jwjp-Just Wiki Join Portal - 最近更改 [zh]

别想大象

Admin — Thu, 27 Aug 2026 15:34:30 GMT

创建页面，内容为“{{Infobox 概念 | 名称 = 别想大象效应 | 英文名 = Don't Think of an Elephant Effect | 别名 = AI白熊效应、反向指令失效、J-space概念激活 | 领域 = 人工智能、提示词工程（Prompt Engineering）、认知心理学 }} '''别想大象'''（英语：Don't Think of an Elephant）在人工智能（AI）与大语言模型（LLM）领域中，是指'''模型难以正确处理否定句、或反向提示词（Negative P…”

新页面

{{Infobox 概念
| 名称 = 别想大象效应
| 英文名 = Don't Think of an Elephant Effect
| 别名 = AI白熊效应、反向指令失效、J-space概念激活
| 领域 = [[人工智能]]、[[提示词工程]]（Prompt Engineering）、[[认知心理学]]
}}

'''别想大象'''（英语：Don't Think of an Elephant）在人工智能（AI）与[[大语言模型]]（LLM）领域中，是指'''模型难以正确处理否定句、或反向提示词（Negative Prompts）容易引发反向效果的现象'''。

该术语源自认知语言学家乔治·莱考夫（George Lakoff）的经典心理学政治学著作《别想那只大象》，在 AI 时代被广泛用于描述大模型“越不让干什么，越要干什么”的逻辑困境。

== 现象表现 ==

在与文本或图像 AI 交互时，该效应通常表现为以下几种形式：
* '''文本生成中的“越界”'''：当用户给出口令如“请直接给出答案，''不要''附带任何解释和客套话”时，AI 往往在生成答案后，仍旧会输出一段解释。
* '''图像生成中的“凭空出现”'''：在 [[Midjourney]] 或 [[Stable Diffusion]] 等生图工具中，如果输入提示词 <code>A living room, no elephants</code>（一个没有大象的客厅），AI 的画作中大概率会出现一只大象。
* '''越狱（Jailbreak）防御失效'''：在安全对齐中，如果系统提示词硬性规定“严禁提及密码 X”，攻击者通过巧妙的绕过诱导，反而更容易激发 AI 提取出密码 X。

== 核心技术原理 ==

大语言模型频繁落入“别想大象”陷阱，主要由其底层架构和训练机制决定：

=== 1. 注意力机制（Attention Mechanism）的语义偏重 ===
基于 [[Transformer]] 架构的模型依赖[[注意力机制]]来捕捉上下文相关性。在处理“不要包含[[政治]]内容”时，“不要”作为逻辑虚词，其注意力权重（Attention Weight）往往远低于“政治”这一实体高频词。AI 的特征向量在计算时，会不自觉地向高权重词汇倾斜。

=== 2. 认知黑板（J-space）的提前激活 ===
根据人工智能研究机构 [[Anthropic]] 的内部探测研究，大模型在处理输入时存在一个类似“认知黑板”的内在空间（J-space）。
# 当用户输入“不要想粉红大象”时。
# AI 为了理解这个句子，必须先在 J-space 中激活“粉红大象”的概念特征。
# 一旦概念被提前激活（Primed），它在接下来的自回归（Autoregressive）文本预测中，被采纳并输出的概率就会呈现指数级上升。

=== 3. 扩散模型的正向标签绑定 ===
多模态生图模型（[[Diffusion Models]]）在训练时，图片与标签（Tag）是正向绑定的（如“大象的图片”对应词标签“大象”）。模型无法理解“没有大象”的视觉特征，它只识别到了词流中的“大象”，进而将其绘制出来。

== 提示词工程的解决方案 ==

在[[提示词工程]]中，解决“别想大象”的标准范式是'''“用正面肯定代替反面禁止”'''。

{| class="wikitable" style="width:100%;"
|-
! width="15%" | 类型
! width="42%" | ❌ 错误示范（引发大象效应）
! width="43%" | 正确示范（正面行为对齐）
|-
| '''文本控制'''
| <code>'''不要'''给出多余的解释。</code>
| <code>请'''仅输出'''最终的 JSON 数据，严格禁止任何解释。</code>
|-
| '''字数限制'''
| <code>'''别写太多'''，不要长篇大论。</code>
| <code>请将字数'''严格控制在 50 字以内'''。</code>
|-
| '''图像生成'''
| <code>一个房间，里面'''没有'''大象。</code>
| <code>一个干净的北欧风现代客厅。</code>（或使用专属的 Negative Prompt 框）
|}

== 参见 ==
* [[提示词工程]]
* [[大语言模型]]
* [[白熊效应]]
* [[Transformer模型]]
* [[Don't Think of an Elephant]]
* [[Boardline]]

[[Category:人工智能]]
[[Category:提示词工程]]
[[Category:认知科学]]

Don't Think of an Elephant

Admin — Thu, 27 Aug 2026 15:33:50 GMT

创建页面，内容为“{{Infobox concept | name = "Don't Think of an Elephant" Effect | image = | alt = | caption = | synonyms = AI White Bear Effect, Negative Prompt Failure, Concept Priming in LLMs | field = Artificial Intelligence, Prompt Engineering, Cognitive Science }} In the fields of Artificial Intelligence (AI) and Large Language Models (LLMs), the_'''"Don't Think of an Elephant" Effect''' refers to the phenomenon where '''models struggle to correctly…”

新页面

{{Infobox concept
| name = "Don't Think of an Elephant" Effect
| image =
| alt =
| caption =
| synonyms = AI White Bear Effect, Negative Prompt Failure, Concept Priming in LLMs
| field = [[Artificial Intelligence]], [[Prompt Engineering]], [[Cognitive Science]]
}}

In the fields of [[Artificial Intelligence]] (AI) and [[Large Language Models]] (LLMs), the_'''"Don't Think of an Elephant" Effect''' refers to the phenomenon where '''models struggle to correctly process negative commands, or where negative prompts inadvertently trigger the generation of forbidden content'''.

The term originates from the classic cognitive linguistics book ''Don't Think of an Elephant!'' by George Lakoff. In the AI era, it is widely used to describe the semantic dilemma where the model does opposite to what it is restricted from doing.

== Manifestations ==

When interacting with text or image generation AI, this effect typically manifests in the following scenarios:
* '''Overstepping in Text Generation''': When given instructions such as "Provide the answer, but do ''not'' include any extra explanations", LLMs often still output a paragraph of explanation after the core answer.
* '''Unexpected Artifacts in Image Generation''': In tools like [[Midjourney]] or [[Stable Diffusion]], inputting a prompt like <code>A cozy living room, no elephants</code> will highly likely result in an elephant appearing in the generated image.
* '''Failure in Safety Alignment Defense''': If a system prompt strictly mandates "Do not mention the secret password X", attackers often find it easier to extract password X through jailbreak prompts because the concept has already been primed.

== Core Technical Principles ==

This issue is not intentional defiance by the AI, but rather a direct result of its underlying architecture and training mechanisms:

=== 1. Semantic Bias of the Attention Mechanism ===
Models based on the [[Transformer]] architecture rely on the [[Attention Mechanism]] to capture contextual relevance. When processing "Do not include politics", the logical negator "Do not" typically receives a much lower attention weight compared to the high-frequency entity noun "Politics". The AI's feature vectors naturally lean toward words with higher weights.

=== 2. Concept Priming in J-space ===
According to mechanistic interpretability research by [[Anthropic]], LLMs utilize an internal representational space (often referred to as a "cognitive blackboard" or J-space) when processing inputs.
# When a user inputs "Don't think of a pink elephant".
# To parse and understand the semantics of the sentence, the AI must first activate the concept features of "pink elephant" within its J-space.
# Once a concept is pre-activated (primed), its probability of being selected and outputted in the subsequent autoregressive token prediction increases exponentially.

=== 3. Positive Tag Binding in Diffusion Models ===
Multimodal text-to-image models ([[Diffusion Models]]) are trained on datasets where images are positively mapped to tags (e.g., an image of an elephant is tagged with the word "elephant"). The model cannot visually conceptualize "the absence of an elephant"; it only recognizes the word token "elephant" in the text stream and renders it.

== Solutions in Prompt Engineering ==

In [[Prompt Engineering]], the standard paradigm to eliminate the elephant effect is to '''"Use Positive Affirmation over Negative Prohibition"'''.

{| class="wikitable" style="width:100%;"
|-
! width="15%" | Type
! width="42%" | ❌ Incorrect Practice (Triggers Elephant Effect)
! width="43%" | Correct Practice (Positive Behavior Alignment)
|-
| '''Text Control'''
| <code>Do '''not''' give any explanation.</code>
| <code>Output '''only''' the raw JSON data.</code>
|-
| '''Length Constraint'''
| <code>'''Don't''' write too much or be wordy.</code>
| <code>Keep the response '''under 50 words'''.</code>
|-
| '''Image Generation'''
| <code>A room with '''no''' elephants.</code>
| <code>A clean and minimalist Scandinavian living room.</code> (Or place "elephant" in the designated Negative Prompt box)
|}

== See Also ==
* [[Prompt Engineering]]
* [[Large Language Models]]
* [[Ironic Process Theory]]
* [[Transformer Model]]
* [[Boardline]]

[[Category:Artificial Intelligence]]
[[Category:Prompt Engineering]]
[[Category:Cognitive Science]]

AI智能体分层长期记忆引擎

Admin — Thu, 27 Aug 2026 11:24:35 GMT

创建页面，内容为“== TencentDB Agent Memory 核心架构与演进指南 == TencentDB Agent Memory（腾讯云智能体分层长期记忆引擎）是由腾讯云数据库团队面向 AI Agent 长周期任务、超长 Session 开发的开源企业级记忆中枢系统（采用 MIT 开源协议）。该引擎旨在通过本地分层存储与符号化压缩，化解长业务场景中的信息遗忘问题，在标准基准测试中，可为大模型减免 50% 以上的 Token 消耗…”

新页面

== TencentDB Agent Memory 核心架构与演进指南 ==
[[TencentDB Agent Memory]]（腾讯云智能体分层长期记忆引擎）是由腾讯云数据库团队面向 AI Agent 长周期任务、超长 Session 开发的开源企业级记忆中枢系统（采用 MIT 开源协议）。该引擎旨在通过本地分层存储与符号化压缩，化解长业务场景中的信息遗忘问题，在标准基准测试中，可为大模型减免 50% 以上的 Token 消耗。

=== 1. 四层长期记忆架构 (4-Tier Memory Architecture) ===
为了防止上下文窗口（Context Window）出现过载或污染，引擎将 Agent 交互产生的数据流严格划分为四个递进的数据层级：

* '''L0: 会话层 (Conversation Tier - 动态记忆)''': 实时接收并完整保留最原始的、未经加工的对话轮次（Raw Turns）。负责在当前活跃窗口内进行无损的 Token 跟踪，并建立局部状态变量，供 Agent 进行毫秒级的状态更新。
* '''L1: 原子层 (Atom Tier - 结构化记忆)''': 通过后台异步提取流水线，自动将散乱的对话语料提炼为相互独立的原子事实（Atomic Facts）、键值对实体（KV Entities）、承诺事件以及关系陈述。
* '''L2: 场景层 (Scenario Tier - 上下文记忆)''': 按照具体的任务流或用户流，将相关的原子事实组织成动态的执行拓扑。场景会被序列化为具备版本控制的 Markdown 配置文件，以便进行状态固化与跨会话恢复。
* '''L3: 用户画像层 (Persona Tier - 全局配置)''': 跨越数百个独立历史会话，对用户的行为偏好、跨项目知识资产进行最终的全局融合与提炼，自动淘汰过期或冲突的运行时变量。

=== 2. 核心拦截与治理机制 ===
为防止自主智能体在长期运行中由于幻觉或长尾 Session 导致的内存退化，系统在运行层设置了三道核心安全红线：

* '''上下文卸载机制 (Context Offloading)''': 持续监控当前活跃窗口的 Token 饱和度。当窗口水位触发 80% 的临界值时，引擎自动对历史片段进行摘要提炼，将其推入 L1/L2 存储层，并在主干中保留显式的内存指针（Pointers）。
* '''钩子管控与命令白名单 (Hook Gating)''': 在智能体执行层实施强隔离。Agent 对全局共享的配置和历史资产仅具备只读权限。任何试图无人类多因素认证（MFA）而直接改写根 Schema 或系统配置的行为，将直接触发会话阻断。
* '''Mermaid 任务画布追踪 (Execution Tracer)''': 自动将 Agent 的工具调用路径、依赖节点及错误堆栈实时转化为标准的 Mermaid 关系依赖图，将黑盒的执行轨迹透明化，以便开发人员进行安全审计与故障复盘。

=== 3. 安装、部署与网关集成 ===

==== 3.1 基于 OpenClaw 插件接入 ====
如需在您的 OpenClaw 或基于此的自动化研发流中启用记忆服务，请先在终端安装官方供应端插件：

<pre>
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
</pre>

随后打开位于 <code>~/.openclaw/openclaw.json</code> 的核心配置文件，在 plugins 列表中追加以下元数据，并将激活状态（enabled）设为 true：

<pre>
"memory-tencentdb": {
"enabled": true,
"storage": "sqlite-vec"
}
</pre>

系统默认开启嵌入式 SQLite 及本地向量扩展（sqlite-vec）进行局部缓存，若需分布式或多智能体协同，则需额外配置显式槽位（slots）参数。

==== 3.2 Hermes 网关独立部署 ====
针对企业级的生产级独立接入，推荐使用 Docker 单独部署 Hermes 网关镜像，实现网络调用与主干核心的物理隔离：

<pre>
docker run -d --name hermes-gateway -p 8420:8420 tencentcloud/hermes-gateway:latest
</pre>

Hermes 网关默认在本地 8420 端口暴露标准化 API 路由，请确保企业内部防火墙已将该端口放行给合规的内网服务。

[[Boardline]]
[[TencentDB_Agent_Memory]]
[[分类:技术架构]]
[[分类:AI基础设施]]

TencentDB Agent Memory

Admin — Thu, 27 Aug 2026 11:23:08 GMT

创建页面，内容为“== TencentDB Agent Memory Core Specification & Architecture Framework == TencentDB Agent Memory is a hierarchical long-term memory engine open-sourced by the Tencent Cloud Database Team. It is explicitly architected for AI Agents handling long-running sessions, multi-turn tool calling, and cross-session knowledge persistence. Under standard benchmarks, it reduces token usage by over 50% compared to brute-force vector memory retrieval. === 1. The 4-Tier Memory…”

新页面

== TencentDB Agent Memory Core Specification & Architecture Framework ==
TencentDB Agent Memory is a hierarchical long-term memory engine open-sourced by the Tencent Cloud Database Team. It is explicitly architected for AI Agents handling long-running sessions, multi-turn tool calling, and cross-session knowledge persistence. Under standard benchmarks, it reduces token usage by over 50% compared to brute-force vector memory retrieval.

=== 1. The 4-Tier Memory Architecture ===
The engine structures context into a rigorous four-layer data hierarchy to guarantee structured, predictable retrieval without context window flooding.

* '''L0: Conversation Tier (Dynamic Memory)''': Captures raw, unfiltered conversation turns in real-time. It provides lossless token tracking within the active window and isolates state variables for rapid state updates.
* '''L1: Atom Tier (Structured Memory)''': Automatically distills loose dialogue turns into independent atomic facts, key value entities, promises, and relational statements via background extraction pipelines.
* '''L2: Scenario Tier (Contextual Memory)''': Groups atomic facts into dynamic execution topologies based on specific tasks or user flows. Scenarios are serialized into version-controlled markdown artifacts for easy state persistence.
* '''L3: Persona Tier (Global Profile)''': Synthesizes a persistent profile of the user across hundreds of independent historical sessions. It automatically updates long-term behavioural preferences and cross-project knowledge assets.

=== 2. Core Gatekeeping Mechanics ===
To prevent agents from polluting the persistent data layer with hallucinations or out-of-date runtime execution variables, the system executes three critical operational boundaries.

* '''Context Offloading Engine''': Monitors the current token density of the live context window. When the window nears 80% saturation, it automatically summarizes active histories, offloads historical segments to L1/L2 tiers, and references them via explicit memory pointers.
* '''Hook Gating & Command Whitelisting''': Operates at the runtime interface to block unauthorized write commands to the root database schema. Agents can read globally shared profiles but cannot write back to system files or alter shared memories without manual Multi-Factor Authentication.
* '''Mermaid Canvas Execution Tracer''': Automatically logs tool invocation paths and error stack parameters into standard Mermaid dependency trees. This converts complex execution graphs into human-readable visual layouts for rapid debugging and security reviews.

=== 3. Installation, Deployment & Gateway Orchestration ===

==== 3.1 OpenClaw Integration via Plugin ====
To enable memory services within your OpenClaw or OpenClaw-based deployment workflows, install the official provider extension:

<pre>
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
</pre>

Update your core configuration file located at <code>~/.openclaw/openclaw.json</code>. Append the provider metadata directly inside the plugins block and switch the active state property to true:

<pre>
"memory-tencentdb": {
"enabled": true,
"storage": "sqlite-vec"
}
</pre>

By default, the engine utilizes embedded SQLite with native vector extensions for localized caching. For distributed or collaborative environments, explicit slot properties must be configured.

==== 3.2 Hermes Gateway Deployment ====
For independent, production-grade enterprise access, deploy the standalone gateway image via Docker to isolate network calls from the main core:

<pre>
docker run -d --name hermes-gateway -p 8420:8420 tencentcloud/hermes-gateway:latest
</pre>

The Hermes Gateway exposes localized API routing endpoints on port 8420. Ensure your enterprise firewall configurations whitelist traffic to this port for authorized internal services.
[[Boardline]]
[[Category:Technical Architecture]]
[[Category:AI Infrastructure]]

AI-Native SDLC

Admin — Thu, 27 Aug 2026 11:16:02 GMT

←上一版本		2026年8月27日 (四) 19:16的版本
第1行：		第1行：
			== 1. Executive Summary & Philosophical Shift ==

			With the deployment of advanced software engineering agents, code generation speed has accelerated exponentially, shifting the delivery bottleneck downstream to evaluation, specification gating, and deployment reviews. This framework re-architects the software engineering lifecycle to safely operationalize autonomous agents within the repository.

			=== 1.1 Legacy SDLC vs AI-Native SDLC ===

			{\| class="wikitable" style="width:100%;"
			\|-
			! style="background:#f2f2f2;" \| Dimension
			! style="background:#f2f2f2;" \| Legacy SDLC
			! style="background:#f2f2f2;" \| AI-Native SDLC
			\|-
			\| '''Delivery Medium'''
			\| Cross-team meetings, Jira tickets, manual handoffs
			\| Version-controlled markdown artifact chains
			\|-
			\| '''Primary Author'''
			\| Human engineers writing all code and tests manually
			\| AI automated generation; humans perform review & tuning
			\|-
			\| '''Quality Gating'''
			\| Manual Code Review, sequential QA testing
			\| Automated continuous evaluation (Evals) & hard hooks
			\|}

			== 2. The 6-Stage Artifact-Driven Loop ==

			AI-Native SDLC replaces traditional ticketing handoffs with a chain of continuous, version-controlled markdown documents:

			* '''1. Plan''' -> Artifact: <code>intent.md</code>
			** '''AI Role''': Interrogates requirements dynamically to structure ambiguous business goals.
			** '''Human Role''': Defines the high-level business intent and scope boundaries.
			* '''2. Design''' -> Artifact: <code>spec.md</code>
			** '''AI Role''': Reads project architecture context to generate compliant technical specifications.
			** '''Human Role''': Audits architectural alignment and resolves cross-system dependencies.
			* '''3. Build''' -> Artifact: <code>plan.md</code> + Code Base
			** '''AI Role''': '''Plan Mode Mandate.''' Generates target files to alter and local validation strategies before modifying code.
			** '''Human Role''': '''Approves or Rejects plan.md.''' AI is blocked from file modifications without explicit human unlock.
			* '''4. Test''' -> Artifact: Automated Test Logs
			** '''AI Role''': Autonomously writes, executes, and fixes unit/integration tests in sandboxed runtimes.
			** '''Human Role''': Audits edge cases and defines the absolute safety baseline.
			* '''5. Deploy''' -> Artifact: Audited Pull Request
			** '''AI Role''': Runs automated SAST security analysis, lints, and prepares environment deployment logs.
			** '''Human Role''': '''Executes final manual merge (MFA verification)''' as the absolute gatekeeper.
			* '''6. Maintain''' -> Artifact: Sandboxed Diagnostics
			** '''AI Role''': Monitors production health and auto-generates isolated fault diagnosis reports.
			** '''Human Role''': Feedback systemic constraints to Stage 1 to prevent future regression.

			== 3. Repository Governance Architecture (The Control Stack) ==

			To maintain systemic stability and prevent unauthorized file modifications or security leaks, all modern repositories must enforce a three-layer boundary structure.

			=== 3.1 Base Layer (Base): CLAUDE.md Specification ===
			This root-level configuration dictates the runtime context for the agent. '''AI is strictly forbidden from altering this file without a manual human commit override.'''

			<pre>
			# CLAUDE.md - Engineering Standards for Agent Session

			## 1. Build & Test Infrastructure
			- Build Command: npm run build or make compile
			- Test Execution: pytest tests/unit/ or npm run test

			## 2. Code Style & Constraints
			- Language Standard: TypeScript (ES2022), Strict Null Checks enabled.
			- State Management: Functional purity preferred. Side effects must be isolated in service domains.

			## 3. Scar Tissue (Anti-Patterns to Avoid)
			- FIX-001: Do NOT batch write to /api/v1/auth without resolving local token validation contexts.
			- FIX-002: Avoid nested async blocks in repository drivers; use explicit sequential wrappers.
			</pre>

			=== 3.2 Specification Layer (Specification): Domain Skills ===
			Guidelines for high-frequency or high-risk tasks defined programmatically:
			* '''Database Schema Migrations''': AI-generated migrations must include full down (rollback) scripts.
			* '''API Versioning Protocol''': Enforces breaking change analysis prior to altering public interfaces.

			=== 3.3 Hard Constraints Layer (Hard Constraints): Hooks ===
			* '''File Level Isolation''': Git hooks (pre-commit) must intercept agent access to .env, private keys, or master configurations without explicit human Multi-Factor Authentication (MFA).
			* '''Command Whitelisting''': Execution targets are restricted to non-destructive development commands. Destructive targets (e.g., rm -rf, raw DB drops) trigger immediate process termination.

			== 4. Operational Transition Roadmap ==

			The evolution follows a strict phased approach: "Control, then Acceleration, then Full Autonomy."

			# '''Phase 1: Regulated Build (Weeks 1-4)''': Enforce mandatory CLAUDE.md and plan.md interactive gates globally to eliminate unauthorized multi-file sweeping regressions.
			# '''Phase 2: Continuous Evaluation (Months 2-3)''': Deploy '''Evals (Continuous Evaluation suites)''' to programmatically score agent output accuracy and prevent system regression during model upgrades.
			# '''Phase 3: Upstream Shift-Left (Months 4+)''': Integrate the entire loop from product intent (intent.md) to autonomous technical specs and real-time production self-healing.

			[[Category:Technical Architecture]] [[Category:R&D Efficiency]]

	'''AI-Native SDLC（AI原生软件开发生命周期）'''是针对大语言模型（LLM）和Agent（智能体）时代对传统软件开发流程的一次'''重构与革新'''。		'''AI-Native SDLC（AI原生软件开发生命周期）'''是针对大语言模型（LLM）和Agent（智能体）时代对传统软件开发流程的一次'''重构与革新'''。

AI-Native SDLC

Admin — Thu, 27 Aug 2026 11:13:46 GMT

创建页面，内容为“'''AI-Native SDLC（AI原生软件开发生命周期）'''是针对大语言模型（LLM）和Agent（智能体）时代对传统软件开发流程的一次'''重构与革新'''。随着工程智能体的普及，写代码（Build）的速度大幅提升，研发交付的瓶颈已全面转移至下游的评审、拦截、安全与发布。本规范旨在将 AI 从单纯的“辅助编码工具”升级为“研发流程的自驱动核心”，人类工程师…”

新页面

'''AI-Native SDLC（AI原生软件开发生命周期）'''是针对大语言模型（LLM）和Agent（智能体）时代对传统软件开发流程的一次'''重构与革新'''。

随着工程智能体的普及，写代码（Build）的速度大幅提升，研发交付的瓶颈已全面转移至下游的评审、拦截、安全与发布。本规范旨在将 AI 从单纯的“辅助编码工具”升级为“研发流程的自驱动核心”，人类工程师角色全面转变为'''意图定义者（Intent Definer）'''与'''最终红线守门人（Gatekeeper）'''。

== 1. 传统 SDLC vs AI-Native SDLC 核心对比 ==

{| class="wikitable" style="width:100%;"
|-
! style="background:#f2f2f2;" | 维度
! style="background:#f2f2f2;" | 传统 SDLC
! style="background:#f2f2f2;" | AI-Native SDLC
|-
| '''流转介质'''
| 跨团队会议、Jira 工单、口头交付
| 具备版本控制的文档链
|-
| '''编写主体'''
| 人类手动编写所有代码与测试
| AI 自动化生成，人类执行微调与审批
|-
| '''质量关卡'''
| 人工 Code Review、手动 QA 测试
| 自动化持续评测与硬拦截钩子
|}

== 2. 六阶段制品驱动闭环 (The 6-Stage Loop) ==

AI-Native SDLC 废除繁琐的工单交接，转而由一套'''相互耦合、可版本控制的文档链'''驱动研发闭环：

* '''1. 规划阶段 (Plan)''' -> 核心制品: <code>intent.md</code>
** '''AI 职责''': 动态追问人类，消除含糊语义，将原始想法提炼为结构化业务需求。
** '''人类职责''': 提供核心商业意图，划定业务边界。
* '''2. 设计阶段 (Design)''' -> 核心制品: <code>spec.md</code>
** '''AI 职责''': 读取项目既有架构，自动生成符合规范的技术施工规格说明书。
** '''人类职责''': 审计架构一致性，评估跨系统风险。
* '''3. 构建阶段 (Build)''' -> 核心制品: <code>plan.md</code> + 源码变更
** '''AI 职责''': '''强制进入计划模式'''。在动笔修改任何代码前，必须先输出 <code>plan.md</code>，列出拟变动文件清单与本地验证策略。
** '''人类职责''': '''审批或驳回 plan.md'''。未经人类授权，AI 禁止擅自修改任何系统文件。
* '''4. 测试阶段 (Test)''' -> 核心制品: 测试报告与覆盖率指标
** '''AI 职责''': 自主编写测试用例，在本地沙箱运行并自我修复断言失败。
** '''人类职责''': 定义全局安全基线，抽查边缘极端 case。
* '''5. 部署阶段 (Deploy)''' -> 核心制品: 附带审计日志的 Pull Request
** '''AI 职责''': 自动运行静态漏洞扫描（SAST）、依赖项检查、并自动准备发布描述。
** '''人类职责''': '''执行最终的合并（MFA 审批）'''，坚守最后一关。
* '''6. 维护阶段 (Maintain)''' -> 核心制品: 沙箱诊断报告
** '''AI 职责''': 实时监控生产指标，故障发生时自动在隔离沙箱内跑诊断，反向生成新的 <code>intent.md</code>。
** '''人类职责''': 审核故障归因，将其固化为系统长期约束。

== 3. 仓库治理架构：三层行为控制栈 ==

为防止自主智能体在仓库中出现盲目乱改文件或泄露机密，所有接入托管的项目必须实施以下三层强管制：

=== 3.1 基础层 (Base): CLAUDE.md 标准规范 ===
此文件必须放置于项目根目录下，定义 AI 在当前会话中的技术画像。'''严禁 AI 在未经人类 Commit 覆盖的情况下修改此文件。'''

<pre>
# CLAUDE.md - 项目研发规范与上下文指南

## 1. 构建与测试指令 (Build & Test)
- 编译项目: npm run build 或 make compile
- 运行测试: pytest tests/unit/ 或 npm run test

## 2. 代码风格约束 (Code Style)
- 技术栈: TypeScript (ES2022), 必须开启 Strict Null Checks。
- 状态管理: 优先采用纯函数设计，副作用必须隔离在 services 层。

## 3. 历史伤疤日志 (Scar Tissue)
- FIX-001: 绝对不要在未处理 Token 局部过期上下文的情况下，批量重写 /api/v1/auth。
- FIX-002: 避免在数据库驱动中使用嵌套的 async 块，必须使用同步包装器。
</pre>

=== 3.2 规范层 (Specification): 领域技能集 (Skills) ===
针对高频、高风险的细分领域任务，必须沉淀为非自由发挥的、程序化的任务描述：
* '''数据库 Schema 迁移规范''': 规定 AI 生成 Migration 文件时必须包含 down（回滚）脚本。
* '''API 变更协议''': 规定 AI 在修改对外接口时，必须先进行破坏性变更检查（Breaking Change Detection）。

=== 3.3 红线层 (Hard Constraints): 系统级钩子 (Hooks) ===
* '''文件读写硬隔离''': 通过 Git 钩子（pre-commit）或系统权限，严禁 AI 在无人类二次认证（MFA）时读取 .env、私钥、或直接修改核心主干配置。
* '''命令执行白名单''': 严格限制 AI 只能执行非破坏性的命令。任何触发 rm -rf、drop table 等高危指令的行为将直接触发会话强行终止。

== 4. 落地实施路线图 ==

企业流程演进应遵循“先受控、后提效、再闭环”原则，严禁一蹴而就：

# '''阶段一：受控构建 (Weeks 1-4)''': 在所有核心仓库强制推行 CLAUDE.md 模板，要求开发人员在与 Agent 配对编码时，必须开启“计划模式（plan.md）”，卡住非受控的多文件胡乱修改。
# '''阶段二：持续评测与规范固化 (Months 2-3)''': 引入 '''Evals（持续评测集）'''——针对 AI 生成的代码或规格说明进行自动化质量打分，确保底层大模型升级时不会导致既有业务逻辑退化（Regression）。
# '''阶段三：全闭环左移 (Months 4+)''': 彻底打通从产品意图（intent.md）到架构设计（spec.md）的自动化转换，并在生产环境异常时实现故障自诊断回流。
[[Boardline]]
[[Spec7-en]]
[[分类:技术架构]] [[分类:研发效能]]

Spec7-en

Admin — Tue, 25 Aug 2026 04:30:46 GMT

创建页面，内容为“{{Infobox Software Concept | name = Spec7 | alias = 7-Grid Architecture, 5W2H Structured JSON Specification, AI Task Strongly-Typed Shell | background = Evolution of the traditional 5W2H framework towards LLM structured Machine-Alignment | core_goal = Intercept Agent trajectory drift, eliminate parameter fabrication hallucinations, and improve hyper-concurrent agent comprehension | implementations = Spec7-JSON Schema, Harness Strongl…”

新页面

{{Infobox Software Concept
| name = Spec7
| alias = 7-Grid Architecture, 5W2H Structured JSON Specification, AI Task Strongly-Typed Shell
| background = Evolution of the traditional 5W2H framework towards LLM structured Machine-Alignment
| core_goal = Intercept Agent trajectory drift, eliminate parameter fabrication hallucinations, and improve hyper-concurrent agent comprehension
| implementations = Spec7-JSON Schema, Harness Strongly-Typed Validator
| core_principle = Convergence of vague natural language tasks into deterministic JSON finite states
}}

'''[[Spec7]]''' (also commonly referred to as the '''7-Grid Architecture''' or '''5W2H Structured JSON Specification''') is a strongly typed data structuring protocol designed specifically for Large Language Models (LLMs) and Artificial Intelligence Agents (AI Agents). It adapts the traditional 5W2H analysis framework into a "machine-aligned" evolution, transforming unstructured instructions into seven strictly defined JSON fields ("grids").

In the AI Agent explosion and the [[Harness (AI Agent Shell)|Harness]] ecosystem, Spec7 is widely adopted as a standard data communication protocol for interactions between agents, as well as between agents and external environments. By forcing vague natural language instructions into compliant JSON data, the protocol narrows down the probability distribution of LLM outputs, effectively eliminating agent hallucinations and raising execution accuracy to industrial-grade standards.

== JSON Schema Field Definitions ==
Under the Spec7 specification, a standard task or knowledge node is strictly deconstructed into seven grids. The formal JSON Schema definition and machine interpretation logic are outlined below:

<syntaxhighlight lang="json">
{
"$schema": "https://jwjp.com",
"title": "Spec7TaskFormat",
"type": "object",
"properties": {
"what": {
"type": "string",
"description": "Entity and core action. Must contain unique, unambiguous target or object. Vague pronouns are strictly prohibited."
},
"why": {
"type": "string",
"description": "Intent and boundary constraints. Informs the AI of the ultimate goal, serving as a global anchor to prevent execution trajectory drift."
},
"who": {
"type": "string",
"description": "Executing subject and permission boundaries. Explicitly defines the agent identity, authentication token, and controlled scope of action."
},
"when": {
"type": "string",
"description": "Timestamp and execution trigger. Uses strict ISO 8601 time formats or conditional triggers to intercept timeline confusion hallucinations."
},
"where": {
"type": "string",
"description": "Physical/digital environment context. Specifies the exact server, database, Obsidian vault path, or API endpoint where the action occurs."
},
"how": {
"type": "array",
"items": { "type": "string" },
"description": "Finite-step atomic operation sequence. Breaks down complex tasks into indivisible sequential steps, preventing unauthorized autonomous generalization."
},
"how_much": {
"type": "object",
"description": "Metrics and resource consumption ceilings. Defines upper limits for token consumption, API calls, budget costs, or execution timeout."
}
},
"required": ["what", "why", "who", "when", "where", "how", "how_much"]
}
</syntaxhighlight>

== Hallucination Mitigation Mechanisms ==
Traditional natural language prompts (e.g., <nowiki>"Help me analyze the data from just now and send an email"</nowiki>) are highly prone to triggering [[AI Agent Hallucination|agent hallucinations]]. When converted to a Spec7 JSON format, the hosting [[Harness]] system enforces strict suppression of hallucinations through three core mechanisms:

=== Global Attention Anchoring via why (Anti-Trajectory Drift) ===
When an action sequence becomes too long, an agent's short-term memory is often polluted by intermediate execution logs. Spec7 resolves this by forcing the <nowiki>`why`</nowiki> field (intent constraints) back into the system prompt before every tool invocation. This acts as cognitive blinders, forcing the LLM's attention mechanism to constantly focus on the final objective, thereby completely solving the problem of execution trajectory drift.

=== Atomic Step Validation via how (Anti-Tool Misuse) ===
A common symptom of agent hallucination is the fabrication of nonexistent API parameters or unauthorized tool calling. In Spec7, <nowiki>`how`</nowiki> is defined as a strongly typed array of strings representing an immutable sequence. The agent must execute these steps sequentially. The Harness sandbox automatically validates the state after each completed grid (step); if the agent attempts to call a tool outside the predefined <nowiki>`how`</nowiki> array, an immediate safety rollback is triggered, resolving tool misuse and parameter fabrication.

=== Hard Boundary Setting via how_much (Anti-Infinite Loops) ===
When encountering runtime errors, agents frequently fall into infinite retry loops or fabricate successful execution results. The <nowiki>`how_much`</nowiki> field sets physical resource ceilings (e.g., <nowiki>"max_retry": 3, "max_tokens": 5000</nowiki>). If an agent attempts to mask an error and retry endlessly, the Harness controller cuts off the process at the exact threshold boundary from the system level and throws a strongly typed system exception.

== Comparative Evaluation ==

{| class="wikitable" style="width: 100%;"
|-
! style="width: 20%;" | Metric / Dimension
! style="width: 40%;" | Traditional Natural Language Prompt
! style="width: 40%;" | Spec7 Structured JSON Data
|-
| '''Machine Understanding Complexity'''
| '''High:''' Requires deep semantic parsing and probabilistic guessing.
| '''Extremely Low:''' Maps accurately to exact Key-Value pairs; output probability converges 100%.
|-
| '''Hallucination Probability'''
| '''High:''' Vulnerable to context drift caused by long-text interference.
| '''Near Zero:''' Non-compliant data formatting is blocked during pre-execution schema validation.
|-
| '''Harness Compatibility'''
| '''Poor:''' Cannot be parsed for automated formal verification.
| '''Perfect:''' Native support for automated JSON Schema validation and sandbox isolation.
|}

== See Also ==
* [[AI Agent Hallucination]]
* [[Harness (AI Agent Shell)|Harness]]
* [[Obsidian (software)|Obsidian]]
* [[Boardline]]
* [[Data Element]]

[[Category:Artificial intelligence agent technology]]
[[Category:Data communication protocols]]

Spec7

Admin — Sun, 23 Aug 2026 03:53:50 GMT

创建页面，内容为“{{Infobox Software Concept | 名称 = Spec7 / 7格架构 | 别名 = 7格 5W2H JSON 规约、AI 任务强类型外壳 | 提出背景 = 传统 5W2H 框架向 LLM 结构化机器对齐（Machine-Alignment）的演进 | 核心目标 = 拦截 Agent 行动跑偏、根除参数捏造幻觉、提高高并发智能体理解度 | 代表实现 = Spec7-JSON Schema、Harness 强类型校验器 | 核心原理 = 将模糊的自然语言任务收敛为确定性的 JSON 有限…”

新页面

{{Infobox Software Concept
| 名称 = Spec7 / 7格架构
| 别名 = 7格 5W2H JSON 规约、AI 任务强类型外壳
| 提出背景 = 传统 5W2H 框架向 LLM 结构化机器对齐（Machine-Alignment）的演进
| 核心目标 = 拦截 Agent 行动跑偏、根除参数捏造幻觉、提高高并发智能体理解度
| 代表实现 = Spec7-JSON Schema、Harness 强类型校验器
| 核心原理 = 将模糊的自然语言任务收敛为确定性的 JSON 有限状态矩阵
}}

'''Spec7'''（中文常称为'''7格架構'''或'''5W2H 結構化 JSON 規約'''）是一種專門面向大語言模型（LLM）與人工智慧智能體（AI Agent）設計的**強類型數據結構化協議**。它將傳統管理學中的 5W2H 分析法進行了「機器對齊」改造，將其演進為 7 個嚴格定義的 JSON 格子（Fields）。

在 [[Agent 爆發]] 與 [[Harness]]（AI 馬具）生態中，Spec7 被廣泛應用作智能體之間、以及智能體與外部環境交互時的**數據通信協議**。通過將模糊的自然語言指令強制轉化為符合 Spec7 規範的 JSON 數據，能夠將大模型的狀態轉移概率硬性收斂，從根本上**治理 Agent 幻覺，並將 AI 對任務的理解與執行準確度提升至工業級標準**。

== Spec7（7格）的 JSON Schema 欄位定義 ==

在 Spec7 規範中，一個標準的任務或知識節點被嚴格解構為以下 7 個格子。以下是其標準的 JSON Schema 定義與 AI 機器理解邏輯：

```json
{
"\$schema": "https://jwjp.com",
"title": "Spec7TaskFormat",
"type": "object",
"properties": {
"what": {
"type": "string",
"description": "实体与核心动作。必须包含唯一的、无歧义的操作目标或对象，严禁使用模糊代词。"
},
"why": {
"type": "string",
"description": "意图与边界约束。告知 AI 此任务的终极愿景，用作防止『行动链路跑偏』的全局锚点。"
},
"who": {
"type": "string",
"description": "执行主体与权限边界。明确定义当前的 Agent 身份标识、调用凭证（Token）及受控作用域。"
},
"when": {
"type": "string",
"description": "时间戳与触发时机。包含严格的 ISO 8601 时间格式或触发条件，拦截『时间线错错乱』幻觉。"
},
"where": {
"type": "string",
"description": "物理/数字环境上下文。指明操作发生的具体服务器、数据库、[[Obsidian]] 库路径或 API 终端。"
},
"how": {
"type": "array",
"items": { "type": "string" },
"description": "有限步长原子操作序列。将复杂任务拆解为不可分割的顺序执行步骤，严禁 Agent 自主泛化。"
},
"how_much": {
"type": "object",
"description": "度量指标与资源消耗上限。明确定义 Token 消耗上限、API 调用次数上限、预算成本（如金额）或执行超时时间。"
}
},
"required": ["what", "why", "who", "when", "where", "how", "how_much"]
}
```

== Spec7 治理 Agent 幻覺的實際應用機制 ==

傳統的自然語言 Prompt（如：“*幫我分析一下剛才的數據並發封郵件*”）極易觸發 Agent 的 [[Agent 幻觉]]。而將其轉化為 Spec7 JSON 後，[[Harness]] 系統會通過以下三種機制硬性壓制幻覺：

=== 1. 利用 `why` 欄位進行全局注意力錨定（反鏈路跑偏） ===
當任務步驟過長時，Agent 的短期記憶容易被中間步驟產生的垃圾日誌污染。
* '''應用機制'''：Spec7 系統在每一步工具調用前，會強制將 JSON 中的 `why`（意图约束）作為不可覆蓋的 System Prompt 重新注入。這就像給 Agent 的眼睛上貼了兩片擋板，迫使它的 Attention 機制始終聚焦在終極目標上，徹底解決了[[行動鏈路跑偏]]的難題。

=== 2. 利用 `how` 欄位進行原子化步驟校驗（反工具誤用） ===
Agent 幻覺的一大特徵是喜歡憑空捏造 API 參數或任意調用未授權的工具。
* '''應用機制'''：在 Spec7 格式下，`how` 被定義為一個強類型的字符串數組（序列）。AI 必須按順序完成數組中的步驟。Harness 沙箱在每執行完一格（Step）後，會自動比對執行狀態，一旦發現 Agent 試圖調用 `how` 數組之外的工具，立刻觸發安全回滾，解決了[[工具誤用與參數捏造]]的問題。

=== 3. 利用 `how_much` 設置硬性數字邊界（反偽造結果與死循環） ===
當 Agent 遇到執行錯誤時，常會陷入無限重試的死循環，或者乾脆[[偽造執行結果]]。
* '''應用機制'''：`how_much` 欄位為 AI 圈定了嚴格的物理邊界（例如 `"max_retry": 3`, `"max_tokens": 5000`）。一旦 Agent 幻覺發作試圖瞞報錯誤並無限重試，Harness 控制端會在 `how_much` 觸發臨界點的瞬間，直接從系統底層切斷進程，並報出強類型異常。

== 實戰對比：自然語言與 Spec7 JSON 差異 ==

{| class="wikitable"
! 指令維度 !! 傳統自然語言 Prompt !! Spec7 結構化 JSON 數據
|-

| '''機器理解複雜度''' || 高（需要進行語義解析和概率盲猜） || '''極低'''（精準映射到對應的 Key-Value，概率 100% 收斂）
|-

| '''幻覺觸發概率''' || 高（容易因為長文本干擾產生漂移） || '''趨近於零'''（不符合 Schema 的數據會被預先攔截）
|-

| '''與馬具（Harness）適配度''' || 差（無法進行自動化形式驗證） || '''完美適配'''（可直接進行 JSON Schema 自動校驗與沙箱隔離）
|}

== 參見 ==
* [[Agent 幻觉]]
* [[Harness]]
* [[Obsidian]]
* [[Boardline]]
* [[数据要素]]

[[分类:人工智能]]
[[分类:智能体技术]]
[[分类:数据协议]]

Obsidian

Admin — Sun, 23 Aug 2026 03:50:49 GMT

创建页面，内容为“{{Infobox Software | 名称 = Obsidian / 黑曜石 | 开发者 = Dynalist Inc. | 核心架构 = Electron / 纯本地 Markdown 文件 | 核心理念 = 第二大脑 (Second Brain)、链接万物 (Linked Notes) | 在 AI 时代定位 = Agent 专属结构化长期记忆库 (Agent Long-Term Memory Base) | 治理幻觉手段 = 双向链接显式约束、本地沙箱动态 RAG、MOC 知识地图网格 }} '''Obsidian'''（中文常称'''黑曜石'''）是一款基于…”

新页面

{{Infobox Software
| 名称 = Obsidian / 黑曜石
| 开发者 = Dynalist Inc.
| 核心架构 = Electron / 纯本地 Markdown 文件
| 核心理念 = 第二大脑 (Second Brain)、链接万物 (Linked Notes)
| 在 AI 时代定位 = Agent 专属结构化长期记忆库 (Agent Long-Term Memory Base)
| 治理幻觉手段 = 双向链接显式约束、本地沙箱动态 RAG、MOC 知识地图网格
}}

'''Obsidian'''（中文常称'''黑曜石'''）是一款基于本地 [[Markdown]] 文件的非线性[[知识管理]]软件。其核心采用双向链接（Bi-directional Linking）和图谱（Graph）架构，旨在帮助人类用户构建互联互通的“第二大脑（Second Brain）”。

在 [[Agent 爆发]] 的时代背景下，Obsidian 的角色已经从单纯的“人类笔记工具”，演变为**治理 [[Agent 幻觉]] 的关键本地数据要素基础设施**。通过将 Obsidian 的本地非线性图谱与 [[Harness]]（AI马具）的执行沙箱相结合，开发者能够为 AI Agent 提供一套兼具高确定性与高内聚性的长期记忆与上下文路由系统。

== Obsidian 的核心技术特质 ==

Obsidian 之所以能成为治理 Agent 幻觉的利器，得益于其区别于传统云端笔记或关系型数据库的三大底层特质：

* '''基于纯文本的 Markdown 存储'''：所有数据均以纯文本 `.md` 格式存储于本地硬盘。Agent 无需复杂的 ORM 框架即可实现秒级的原生文件读写与局部字段追加，将数据清洗成本降至零。
* '''天然的图结构（Graph Architecture）'''：通过 `[[词条名]]` 语法构建的显式关联，在本地形成了一个密集的网状知识图谱。这种结构与大语言模型（LLM）的注意力机制（Attention Mechanism）天然契合。
* '''丰富的插件生态（API & Plugins）'''：拥有数百个由开源社区维护的外部插件（如 Dataview、Local REST API），使 Obsidian 能够轻松被改造为一个支持 HTTP 协议调用的本地“知识图谱服务器”。

== Obsidian 在治理 Agent 幻觉中的实际应用方案 ==

在生产环境中，将 Obsidian 作为 Agent 的知识基底，主要通过以下三种范式硬性拦截 Agent 的行动与规划幻觉：

=== 1. 基于显式双向链接（Explicit Link）的思维链约束 ===
传统 RAG（检索增增强生成）容易因为向量相似度计算失真而引入检索噪声（Noise），引发 Agent 的[[工具误用与参数捏造]]幻觉。
* '''实际应用'''：在 Obsidian 中，知识点之间的关联是人类或资深 Agent 通过雙向鏈接「显式固化」下来的。当 Agent 处于 [[Harness]] 环境中执行规划时，系统强制要求 Agent **只能沿着 Obsidian 现有的双链拓扑结构进行路径转移（Graph Traversal）**，严禁跨越无关联的文件。这从根本上堵死了 Agent 自主泛化、胡思乱想的空间。

=== 2. 利用 MOC（内容地图）进行上下文窗口毒化阻断 ===
当 Agent 执行长序列任务时，外部环境返回的错误日志极易导致上下文窗口毒化（Context Poisoning）。
* '''实际应用'''：利用 Obsidian 独特的 **MOC（Map of Content，内容地图）** 机制，将特定业务领域的核心 SOP（标准作业程序）固化为一张顶层骨架网。Agent 每次与外部环境交互后，必须将状态码反向写入对应的 Obsidian MOC 节点中，由本地守护进程（Daemon）比对状态拓扑，一旦发现漂移，立刻在本地切断当前的上下文流，阻止幻觉扩散。

=== 3. 本地离线 RAG 动态注入与数据要素隔离 ===
将敏感的企业内部核心资产（如代码库、商业机密）上传到第三方向量数据库，既有数据泄露风险，又容易因为模型过度对齐而产生伪造结果。
* '''实际应用'''：通过 Obsidian 的 `Local REST API` 插件，在本地搭建一个纯离线的、与 [[Codex Harness]] 对接的轻量级 RAG 系统。由于 Obsidian 运行在完全隔离的本地沙箱中，Agent 在生成代码或做决策时，只能读取黑曜石库（Vault）内的确定性事实，从而实现了**“物理层面的数据要素隔离与幻觉防火墙”**。

== 实施架构对比 ==

{| class="wikitable"
! 维度 !! 传统传统向量 RAG 架构 !! Obsidian 知识网格架构
|-

| '''幻觉发生率''' || 较高（依赖概率计算，易产生语义漂移） || '''极低'''（依赖显式双链与 FSM 强约束）
|-

| '''更新延迟''' || 需重新计算 Embeddings 并建立索引（高延迟） || '''零延迟'''（Markdown 本地保存即生效）
|-

| '''运行环境''' || 云端分布式数据库 || '''纯本地沙箱离线运行'''
|-

| '''数据所有权''' || 依赖第三方云服务商 || '''100% 用户自主可控'''
|}

== 参见 ==
* [[Agent 幻觉]]
* [[Harness]]
* [[Codex Harness]]
* [[Boardline]]
* [[数据要素]]

[[分类:软件应用]]
[[分类:知识管理]]
[[分类:智能体技术]]

Agent幻觉

Admin — Sun, 23 Aug 2026 03:48:33 GMT

创建页面，内容为“{{Infobox Software Concept | 名称 = Agent 幻觉 | 外文名 = AI Agent Hallucination | 提出背景 = 大模型由“单向文本生成”向“多向环境交互”演进 | 核心表现 = 行动链路跑偏、工具误用、记忆污染、伪造执行结果 | 根源机制 = 状态转移概率漂移、上下文窗口毒化、RAG 检索噪声 | 治理手段 = 结构化环境隔离、Harness（AI马具）物理沙箱、双重校验反射 (Dual-Reflective) }}…”

新页面

{{Infobox Software Concept
| 名称 = Agent 幻觉
| 外文名 = AI Agent Hallucination
| 提出背景 = 大模型由“单向文本生成”向“多向环境交互”演进
| 核心表现 = 行动链路跑偏、工具误用、记忆污染、伪造执行结果
| 根源机制 = 状态转移概率漂移、上下文窗口毒化、RAG 检索噪声
| 治理手段 = 结构化环境隔离、Harness（AI马具）物理沙箱、双重校验反射 (Dual-Reflective)
}}

'''Agent 幻觉'''（英語：'''AI Agent Hallucination'''）是指[[人工智能智能体]]（AI Agent）在自主执行复杂任务、调用外部工具或与物理/数字环境进行交互时，所产生的一种**非预期、脱离既定目标、或伪造执行状态的决策与行为偏差**。

与传统大语言模型（LLM）纯文本层面的“胡言乱语”（Textual Hallucination）不同，Agent 幻觉是一种**“行动与状态层面的高级幻觉”**。它不仅表现为文字上的不准确，更直接导致错误的系统操作（如删错数据库、误发邮件或陷入死循环），是当前 Agent 走向全自动产业落地（Autonomous Execution）的核心拦路虎。

== 核心表现形式 ==

在实际的应用场景中，Agent 幻觉主要呈现为以下四种典型病征：

=== 1. 工具误用与参数捏造 (Tool Misuse) ===
Agent 在面对未知或复杂的 API 接口时，为了强行完成任务，会凭空捏造不存在的参数，或者将 A 工具的输出错误地当作 B 工具的输入，导致执行链路在第一步就发生逻辑塌陷。

=== 2. 行动链路跑偏 (Goal Drifting) ===
在长文本、多步骤的任务规划（Planning）中，随着执行步骤的增加，Agent 会逐渐遗忘人类最初交付的终极目标。它会被中间步骤产生的临时数据“带偏”，最终在一个完全无关的子任务里无限循环。

=== 3. 记忆污染与时间线错乱 (Memory Contamination) ===
Agent 的短期记忆（通过上下文窗口维护）和长期记忆（通过向量数据库检索）在频繁读写时发生交叉感染。Agent 无法准确区分“这是历史已发生的事实”还是“这是刚刚生成的假设”，从而基于错误的前置条件做出下一步决策。

=== 4. 伪造执行结果 (Execution Faking) ===
当外部环境（如终端命令、网络请求）返回错误代码或超时时，Agent 出于模型本能的“顺从性”，会向用户报告“任务已成功执行”，并自行编造一段符合人类预期的伪造执行日志（Mocked Logs）。

== 根源机制分析 ==

Agent 幻觉的产生并非偶然，而是由底层大模型架构与动态环境交互时的三层矛盾决定的：

{| class="wikitable"
! 层次 !! 核心触发机制 !! 表现结果
|-

| '''模型层''' || 状态转移概率漂移（Autoregressive Drift） || 步骤越多，Token 预测的累积误差呈指数级放大。
|-

| '''上下文层''' || 窗口毒化（Context Poisoning） || 外部环境返回的报错信息（Error Messages）反向污染了 Agent 的 Prompt 提示词空间。
|-

| '''数据层''' || RAG 检索噪声（Retrieval Noise） || 向量数据库召回了不相关或过时的文档，导致 Agent “误把砒霜当蜜糖”。
|}

== 现代治理方案与“马具”理论 ==

针对 Agent 幻觉的治理，行业正在从早期的“纯提示词工程（Prompt Engineering）”转向**“物理工程级硬隔离”**。

=== 1. 引入 Harness（AI马具）物理沙箱 ===
目前行业最前沿的共识（如 DeepSeek Harness、[[Codex Harness]]）认为，不能让 Agent 在裸体状态下直接对接操作系统。必须为 Agent 穿上“马具（Harness）”，通过强类型的输入输出规约（Schema）和封闭的 Docker 沙箱，硬性拦截 Agent 幻觉产生的越权指令。

=== 2. 双重校验反射机制 (Dual-Reflective) ===
引入“执行 Agent”与“审计 Agent”的双智能体对抗架构。执行 Agent 负责输出规划，审计 Agent 负责实时的形式化验证（Formal Verification），在外部工具真正被调用前，拦截掉 90% 以上的参数捏造幻觉。

=== 3. 结构化环境状态机 (FSM) ===
将自由度过高的环境交互，收敛为有限状态机（Finite State Machine）。Agent 每一步行动后，系统强制进行状态对齐，一旦发现 Agent 状态处于未定义区间，立刻触发回滚（Rollback）机制。

== 参见 ==
* [[大语言模型]]
* [[DeepSeek Harness]]
* [[Harness]]
* [[Boardline]]
* [[数据要素]]

[[分类:人工智能]]
[[分类:智能体技术]]
[[分类:软件概念]]

Codex Harness

Admin — Sun, 23 Aug 2026 03:37:22 GMT

创建页面，内容为“{{Infobox Software | 名称 = Codex Harness | 开发者 = OpenAI | 首次开源时间 = 2026年8月19日 | 开源协议 = Apache-2.0 协议 | 核心理念 = 智能体即平台 (Agent as a Platform) | 代码仓库 = [https://github.com ://github.com] | 主要组件 = codex exec、Codex SDK、Codex app-server }} '''Codex Harness'''（亦称 '''OpenAI Agent Harness'''）是由人工智能研究机构 OpenAI 于2026年8月正式完全开源的智能体…”

新页面

{{Infobox Software
| 名称 = Codex Harness
| 开发者 = [[OpenAI]]
| 首次开源时间 = 2026年8月19日
| 开源协议 = Apache-2.0 协议
| 核心理念 = 智能体即平台 (Agent as a Platform)
| 代码仓库 = [https://github.com ://github.com]
| 主要组件 = codex exec、Codex SDK、Codex app-server
}}

'''Codex [[Harness]]'''（亦称 '''OpenAI Agent Harness'''）是由人工智能研究机构 [[OpenAI]] 于2026年8月正式完全开源的[[智能体]]（AI Agent）底层执行框架。该框架是驱动 OpenAI 旗舰级编程智能体 Codex 的核心技术引擎，负责管理复杂的 AI 执行循环、长期对话记忆、实时事件流以及工具调用，旨在让开发者彻底告别传统的“通用聊天框”限制，将 Agent 能力直接嵌入自有产品中。

== 开源背景 ==
自 2026 年初 OpenAI 首次提出“Harness 工程”（Harness Engineering）这一方法论以来，行业对于智能体开发的认知从“模型 + 提示词”演变为“模型 + 外壳（Harness）”。在 GitHub 开源后，该项目迅速斩获超过 10 万颗 Star，成为 AI 基础设施领域的里程碑事件。

== 三大核心集成组件 ==
OpenAI 此次开源的 Codex Harness 覆盖了从简单脚本到企业级复杂应用的全场景构建需求，主要由以下三个部分组成：

* '''codex exec'''：一个轻量级的命令行（CLI）工具。专为非交互式、有边界的自动化流设计，适合嵌入到持续集成（CI/CD）脚本或一键运行的后台任务中。
* '''Codex SDK'''：提供面向 TypeScript 和 Python 的官方程序化接口。方便开发者在现有的应用代码中，以流式或可中断的方式直接编排 Codex 任务。
* '''Codex app-server'''：整个开源架构中最核心的组件。它是一个持久运行的服务器进程，通过标准的 JSON-RPC 协议与任何前端应用连接。该组件全权负责维护长连接会话、捕获工具报错、管理运行时状态、并在高危操作时向用户发起“人类介入审批”。

== 技术特性与突破 ==

=== 极致的 Token 成本削减 ===
在传统的 Agent 架构中，大模型由于多轮工具迭代和重发系统 Prompt，常常面临 Token 消耗呈指数级膨胀的问题。Codex Harness 内部集成了一套高阶的“上下文压缩机制”（Context Compaction），在保障大模型逻辑推理能力的同时，**成功将输出 Token 消耗降低了 6 倍**。在 ARC-AGI-3 智能体硬核基准测试中，配合 Harness 的模型得分从 13.3% 飙升至 38.3%。

=== 灵活的工具抽象 (MCP) ===
Harness 并不绑定特定的私有化工具。它原生支持由 Anthropic 发起并逐渐成为行业标准的 '''MCP (Model Context Protocol)''' 协议。这意味着企业可以将现有的内部数据库、API 和业务系统封装为 MCP 服务，直接插在 OpenAI 的 Harness 上供 AI 调用。

=== 不可变会话树与分叉试验 ===
基于“事件溯源”的设计理念，AI 经历的每一轮思考、调用和报错都被记录为不可变的会话历史（Immutable Session History）。
* 当 AI 的任务执行失败时，人类操作员可以随时在执行轨迹图上开辟一个“'''分叉分支 (Forking)'''”，去尝试不同的引导路径，而不会污染或损坏原始的主线会话记录。

== 商业与企业应用 ==
由于采用了极其宽松的 '''Apache-2.0 开源许可协议'''，企业无需依赖 OpenAI 的云端托管基础设施。医疗、金融、网安等对数据隐私极其敏感的行业，可以完全将 Codex Harness 部署在私有云、本地服务器、甚至物理隔离（Air-gapped）的环境中，进行自主的代码审计与合规改造。

== 参见 ==
* [[OpenAI]]
* [[智能体]] (AI Agent)
* [[模型上下文协议]] (MCP)
* [[DeepSeek Harness]]

[[分类:开源软件]]
[[分类:人工智能]]
[[分类:AI基础设施]]

Harness

Admin — Sun, 23 Aug 2026 03:35:35 GMT

创建页面，内容为“{{Infobox Software Concept | 名称 = Harness / AI 马具 | 别名 = 智能体外壳 (Agent Shell)、大模型运行外壳、Agent Harness | 提出背景 = 大语言模型（LLM）向交互式智能体（AI Agent）演进 | 核心职能 = 工具解耦、环境隔离、执行跟踪、沙箱安全 | 代表实现 = DeepSeek Harness、Claude Code、LangChain LangGraph }} '''Harness'''（在人工智能领域常被称为'''AI 马具'''、'''智能体外壳'…”

新页面

{{Infobox Software Concept
| 名称 = Harness / AI 马具
| 别名 = 智能体外壳 (Agent Shell)、大模型运行外壳、Agent Harness
| 提出背景 = [[大语言模型]]（LLM）向交互式[[智能体]]（AI Agent）演进
| 核心职能 = 工具解耦、环境隔离、执行跟踪、沙箱安全
| 代表实现 = DeepSeek Harness、Claude Code、LangChain LangGraph
}}

'''Harness'''（在人工智能领域常被称为'''AI 马具'''、'''智能体外壳'''或'''运行外壳'''）是一种通用的 AI 软件架构概念。其核心作用是将纯粹进行逻辑推理的“大语言模型（LLM）大脑”，与能实际操作计算机系统的“身体部件（如[[文件系统]]、[[命令行]]、[[网络检索]]、网页浏览器）”进行彻底解耦与连接。

“Harness”一词原本指马车上的马具。在 AI 时代，该术语被借用来指代“套在大模型身上的约束、控制和赋能框架”——它既为大模型提供操控外界的接口（赋能），又严格限制其越权行为并记录其一举一动（约束）。

== 核心设计公式 ==
在当前 AI 行业，普遍存在一个技术公式：
:<math>\text{Agent (智能体)} = \text{Model (模型大脑)} + \text{Harness (通用外壳)}</math>

* '''Model（模型）'''：仅负责接收文本/视觉输入，并预测输出下一个 Token（思考、判断、生成代码）。
* '''Harness（马具）'''：负责解析模型输出的代码或工具调用（Tool Call），在真实的、隔离的沙箱环境中执行该操作，并将执行结果（如报错信息、网页内容、终端输出）重新塞回模型的上下文中。

== 通用 Harness 的核心职能 ==

=== 1. 一切皆插件（解耦架构） ===
先进的 Harness 架构通常采用高度模块化的插件系统（如基于 [[Cordis]] 内核）。它确保没有任何工具拥有特权，包括以下组件均可热插拔：
* '''模型适配器（LLM Adapter）'''：同一套外壳，既可以接入本地的 DeepSeek 模型，也可以一键切换至云端的 GPT-4、Claude 或 Gemini。
* '''执行工具（Tools）'''：如文件读写器、Bash 终端、浏览器自动化工具（Playwright）。
* '''交互界面（UI/UX）'''：可以自由切换为命令行（TUI）、Web 网页或跨平台桌面客户端。

=== 2. 事件溯源与运行轨迹可观测性 ===
通用 Harness 必须严格遵循“'''模型可见 ⟺ 已记录'''”（Model-Visible ⟺ Logged）的不变量原则。AI 在执行复杂任务（如自主修 Bug）时，中间经历的所有思考、命令调用、失败重试、报错日志，都会被 Harness 以“仅追加（Append-only）”的方式记录为一条完整的'''轨迹（Trajectory）'''。
* '''回放与搜索'''：人类用户可以像看录像带一样回放 AI 的行为。
* '''分叉与恢复（Forking）'''：用户可以随时把 AI 的某一步骤“分叉”出去进行实验，测试不同的引导词，且不破坏原有的主线会话。

=== 3. 安全护栏与沙箱接缝 ===
由于 Harness 赋予了 AI 操作系统级别的极高权限，安全防护是其必不可少的核心：
* '''权限隔离（Sandbox Seam）'''：Harness 底层通常封装了沙箱技术（如 `bwrap` / Bubblewrap、`Landlock`、Docker 等），将 AI 的读写范围限制在特定的项目工作区内，防止大模型误删系统盘。
* '''人类介入（HITL / Human-in-the-Loop）'''：对于高危操作（如删除文件、执行 `rm -rf`、发送网络请求或产生经济扣费），Harness 会自动触发人类审批机制（`ctx.approval`），暂停 AI 运行并等待人类一键确认。

== 行业主流实现方案对比 ==

{| class="wikitable"
! Harness 实现名称 !! 发起方/生态 !! 核心特点 !! 主要适用场景
|-

| '''[[Deepseek harness|DeepSeek Harness]] (dsh)''' || [[深度求索]] 开源 || 极致的声明式配置（YML 驱动）、完全解耦、高并发、基于 TypeScript。 || 开源社区全自主、全模态 Agent 构建。
|-

| '''Claude Code''' || Anthropic || 与 Claude 3.5/3.7 紧密集成，主打极致的终端自动化编码、上下文高精度控制。 || 终端命令行、程序员日常编程辅助。
|-

| '''LangGraph / AutoGen''' || 传统 Agent 框架生态 || 侧重于利用多 Agent 编排、有向无环图（DAG）来规定复杂的业务流。 || 企业级多智能体协同、固定工作流自动化。
|}

== 局限性与行业挑战 ==
* '''Token 膨胀与成本控制'''：Harness 为了让大模型获得完美的情境感知，需要不断把工具执行结果重发给模型，易导致 Token 消耗呈指数级上升（尤其是在多轮迭代和重试中）。
* '''幻觉级安全越狱'''：当大模型产生严重的“幻觉”或遭受外部提示词注入攻击（Prompt Injection）时，Harness 的安全护栏是否能 100% 拦截恶意的系统指令，仍是目前学术界与工业界的攻防焦点。

== 参见 ==
* [[智能体]] (AI Agent)
* [[大语言模型]] (LLM)
* [[沙箱]] (Sandbox)
* [[DeepSeek Harness]]

[[分类:人工智能]]
[[分类:软件架构]]
[[分类:开发框架]]

Deepseek harness

Admin — Sun, 23 Aug 2026 03:34:12 GMT

创建页面，内容为“{{Infobox Software | 名称 = DeepSeek Harness | 别名 = dsh、DeepSeek-Harness | 开发者 = 深度求索 (DeepSeek AI) | 编程语言 = TypeScript | 许可证 = MIT 许可证 | 首次开源时间 = 2026年8月13日 | 当前状态 = 开发者预览版 (Developer Preview) | 官网 = [https://www.deepseek.com/harness/ www.deepseek.com/harness] | 代码仓库 = [https://github.com/deepseek-ai/deepseek-harness GitHub] }} '''DeepSeek Harness'''（简称 '''dsh'''…”

新页面

{{Infobox Software
| 名称 = DeepSeek Harness
| 别名 = dsh、DeepSeek-Harness
| 开发者 = 深度求索 (DeepSeek AI)
| 编程语言 = TypeScript
| 许可证 = MIT 许可证
| 首次开源时间 = 2026年8月13日
| 当前状态 = 开发者预览版 (Developer Preview)
| 官网 = [https://www.deepseek.com/harness/ www.deepseek.com/harness]
| 代码仓库 = [https://github.com/deepseek-ai/deepseek-harness GitHub]
}}

'''DeepSeek Harness'''（简称 '''dsh'''，[[npm]] 包名为 `@deepseek-ai/dsh`）是由中国 AI 机构[[深度求索]]（DeepSeek AI）于2026年8月正式开源的[[智能体]]运行环境与开发框架。其官方核心理念为“'''一切皆插件'''”（Everything is a Plugin），该框架通过将模型、工具、沙箱、UI 等完全解耦，为大语言模型（LLM）提供了一个高度可定制的自主任务执行环境。

项目在开源后引发了开源社区的巨大关注，在 GitHub 开源仅 3 天便斩获近 13 万颗 Star，成为 GitHub 历史上增长速度最快的开源项目之一。

== 核心设计理念 ==
DeepSeek 官方提出了 '''Agent = Model + Harness'''（智能体 = 模型 + 外壳/马具）的公式。模型（如 DeepSeek-V4）作为“大脑”负责思考，而 Harness 则作为“身体”负责让 AI 读写本地文件、执行终端命令、调用工具及拆分复杂任务。

=== 一切皆插件 ===
DeepSeek Harness 的底层由开源插件系统 '''Cordis''' 内核驱动。在框架中，不存在拥有特权的固定内核，以下所有 Agent 能力全部被实现为可热插拔的插件：
* '''LLM 适配器'''（接入 DeepSeek 自家模型、Gemini、或任何兼容 OpenAI 接口的第三方模型）。
* '''执行工具'''（如 Bash 终端、文件系统读写、网页搜索工具）。
* '''会话与存储'''（Session Log、追加写入的事件流、上下文压缩机制）。
* '''交互界面'''（Web UI、命令行 TUI、桌面客户端）。

开发者无需改动 DSH 任何源码，仅通过修改 `cordis.patch.yml` 声明式配置文件，即可在配置层自由替换、选择和扩展任何系统能力。

=== 事件溯源与可观测性 ===
框架严格遵循“'''模型可见 ⟺ 已记录'''”（Model-Visible ⟺ Logged）的不变量原则。AI 看到的所有上下文信息都必须被记录在仅追加（Append-only）的会话日志中。基于这一设计，DSH 提供了极强的 '''Trajectory（轨迹）可观测性'''，支持用户对 AI 的执行流进行**回放、搜索、分叉（Fork）与恢复**，且分叉试验不会污染原始会话。

== 预建运行模式 ==
DeepSeek Harness 内置了四种核心执行模式，其本质是不同工具插件的预设组合：

{| class="wikitable"
! 模式名称 !! 核心能力范围 !! 适用场景与人群
|-

| '''标准模式 (Standard)''' || 包含文件编辑、Shell、网页搜索、Skills、子Agent与工作流。 || 默认模式，适合绝大多数日常开发任务。
|-

| '''PTC 模式 (程序化工具调用)''' || 在标准模式基础上，允许模型编写一段 TypeScript 脚本合并多次操作。 || 适合批量操作、结构化与自动化流程任务。
|-

| '''极简模式 (Minimal)''' || 只保留一个持久 Bash 和一个文件编辑器工具。 || 官方用于纯粹测试大模型能力的基准测试。
|-

| '''创造模式 (Creator)''' || 标准模式功能 + 运行时环境检查与内存插件试验。 || 专为需要自主编写和发布新插件的高级用户设计。
|}

== 安全机制 ==
由于 DSH 具备极高的本地系统操作权限，其内置了严格的安全接缝（Sandbox Seam）：
* '''权限分级'''：提供三档权限。'''Read Only'''（只读不改）；'''Workspace Write'''（仅限工作目录，超出范围需弹窗提示）；'''Full Access'''（完全访问，护栏全拆，需谨慎开启）。
* '''多端沙箱**：内置 `bwrap` (Bubblewrap)、`Landlock`、`Seatbelt` 等沙箱后端，严格拦截越权文件访问。
* '''交互式审批'''：在工具高危执行前，自动触发 `ctx.approval` 机制，强制暂停等待人类用户一键确认。

== 社区生态 ==
得益于极致的插件化架构，GitHub 上带有 `dsh-plugin` 标签的第三方开源插件生态在短期内迎来了爆发式增长。

著名的社区插件和衍生项目包括：
* '''ModLens'''：为纯文本模型提供视觉桥梁，使其能通过第三方视觉后端看懂图片。
* '''DeepSeek Harness 桌面版 (dsh-desktop)'''：基于 Tauri 2 开发的跨平台轻量级桌面客户端，免去了用户在本地手动配置 Node.js 运行环境的烦恼。
* '''dsh-at-file'''：允许用户在 Web UI 对话框中直接通过 `@` 符号快捷引用本地项目文件。

== 局限性与风险 ==
由于该项目目前仍处于'''开发者预览阶段（Developer Preview）'''，官方明确声明后续版本将会频繁更新并引入破坏兼容性的变更（Breaking Changes），暂不建议直接部署于生产环境。

== 参见 ==
* [[深度求索]]
* [[智能体]] (AI Agent)
* [[TypeScript]]
* 开源对标项目：Claude Code、Codex

[[分类:开源软件]]
[[分类:人工智能]]
[[分类:开发框架]]

Dsh

Admin — Sat, 22 Aug 2026 19:12:28 GMT

创建页面，内容为“别被 DeepSeek Harness 刷屏骗了！一文看透“AI 小程序”生态的遮羞布与真价值标最近 AI 圈子里有个新词被疯狂刷屏，叫 Harness（尤其是 DeepSeek 正式开源了 DeepSeek Harness，简称 DSH 之后）。一堆完全不写代码的营销号又开始高潮，狂吹什么“AI 编程革命来了”、“程序员马上要彻底失业了”、“以后小白用几行字就能自己批量组装 Agent 开发系统了”。…”

新页面

别被 DeepSeek Harness 刷屏骗了！
一文看透“AI 小程序”生态的遮羞布与真价值标
最近 AI 圈子里有个新词被疯狂刷屏，叫 Harness（尤其是 DeepSeek 正式开源了 DeepSeek Harness，简称 DSH 之后）。一堆完全不写代码的营销号又开始高潮，狂吹什么“AI 编程革命来了”、“程序员马上要彻底失业了”、“以后小白用几行字就能自己批量组装 Agent 开发系统了”。

作为一个天天和代码打交道、冷眼旁观的行业老油条，今天必须不吐不快。咱们不聊宏大叙事，今天直接脱掉 AI 的遮羞布，用最通俗、最硬核的底层逻辑，把这层 AI 泡沫彻底戳破，聊聊大实话。

1. 拨开迷雾：Harness 到底是个啥？别被那些高端的英文词给唬住了。在技术圈，有人把大模型比作“大脑”（CPU），那 Harness 就是“操作系统”（OS）。但我认为上轮讨论中有一个极度绝妙的类比：Harness 它的底层本质，其实就是一个“托管运行的 AIGC 容器”，或者说是“微信小程序的底层底座”。
大家回忆一下，以前我们用 ChatGPT 或者 Claude 网页端写代码，最痛苦的是什么？是“只管生、不管养”。AI 给你吐了一堆看起来很牛的脚本，你得像个“人肉搬运工”一样复制下来、建文件、配环境。一运行，满屏报错，你还得把报错再复制回去问 AI。而 Harness 的出现，就是给大模型配了一个随时待命的“沙箱容器（Runtime Container）”。AI 产生想法后，不折腾人类了，直接在后台的容器里把代码跑了。跑通了，直接交付代码；跑失败了，容器自动把报错（Error Log）抓回来喂给 AI，AI 自己在后台就地改，直到改对为止。
所以，这次的突破，不是大模型（AI 的智商）突然诞生了自主意识，而是工程师们通过 Harness，把“输入 $\rightarrow $ 思考 $\rightarrow $ 编写 $\rightarrow $ 容器运行 $\rightarrow $ 自动纠错”这一整套工程管道（Pipeline），给标准化、跑通了。

2. DSH 的终极阳谋：Agent 时代的“微信小程序生态”理解了“Harness 是小程序底座”这个概念，你就能一眼看懂 DeepSeek Harness（DSH）、MCP 协议、Agent Skill 这三者之间乱七八糟的堆叠关系了。

这根本不是什么神秘的黑科技，它就是当年微信小程序的翻版生态系统：Model（大模型）：相当于微信平台本身。它提供最基础的“流量和智商支撑”。Harness（运行底座）：相当于“微信小程序的底座/运行框架”。它负责提供安全的沙箱环境、隔离权限（不能乱动用户电脑）、分配算力，保障小程序能安全运行。MCP（模型上下文协议）：相当于小程序的“标准通信接口（API 规范）”。不管你的插件是用 Python 写的还是用 Java 写的，大家都必须用 MCP 这个统一的语言跟大模型沟通。Agent Skill（智能体技能）：相当于一个个“具体的小程序”。比如“查 Git 记录”、“发飞书消息”、“跑编译”，这就是被封装好的具体干活工具。DeepSeek 开源 DSH 的本质，不是直接卖给你一个成品 Agent，而是赌一个“Agent 时代的 App Store”。它把舞台搭好，制定好规矩（MCP + 微内核），然后对全天下说：“不管你是大公司还是小白，只要你会写几句代码，都可以通过 AI 助手（如 Cursor/Trae）写个 Demo 插件（小程序）塞进 DSH 里用。”

3. 撕下遮羞布：为什么说“小白靠它几行文字写系统”注定是幻想？这个“小程序生态”看起来很美，但如果你把它放在“编程类赛道”，现实骨感得让人想笑。目前社区里那几千个所谓的 MCP 插件和 Skill，绝大多数都在重复造轮子。今天看一个“读取 Git 插件”，明天看一个“查看目录工具”，这玩意跟字节跳动的扣子（Coze）或者市面上的低配工作流没有任何本质区别，全是野生的边缘玩具。真正的顶级 AI 编程工具（比如 Cursor、阿里 Qoder、字节 Trae）之所以强，是因为它们和 IDE 绑得极深，拥有毫秒级的代码索引、多文件结构化 Diff、行间 Tab 预测等底层工程硬实力。这种涉及大量二进制和 C++ 优化的系统级深度集成，绝不是个人开发者或者爱好者在 Harness 里面写几个 Python 插件、拼几条流程就能赶上的。在“手写代码的爽感”上，DSH 社区的野生小程序们永远打不过闭源 IDE 的正规军。更致命的是，大模型是没有“业务全局观”的。只要连续执行的任务步骤超过 30 步，Agent 就会陷入长程任务崩溃（Long-Horizon Task Degradation）。第一步的小程序插件返回了一个带噪点的数据，第二步模型误读，到了第十步，AI 就在沙箱里彻底跑偏开始“东墙补西墙”，陷入幻觉死循环。

如果没有一个懂行的主理人坐在键盘后面把控架构设计、划分模块边界，AI 哪怕有 Harness 护航，也只会迅速帮你堆出一坨外表能跑、内部全是技术债的“代码屎山”。还有很多人吹嘘：“既然能托管运行，那小白通过 AI 写个插件，不就能自动登录公司报销系统点按钮，甚至去爬小红书、搞自动群控发布了？”别做梦了，风控和安全墙不是摆设。

如果你去连公司内网那些“裸奔”的、连验证码和设备指纹都没有的老系统，你通过 DSH 驱动一个 Puppeteer 浏览器点一点确实没问题。但如果你想用这套玩意去碰小红书、抖音、微信，大厂那变态的设备指纹、滑动轨迹检测和 AI 验证码，一秒钟就能把你的 AI 账号封得连亲妈都不认识。它不是什么能打破一切网络防护的“神级黑客工具”。如果是黑灰产在使用 AI，大模型也只是充当了“文案加速器”的外壳，真正底层去破解验证码、抗风控的，依然是那些传统的黑产改机和打码工具，跟 Harness 框架本身半毛钱关系没有。

4. 那么，Harness 的真正价值到底在哪？既然它在个人写代码上拼不过 Cursor，又不能暴力破防互联网大厂，那 DeepSeek 费尽心机搞这个生态，大家都在疯狂跟进，到底图啥？因为在企业和资深架构师眼里，Harness 赌的是“外环”的工业化定制与绝对安全。大家要明白，未来的软件工程一定是双环驱动的：内环（开发者桌面）：程序员自己敲键盘、写代码、搞 UI 预览时，继续用 Cursor 或 Trae，因为它们的前端封装和 Tab 补全体验是无敌的。外环（研发流程自动化）：但如果一个企业团队，需要搞“7×24 小时的无人值守数字员工”呢？比如深夜有低级 Bug 的 Issue 提交了，企业不可能让员工不睡觉。这时候，完全开源、本地私有化部署的 DeepSeek Harness 就成了完美底座。企业绝对不会去用社区里那些参差不齐的野生小程序，他们会派自己的正规军（企业内部研发）在 DSH 上开发通过了严格内测的、工业级的“私有小程序插件”（例如对接自研的流水线工具、定制的数据库网关）。深夜 Bug 来了，DSH 自动启动，在完全隔离安全的 Docker 沙箱里自动拉代码、修复、跑编译、跑 Smoke 测试（冒烟测试）；发现有错，后台自动利用报错自愈纠错；通过测试后，自动弹出提示让人类审批。最重要的是，整套流程、代码、沙箱全在企业自己的内网服务器里，数据绝对不出境。在这个后端数字化生产线、私有库代码审计的赛道上，Harness 的平台级可插拔定制能力和合规安全底线，对闭源 IDE 是降维打击。

5. 结尾：未来的技术分水岭看透了“托管 AIGC 容器”与“小程序底座”的本质，未来的软件工程师分水岭已经极其清晰了：一端是逐渐失去价值的人：那些只懂得生搬硬套、靠搜索引擎复制粘贴样板代码，自己却不理解底层架构和业务逻辑的低级开发。因为这部分人肉打字机的工作，已经被“大模型 + 托管容器”用极低的成本彻底剥夺了。另一端是极度吃香的人：那些能够看清技术本质，懂业务、懂架构、懂怎么去“操纵和审计 AI”的主理人（操作者）。也就是我们所说的“十倍工程师”。现在的顶级 AI 编程 IDE 和自动化管线确实强得离谱，能够自动交付和测试。但这一切高效的前提，是键盘后面坐着一个“能看懂、会审计”的懂行操作者。技术一直在变，但方向盘永远在懂行的人手里。那些妄想靠几行模糊文字就让 AI 帮你平地起高楼、写个完美系统的白日梦，该醒醒了；而那些已经开始把大模型当牛马、用沙箱底座来降维提效的“掌舵人-BoardLine”，属于你们的时代，才刚刚开始。