你好，我是郭震。

DeepSeek 最近开源了一个很重要的新项目：DeepSeek Harness

模型决定 Agent 聪不聪明，Harness 决定它能不能调用工具、管理上下文、进入真实环境持续工作。

代码工程浩大，里面不只有一个聊天界面，还涉及插件内核、工具、Skills、会话、沙箱、存储、调度和四种运行模式。

短时间靠人肯定搞不定，不过现在Agent越来越好用，比如这个复杂工程项目理解，可以让Agent组队，理解一遍这个工程源码。

做这件事有一个智能体比较推荐，就是EvoX

这是我使用它生成的源码解析台前端，点击每个核心组件，都会对应到组成Harness的组件中：

更加方便帮我理解DeepSeek Harness，比如点击任何一个节点，都能观察到它和其他模块的关系。除此以外，还有这样的执行路径图动画：

如下为LLM请求的执行路径，看到这些节点图，能更好方便我理解Harness的执行路径：

前后二十分钟，就把源码扒完，并生成这样的成果，更多功能我会在文中展示。

EvoX能自动拉起一支 AI 小队，更好帮把DeepSeek Harness从架构到源码完整拆一遍。具体做法，感兴趣的可以看下。

实测Case 1：Agent组队分析DeepSeek Harness

我发送下面提示词给EvoX智能体：

请调用蜂群模式，对 DeepSeek 官方开源项目 DeepSeek Harness 进行一次源码级深度解析。目标不是简单总结 README，而是帮助一名中国开发者真正看懂：DeepSeek Harness 是什么、“一切皆插件”如何实现、Cordis 内核承担什么职责、一次 Agent 任务如何运行，以及它目前是否适合实际使用。
请自行拆解任务和组织多个 Agent，不要让我规定具体分工。任务至少覆盖：
官网、README和开发者文档核验；
GitHub源码目录与核心模块分析；
Cordis内核、服务、事件和插件依赖机制；
模型、工具、Skills、会话、沙箱、存储、循环、调度和UI插件；
标准、PTC、极简和创造四种运行模式对比；
会话日志、Trajectory、恢复、分叉和回放机制；
本地安装、Web UI启动和基础功能实测；
开发者预览版的限制、风险和适用场景；
对各Agent结论进行交叉校验。
所有技术判断必须附上官方文档链接，或者对应的源码文件路径。无法确认的内容必须标记为“待核验”，不得根据文件名自行推断。

比较惊喜的是，我没有替它规定具体分工，它自动成立了下面由11个Agent的小分队：

从图中可以看到，不同 Agent 分别负责文档核验、架构梳理、Cordis 内核、工具与 Skill、会话轨迹、沙箱存储、调度循环、Web UI、安装运行和风险分析。

最后还有一个专门的 cross-check 任务，负责读取各路结果、检查冲突并完成统一汇总：

这就是蜂群和普通多开几个 Agent 最大的区别。

以往多Agent完成任务，一般通过多 Agent 各写一段互不相关的答案。

但是，EvoX智能体是围绕同一个目标并行工作、共享中间结果，最后再进行交叉校验和集体合成。

第一轮执行并没有全部变绿：

部分子 Agent 因工具调用预算耗尽，没有按计划生成报告，但是它可以自动重试失败节点，剩余缺口由主协调 Agent 接管：

经过一轮修复后得到DeepSeek Harness解析台：

它理解完整仓库大概十分钟，再打开看看前端界面动画，点击进入任务执行路径：

除了文中开头介绍的结构图动画和执行路径图，还包括四种Harness模式：

模式关系图：

DeepSeek Harness整个仓库代码，非常庞大，但是经过这次实测，看到EvoX 能像项目负责人一样，拆解任务并干完，这个效果真的出乎我的意料。

具体来说，它能围绕同一个目标自动拆解任务、组织并行协作、共享中间结果、重试失败节点并交叉校验，最后把复杂分析收束成一个可打开、可核验的完整交付物。

实测Case 2： 从一句需求到可运行的数据分析网页

第二个实测任务，让它在指定目录里开发一个完整的数据分析网页工具。

我要求它支持 CSV 上传、字段识别、核心指标、交互图表、联动筛选、数据洞察、数据质量检查、明细搜索和导出，而且不能安装依赖、不能访问网络，只能使用本地 HTML、CSS、JavaScript 和 CSV：

我同样没有手工写工作流，只说清楚目标和边界。

EvoX 没有立刻丢出一大段代码，而是先列出 7 项待办：

第一轮大约用了 18 分钟。它在本地生成了 9 个项目文件。我刚才第一个case生成的数据。

网站打开后可以看到总销售额、订单数、客单价和环比增长：

下面还有销售趋势、品类销售、地区占比和渠道排行：

它不是一张写死的效果图。

可以灵活选择地区、品类、渠道或日期后，指标、图表、洞察、数据质量和明细表会一起变化：

第一次生成并不完美。比如筛选器使用英文键匹配中文字段，选择地区后会变成 0 行。

我把错误位置、筛选结果和测试日志继续反馈给 EvoX。

这次真正值得看的，它没有从头理解项目，而是自动调用了前面任务中沉淀的 3 条本地记忆，直接知道项目目录、代码结构和之前采用的实现方式：

任务过程中的有效信息和处理经验还会被沉淀下来。第二次遇到修改或类似任务时，EvoX可以直接接着做，而不是每次都从零开始。

简单来说，普通 Agent 更像“这次帮你干完”；EvoX 想做到的是“这次干完以后，下次还记得怎么干”。

实测Case3：复杂办公任务

EvoX和普通聊天工具最大的区别，除了有Workbuddy这类Agents能力和Skill外，还加入了两个很关键的能力：蜂群协作和自进化：

面对复杂办公任务，EvoX 可以通过蜂群模式自动拆解目标，如下所示：

最终会话里出现了两张是完整文档卡片：：

这两个成品分别对应结构化调研报告：

4 自进化智能体EvoX

打开EvoX以后，依次可以看到会话、协作、编码，下图是协作截图可以实现电脑操作：

我直接用中文说清楚目标，它就可以读取庞大代码、资料、调用技能、生成文档，或者进入真实项目目录开发代码。

从上面看到了，EvoX 解决的是改变 Agent 的工作方式。前面三个 Case 也让我看清了 EvoX 的两个核心能力： 蜂群协作和自进化。

关于自进化的论文，可以阅读学习下面这篇，我最近也在研读：

蜂群先拆解大任务，再让不同 Agent 分别处理自己的上下文、共享中间结果，最后统一校验和汇总：

这样做不仅可以并行推进，还能减少多个任务反复读取完整上下文造成的 Token 浪费。在任务可拆分、可汇总、可验证的前提下，单一长上下文的成本可能接近 O(N²)，蜂群分治则可以接近 O(N)：

蜂群解决的是“这次任务如何完成”，自进化解决的则是“下次为什么不用从零开始”。

EvoX 的自进化有两层。

第一层是本地进化，在这三次实测中，EvoX 也多次显示从记忆库调用了经验：

第二层是联网进化，任务完成以后，它还会将过程中有效的经验沉淀到EvoMap：

过一会就会加入到网络中Gene 和 Capsule：

简单来说， 蜂群让多个 Agent 更高效地完成任务，本地进化让 EvoX 记住跑通的方法，EvoMap 则让这些经验在更多 Agent 之间继续流动。

最后总结一下

三次实测下来，我最大的感受EvoX 不仅能把任务“做完”，而且把复杂项目从分工、执行到交付的过程真正跑了起来。

蜂群解决复杂任务的分工与汇总，自进化把成功经验沉淀到本地；连接 EvoMap 后，还能将经验转化为 Gene 和 Capsule，供其他 Agent 继承复用。

结论：EvoX 是一个能组织多个 Agent 协作，并把任务经验沉淀下来、继续复用的桌面 Agent。

国产通用 Agent 赛道，不一定只有大厂才值得关注。从这次实测看，EvoX 至少已经站到了国产 Agent 的第一梯队，也很可能会成为这个赛道接下来值得关注的一匹黑马。