经常变动。

因此，他们希望提供一个插件，具体需求有三点：

识别信息：能在软件中识别出当前项目的所有物料信息。
对照修改：提供一个对照修改的界面，根据业主方的要求，在界面上对现有的物料选型做批量修改。
单独修改：支持对个别设备进行单独修改。因为一种物料可能被多台设备使用，修改时往往只需要改动其中某几个型号。

针对这个插件，我之前使用 GLM 模型做了开发，经过反复调试，前后大概修了 10 轮 bug，但很遗憾问题始终没有解决，插件一直未能交付。

昨天，我改用 DeepSeek Harness 来做。我给的提示词是：先学习前面 10 轮的错误经验，然后再开始工作。它确实按照我的要求，先总结了之前的失败经验，并提出了自己的猜想；然后派了一个子 Agent 去官网查找相关信息，又派了一个子 Agent 去查 API 开发的帮助文档。整个过程大约花了两个小时，就在我快失去耐心、准备放弃的时候，它结束了工作，提交了一版。我测试之后，一把过。这给了我一个很大的惊喜，也让我对它有了信心。

PART 02

第二个项目：比多模态模型更快完成手写作文批改

再说另外一个项目。今天是周末。晚上在回家的路上，有位朋友找到我，说他的好友是一位英语老师，目前正被一件很痛苦的事困扰着：学生交上来手写的英语作文，他需要花很多时间批注，还要在电脑上敲键盘，把修改意见和修改范文打出来。这对一位年纪很大的老师来说特别吃力——不仅体力跟不上，眼睛也看不清楚，所以希望得到 AI 的帮助。

于是，我要来了几个范例，尝试用 AI 帮忙。开始做这件事时已经差不多晚上 10 点了，我想还是快一点比较好，所以同时用了 Kimi 和 DeepSeek Harness 来处理。在我的认知里，Kimi 是多模态模型，处理这件事应该会很方便。但事实很快打脸了：DeepSeek Harness 不仅率先完成了任务，生成的结果也得到了认可。在 Harness 完成 3 张图片的识别并生成 Word 之后，Kimi 的第一轮还没跑完。实在太慢了，我受不了，干脆把 Kimi 停掉了。

PART 03

DeepSeek Harness 的三个核心特性

我开始琢磨：DeepSeek Harness 明明不是多模态模型，看不见图片，它是怎么解决"看见"这个问题的？后来我翻了它的执行记录，发现它其实调用了很多插件——它自己虽然看不见，但可以调用 OCR 工具来识别图片。这体现了它的三个特性：

1. 会从失败经验中学习——先复盘，再动手

给它 10 轮 GLM 没修好的 bug 记录，它不是直接开写，而是先总结失败原因、提出猜想，然后才安排工作。这也是它能把卡死的插件一把过交付的关键。

2. 自主拆解任务、调度子 Agent

没有人为它指定步骤，它自己判断“需要先搞清楚什么”，派一个子 Agent 去官网查资料，再派一个去查 API 开发文档。规划权在它手里，人只给目标。

3. 模块化——能力不够，用插件组合补上

它本身不是多模态模型，看不见手写作文，但它会调用 OCR 插件来“看见”，还比 Kimi 先完成任务。更进一层的是，它有复用意识：会主动评估“这个场景如果以后常用，值得沉淀成插件”。

写到这里，我一边在写作，一边给 DeepSeek Harness 提第三个项目要求了：对于我给定的一个软件操作视频，帮我生成 word 版本的操作手册。

我实在是太喜欢这种方式了，忍不住充了 500 块。赶紧上吧，今天我做了很多事，才花了一块多钱，超级便宜（上班时间别玩哈，老贵了）