Deepseek 在 2026年8月13日发布了它们的 Harness：Deepseek Harness，简称 DSH。DSH 并不是一个像 Codex、ClaudeCode 一样定制好的 Agent，它有两个显著特点：

  1. 开源
  2. 一切皆插件

这意味着 Agent 开发者可以基于 DSH 定制自己的 Agent。最近正好经常接触到一些上海小学英语学习的事情，身边也有人在学习英语，于是就想是否可以基于 DSH 打造一个私人专属的英语学习教练。我的目标是让 AI 自然地融入到用户学习英语的过程中，而不是通过一个聊天框和 AI 进行交流，所以需要对 DSH 进行全定制，包括 UI、插件、存储等各个设施。

具体到LingoLadder，首先语言学习可以划分成两个过程：能力评估和能力训练。语言能力是依靠这两个过程螺旋式上升的。基于这个认识，我们产生了业务的第一层描述：语言能力描述。

在整个实践过程中，我一直带着三个问题（视频中有比较多关于这些问题的回答，本文作为补充）：

  1. 针对具体的业务场景，是否需要做成 Agent。
  2. Agent 的实现路径，具体来讲 如何通过DSH实现一个自己的Agent。这是本文第一部分和第二部分的内容。
  3. 顶层问题：有没有必要学习英语，再往上想 AI 必定越来越强，人应该如何学习。留待讨论的问题。

第一部分：建模

语言能力描述

任何语言能力都分成 听、说、读、写 四个维度，在四个维度上有不同的方法表示能力水平，这里我们采用国际通用的 CEFR 语言能力描述。因此就产生了主要的交互界面，如下图所示：以能力维度为中心，可以清楚地看到每个能力维度上自己当前水平并随时进行训练。

LingoLadder 主界面

基础设施

基于听说读写四个能力维度的评估和训练，分析需要哪些基础设施。

注意⚠️：这里先不考虑具体的实现方式，而是从概念上去思考。过早地陷入细节往往是失败的开始。

以“听”这个能力维度为例：听力是什么？它是播放一段声音材料，测试用户听了之后能否理解材料中的信息。因此需要听力材料合成能力，也就是 发声能力。所以有了第一个基础设施：AI 发声，其实也就是 tts引擎。

用同样的方式进行分析，在“说”这个维度上需要的基础设施：录音、语音识别。

在读这个维度上：需要生成文本，这是大模型天然具备的。

写：文本输入 和 文本识别，其中文本识别也是大模型天然具备的。

总结下来的基础设施有以下几部分：

  1. AI 发声（tts引擎）
  2. 录音
  3. 语音转文字
  4. 文本输入

业务的模型描述

理解了业务，抽象了基础设施后，如何用 Harness 的方式描述？

这里其实就是业务到Agent的建模，从一般到具体，我把它分成两个部分：Harness 层面 和 DSH 层面。

业务在 Harness 层面上的描述

以听力提升这个业务维度为例，Harness描述是什么样的？不论是DSH还是其他harness，从根本上讲都是在围绕上下文（或者说提示词）的设计和管理上，让 AI 能力 适应我们的场景。大概的思路是这样的：

  1. 通过 SystemPrompt 决定 Agent 的基础特征。
  2. 基于用户的交互，比如点击了听力训练，自动生成包含了当前听力能力和听力训练相关提示词。
  3. 上下文包含哪些工具调用，工具调用会占据上下文。

针对 LingoLadder 业务 设计上述内容，把思路告诉 Codex 等 Coding Agent，让 AI 帮我们实现即可，当然自己要能把控 AI的输出是否达到预期。

业务的 DSH 层面的描述

DSH 提供了一种非常直观的方式来帮助我们看到上下文变化的过程：轨迹视图。这对理解 DSH、制作和调试 Agent 非常有用。不仅可以预览上下文，还可以看到上下文来源。

从 LingoLadder 角度分析，需要：

  • 设定角色，注册自己的系统提示词。DSH 支持按作用域注册提示词。
  • 先把主要能力都以 skill 方式实现，这样最简单。虽然效果未必最佳，token 消耗可能也会较高，但作为MVP是足够的。
  • 持续优化：看是否能通过插件优化效果，用尽可能少的token获得尽可能佳的效果。

第二部分：实现

在开始动工前，先拿到项目源码，在 OpenCode 中通过 AI 理解项目架构和核心概念。这里不推荐古法阅读代码，因为 DSH 代码和文档本身就是 AI 生成的，古法阅读会非常难受和低效。在理解了 DSH 的主要概念后，结合英语学习 CEFR 知识进行建模，识别哪些是 agent skill，哪些是 插件、哪些是 bundle 层，哪些是核心层。

这个过程的核心原则是：兼顾能力的同时，尽可能保持核心层的简洁。

skill 层

技能触发场景核心功能
material-digest上传资料/粘贴文本难度评估、词汇提取、语法分析、摘要生成
knowledge-extractor结构化提取词汇定义、语法点、核心概念（JSON 输出）
exercise-generator请求练习/提交答案交互式训练：生成→答题→批改→记录
material-search找学习资料网络搜索（Exa）、内容抓取、Markdown 保存
placement-assessment首次使用/请求测评4 轮对话式 CEFR 定级测试

数据存储

采用了直接的文件存储方式

.lingoladder/
  materials/          # Markdown 学习资料
  progress/           # 每次学习事件的 JSON 记录
  vocabulary/         # 词汇表（每份资料一个文件）
  profile.json        # 学习者档案（CEFR 等级、各技能水平）
  *-session.json      # 进行中的练习（临时文件）
  tts-cache/          # 缓存的合成音频

关键技术集成

LLM 提供商（DSH 内置插件）

默认 DeepSeek，支持多提供商（通过 pi-ai 适配器）
动态模型发现、API 密钥管理、路由配置

TTS（语音合成）

Microsoft Edge 神经语音（高质量）：edge tts

PDF 处理

unpdf 提取文本 → 存储为 Markdown 资料

语音识别

Web Speech API 评分朗读尝试
单词重叠度算法

第三部分：我的思考

关于业务是否要做成 Agent，我在视频中做了很多的分析。这里再补充几点：

  • 消失的 scale down：以前的软件是有 scale down 效应的，一次开发，零成本复制。但是 Agent 不一样，它没有 scale down 效果，用户使用越多，token 消耗越高，成本也越高。从这个角度看，Agent 对创业是不友好的。
  • 为什么腾讯、字节等公司要做 work agent？本质上是把 token经济 扩大到白领群体。
  • agent = llm + harness 这个范式中的 harness 是否会一直存在？

视频回放

Tags: