在这个小镇上，只有传奇能够活下来。 幸运的是，我们不是过客。 我们就是传奇。喵~ In this town, only legends survive. Fortunately, we're not just passing through. We're legends.Meow~ #哈基米# #hajimi# #hakimi# #hachimi#

看了会 DeepSeek Harness，说下个人感受。 整体感受，dsh 更像一份「harness 该怎么写」的参考实现，不太像一个要抢 Claude Code 用户的产品。体验上目前还有点粗糙，架构上比较“激进”。 1\ 上手只要 npx @deepseek-ai/dsh@latest web，它还会自动从环境变量里找 DEEPSEEK_API_KEY 填上，对我来说一行命令直接用上。但对非前端程序员，npx 仍是门槛。刚在 x 上看到有人基于它封了 electron 客户端，这类缺口大概会由社区补齐，官方看起来没打算自己做。 2\ 默认上 web 而不是 TUI，这个切入点很聪明。翻源码还看到一个细节，仓库里有过一版 TUI，写完又删了，只留 Web。TUI 对小白用户确实有门槛（这也是大家这么喜欢用 codex 的原因之一），dsh 把这条路线整个砍掉，是主动决策，还是时间上不够呢？ 3\ 内核就一套插件体系（Cordis），所有功能都是插件，agent loop 本身也是。最早做 umi 时做过类似的事，webpack、vite 也是这个思路，但 dsh 插得更彻底。举两个例子。它有一组别家都没有的 cordis_* 工具，模型可以在运行期给自己装卸 harness 插件。e2b 扩展只替换 ctx.fs 和 ctx.subprocess 这两个 hook，整个执行环境就搬进了 E2B 沙箱，bash、terminal、lsp 零改动跟着走，连「在哪里执行」都是插件。代价也在这，插件权限大到能改内核，上午一位老程序员提醒我说，这可能很容易被改坏。 另外，dsh 用 MIT 协议但明确拒收外部 PR，想参与只能去 Discussions 或者自己写插件。核心封闭开发，生态全走外部 npm 包（`dsh plugin add` 就是 pnpm 转发）。插件体系最坏的场景是没人为他写插件，但以 DeepSeek 的体量，应该不缺。dshhub[.]org 上看了眼，已经 700+ 了。 4\ 「轨迹」功能让我眼前一亮，开发者能看清每个细节，观感有点像蚂蚁同事开发的 weiesky/cc-viewer。往下翻一层，这个功能是事件溯源架构的副产品。每个流式 delta、每次审批（asked/decided 成对）都是持久化事件，可以 replay，轨迹 UI 只是把它们画了出来。配套还有一组 `session_*` 工具，模型自己能把历史会话当数据库查，也是个其他 code agent 都没有的点。 5\ 让 AI 统计了下。65 天，12,293 个 commit，平均一天 190 个，7 月单月 8,273 个，7 月 30 日那天 887 个。37 位贡献者，Tianyi Cui 一个人占 43%。分支名能体现出部分开发方式。`worktree/` 开头的 210 个，`codex/` 开头的 203 个，另有 `agent/` 15 个、`claude/` 3 个。代码在 git worktree 里由 agent 并行产出，人负责 review 和 merge。 6\ 要做到这个提交量需要严格的门禁。测试代码 26.8 万行，比源码（22.8 万行）还多 4 万行，CI 里挂着 per-file 100% 覆盖检查。敢让 agent 一天产出 190 个 commit，人为 review 的话肯定是 review 不过来的。 7\ AGENTS.md 也类似，有个叫 verify-doc-budgets 的脚本管着他，根文件上限 1600 词，只能往下调不能往上加。 几个值得一看的规则。1）「Non-trivial changes MUST include an Agent Note in the same PR」，agent 参与开发设计的决策要留痕，2）「Trust TypeScript at typed same-process boundaries」，不用到处 validate，信任静态类型，可以少很多冗余代码和测试，3）「Tests describe behavior, not correctness. Change obsolete behavior with its tests; explain why in the PR.」让 ai 在测试挂了时也敢改，在 PR 里解释原因即可，4）「Never default to the full suite or repeat a passing check」，禁止无脑跑全量，可以让 ai coding 提速。 8\ 接着跑了一份 dsh + qodercli + claude code + opencode + pi + grok build + kimi code + codex 的源码级功能横评，具体的分数表就不贴了。 dsh 虽然总分低一些，但「扩展性」和「多 agent 编排」都是 5 分满分(和 Codex/Grok 并列最高)，在「交互体验」、「企业能力」和「成熟度」上目前还弱一些。 dsh 的 subagent 有 6 个 provider，subagent-claude-code、subagent-codex、subagent-acp 等。所以干活的不必是 dsh 自己，任何能跑任务的 agent 都可以被接进来当手下。

华尔街日报今天这篇文章不错。人工智能领域的高管如何向子女描述未来的职业前景。 一句话总结：AI领袖们普遍不建议孩子过度追求当下的技术技能，而是强调适应性、批判性思维、文科教育（通才能力）以及人类独有的情感与责任感。 观点一：当下的具体技术技能（Technical Skills）保质期极短（甚至不到两年），未来的核心竞争力在于应对变化的敏捷性（Agility）。 Caroline Hanke (SAP) 指出，与其纠结于现在的编程技术，不如培养批判性思维、适应性和伦理判断力。 教育的重点应从“掌握工具”转向“适应新工具”和“判断工具的使用”。 观点二：在AI时代，传统的文科教育（Liberal Arts）比以往任何时候都重要，因为通过自然语言与AI交互需要深厚的元认知能力。 Jaime Teevan (Microsoft) 强调，以前操作电脑是决定性的（按按钮->出结果），现在是基于自然语言的意图表达。这要求使用者具备批判性思维、提供语境和挑战AI结果的能力（即元认知）。 Ethan Mollick (Wharton) 认为通才（Generalist）将是赢家。AI可以填补技能短板，因此拥有广泛技能组合的人（如既懂医学又懂人际沟通）更有优势。 与其成为单一领域的专才，不如成为能够整合多种知识并在AI辅助下工作的“超级通才”。 观点三：AI无法承担责任，也无法替代真正的人际连接。 Daniela Amodei (Anthropic) 认为，随着AI接管工作，人类品质（同理心、善良、沟通能力）的溢价会越来越高。人类本质上渴望与其他人类共处。 Jaime Teevan 指出，AI可以给出建议，但不能承担责任（Accountability）。像法律、会计这种需要对决策后果负责的职业，依然需要人类来做最终判断（Passing Judgment）。 未来的工作重心将从“执行任务”转移到“承担后果”和“提供情感价值”。 观点四：避开纯数字化的内卷，转向原子世界（能源、医疗）和社会服务领域。 Manny Medina ( 看好能源（特别是核能）和医疗保健。无论是为了驱动AI本身（能源需求），还是解决人类疾病（癌症治疗），这些都是硬需求。 鉴于AI发展的不平衡，致力于解决社会不平等（帮助被AI抛下的人群）和环境问题（海洋污染）也将是有意义且有前景的职业路径。 最后：孩子拥有一张“白纸”，他们不需要像成年人那样去“重塑”旧观念，这是一种优势。家长们的焦虑往往源于自身的旧经验与新世界的冲突，而孩子们是AI原住民。 不要把上一代的恐惧投射给孩子，鼓励他们去玩、去实验，而不是仅仅作为使用者。 AI高管们给子女的建议揭示了一个反直觉的趋势：在一个高度技术化的未来，最不值钱的可能是纯粹的技术执行力，而最值钱的是最“复古”的人类特质——对他人的共情、对复杂概念的哲学思考（文科）、对物理世界的改造（能源/医疗）以及对决策后果的承担（责任）。教育策略应从“学习如何像机器一样高效工作”转变为“学习如何做在大机器时代中独一无二的人”。