企业官网建设流程全解析

1. 先理清主线：OpenCode、Harness、数据分析怎么串成一条学习路径

说句实话，我一开始对"智能体"这个词是有点免疫的。市面上号称"智能体框架"的东西太多了，装完跑个 demo 就吃灰的占一大半，真正能扛住日常工作的没几个。但 OpenCode 是少数几个我装完之后连续用了两周、再没换回原来工具链的开源项目。它是个跑在终端里的 AI 编程智能体，纯 Go 写的，模型随便接，最惊艳的是把技能（Skill）和插件这套机制做得非常轻、非常实。再叠加 DeepSeek 开源了基于 Harness 的智能体训练新方法这件事，等于把智能体从"玄学调 prompt"往前推了一大步，至少让人看到了"可训练、可验证、可工程化"的路径。

所以这篇教程我不想只讲"怎么安装"这种三分钟就能看完的东西。我会从 Harness 的核心架构讲起，讲清楚智能体在底层是怎么被"套上缰绳"的，然后落到一个完整的数据分析项目上，把从数据清洗到可视化的全流程用 OpenCode 实际跑一遍。适合三类人看：想入坑智能体开发但不知道从哪下手的初学者、已经在用 Claude Code 这类工具想换到开源方案的开发者，以及手里有数据要分析但不想天天写 pandas 模板的业务同学。前三节偏原理，后三节偏实操，你完全可以跳到自己需要的部分。

1.1 OpenCode 是干什么的：定位与同类工具对比

OpenCode 本质上是一个"终端里的 AI 结对编程员"。你在命令行里启动它，它会进入一个交互式界面，你可以直接说"帮我看看这个项目里哪里有内存泄漏"或者"给这个接口补上单元测试"，它会自己读代码、改文件、跑命令，然后把改动列给你确认。和 Cursor、Copilot 这类"编辑器内嵌助手"不一样，OpenCode 的战场是终端本身，它更接近 Claude Code 的定位，但它是开源的，而且模型层抽象得更干净。

我用它和 Aider、Claude Code 做过简单对比，列个表方便你判断：

单看功能列表，OpenCode 不一定每一项都赢，但它赢在"自由度"。因为开源，你不会被厂商锁死，换模型就像换环境变量一样简单。这一点对长期使用者来说太重要了，我见过太多人被某个工具的模型绑定搞得进退两难。

1.2 Harness 到底指什么：别被名字唬住

"Harness"这个词直译是"马具"，就是套在马身上、用来控制方向和传递力量的那套装备。在智能体领域，Harness 指的就是"控制智能体的那层骨架"——模型是马，Harness 是缰绳、轭具和车架的组合。如果没有这层结构，大模型只是一个能聊天但不能干活的脑袋；套上 Harness，它才知道该先做什么、后做什么、用什么工具、怎么判断自己有没有做对。

最近 DeepSeek 开源的智能体训练新方法，核心就是这个 Harness 概念。我理解的要点有三条。第一，把任务拆成细粒度的"子过程"而不是只给一个最终答案的奖励信号，每一步都能被验证，模型才知道自己错在哪。第二，验证器（verifier）是可插拔的，你可以用代码运行结果验证、用规则匹配验证，甚至用另一个模型当裁判。第三，训练过程允许模型自己产生中间探索动作，而不是像传统 RLHF 那样只对最终回复打分。这套思路最直接的价值，是让智能体从"会聊天"变成"会做事且有反馈闭环"。

OpenCode 在运行时的设计上也体现了类似的 Harness 思想：一次请求进来，不是直接把 prompt 扔给模型就完事，而是经过任务拆解、工具调用、结果观察、自我修正的循环。你看到的那个终端界面，只是这层循环的外壳。理解了这一层，后面看任何智能体工具都会快很多。

1.3 为什么建议拿数据分析当第一个练手项目

很多人的第一个智能体项目是"让它帮我写网站"或者"搭一个客服机器人"，说实话这类项目的结果很难验证——网站能打开但设计丑，客服会回复但不一定答得对。数据分析是天然的练手场景，因为它有三个优势。

第一，输入输出都明确。输入是 CSV 或数据库表，输出是聚合结果和图表，模型有没有做对，你拉到数据一眼就能看出来。第二，中间过程可验证。数据清洗有没有丢行、聚合逻辑对不对、字段有没有算错，每一步都有明确的对错标准，这对排查智能体的行为非常友好。第三，实用价值立竿见影。我自己手上的业务报表，以前每周要花一下午处理，现在用 OpenCode 把流程固化成一个 Skill，十分钟搞定。这种正反馈会让你学得下去。

2. 环境准备与 OpenCode 安装：Windows 用户重点关注

安装这件事，看起来简单，但我在 Windows 和 macOS 上都踩过坑，尤其是终端类型和插件运行时的问题，最费时间。这一节把两条安装路径和 Windows 下的 Shell 选型一次讲清楚。

2.1 两条安装路径：官方脚本与源码构建

OpenCode 的官方安装方式很简单，macOS 和 Linux 用一行脚本：

curl -fsSL https://opencode.ai/install | bash

Windows 上如果没有 WSL，我建议直接用 Scoop：

scoop install opencode

没有 Scoop 的话，去 GitHub Releases 页面下载对应平台的二进制包，解压后把可执行文件放进 PATH 也能跑，只是后续更新要手动。

第二条路是源码构建。OpenCode 是 Go 写的，想从源码跑起来需要先装 Go 1.22 以上，然后：

git clone https://github.com/sst/opencode.git cd opencode go build -o opencode ./cmd/opencode

我个人的建议是：第一次装，直接用官方脚本或 Scoop 的二进制版本，先把环境跑通；等你想折腾插件或者研究它的内部实现时，再拉源码看。源码构建的好处是你可以随时切到最新开发版体验新功能，OpenCode 迭代很快，很多新特性都在 main 分支上。坏处是，开发版偶尔会有小问题，不适合作为日常主力。

装完之后先跑一句opencode --version确认安装成功。如果提示找不到命令，多半是 PATH 没配置对，把安装目录加到 PATH 里就行。Windows 用户尤其注意，安装脚本默认输出的目录可能和你的系统 PATH 不完全一致，手动确认一下，这一步卡住的人不少。

2.2 模型接入与基础配置：API Key 和配置文件怎么处理

OpenCode 不绑定任何单一模型，这是它最舒服的一点。大多数主流模型都能接，包括 Anthropic、OpenAI、Google、DeepSeek 等厂商的 API，也可以接本地模型（通过 Ollama 这类工具暴露的 OpenAI 兼容接口）。

配置方式有两种。最简单的，直接用环境变量：

export ANTHROPIC_API_KEY=sk-ant-xxxx export OPENAI_API_KEY=sk-xxxx

然后启动opencode，它会自动识别这些变量并列出可用的模型。如果你在 Windows 上用的是 PowerShell，就是$env:ANTHROPIC_API_KEY="sk-ant-xxxx"，注意格式不一样。

第二种方式是写配置文件。OpenCode 会在项目目录或用户目录下读取opencode.json，里面可以指定模型、温度参数、自定义指令等。比如我想让它默认用 DeepSeek 的模型，且每次对话都带上"你是数据分析专家"的系统提示，配置大概长这样：

{ "$schema": "https://opencode.ai/schema.json", "model": "deepseek/deepseek-chat", "system_prompt": "你是一名资深数据分析师，回复时优先给出可验证的结论和完整代码。", "temperature": 0.2 }

注意model字段的格式是"厂商/模型名"，这个命名规范在 OpenCode 的模型列表里能直接查到。启动后输入/models也可以实时切换，不需要改配置文件。我在实操中习惯把大模型和小模型的温度分开：写代码分析用低温（0.1～0.3），做头脑风暴用中温（0.7 左右），这个参数直接影响输出质量，值得花点时间试出自己的偏好。

2.3 Windows 下的 Shell 选型：这个看似无关的决定影响很大

热搜词里有这么一条："opencode 在 windows 环境下什么 shell 工具好用"，说明被这个问题卡住的人不少。我直接给结论：不要用 cmd.exe，能用 WSL 就用 WSL2，不想装 WSL 就用 Windows Terminal + PowerShell 7，或者 Git Bash。

原因是 OpenCode 的终端界面依赖 ANSI 转义序列和伪终端（PTY）能力。cmd.exe 对这两样支持都很差，装完你会发现界面乱码、光标错位、颜色显示不出来，看起来像坏了，其实是 Shell 的锅。PowerShell 7 以上版本对终端互操作做了大量改进，Windows Terminal 作为外壳也稳定很多，可以满足日常使用。

如果你日常要做数据分析，我额外推荐 WSL2 方案。原因不只是界面稳定，而是数据分析和 Python 生态在 Linux 环境下的坑少得多——路径分隔符、编码问题、依赖冲突都能少踩一半。我自己的习惯是 Windows 上写文档和做轻量验证，重量级分析全部丢进 WSL 里跑，opencode在 WSL 里运行起来和 Linux 机器上没有区别。

3. Harness 核心架构拆解：一次请求在智能体内部走了多远

这一节是全文的核心。很多人用 OpenCode 只把它当成"一个更好用的终端聊天框"，但你得知道它内部是怎么组织动作的，这样出了问题才知道去哪排查，写 Skill 的时候才懂得怎么写更高效。

3.1 从用户输入到动作执行的完整链路

我们来看一次最简单的请求："分析这个 CSV 文件，按月份统计销售额"。OpenCode 内部会走这样一条链路：

1. 会话管理（Session）：你的每一条消息都挂在当前会话上，会话保存了历史消息、文件状态和模型上下文。这就是你关掉终端再打开还能接着聊的原因。
2. 任务拆解（Planning）：模型收到指令后，不是直接生成答案，而是先拆解成子任务。你会在界面上看到它列出待办列表，类似"读取 CSV 结构→检查空值→按月份聚合→生成图表"。
3. 循环执行（Agent Loop）：这是 Harness 的核心循环。模型决定下一步动作，调用对应工具（读文件、执行 Shell、调用 Python），拿到工具返回的结果，再决定下一步。每一步的结果都会被记录，形成"思考→行动→观察"的闭环。
4. 自我修正（Self-correction）：当执行报错，模型会读到错误信息并尝试修正。这个环节的价值在于，你能在界面上看到它是怎么"想通"的，相当于把模型的解题过程可视化出来了。
5. 验证（Verification）：支持自定义验证步骤，比如跑完脚本后自动检查输出文件是否存在、是否生成了指定格式的图表。

我建议你第一次用 OpenCode 时，故意让它做一件稍微复杂点的任务，然后不要切走，就盯着界面上那些步骤变化看。这比读十篇架构解析文章都有用，你会直观地感受到"哈内斯"（Harness）是怎么把模型从一个黑盒变成可控流程的。

为什么这套东西重要？因为它决定了智能体的上限不在模型本身，而在"控制层"的设计。同样是 GPT-4 级别的模型，一个裸 API 调用和一个套了 Harness 的智能体，干复杂任务的差距是数量级的。裸调用问你"怎么分析"，它只会给建议；套了 Harness 之后，它会真的把文件读了、代码写了、图出给你。这就是工程化的价值。

3.2 Skill 机制：把经验固化成可复用能力

Skill 是 OpenCode 里我最喜欢的特性，没有之一。简单说，Skill 是一组 Markdown 指令加上可选脚本的打包体，安装之后它会成为智能体的"专业技能记忆"。比如你装一个"数据分析 Skill"，之后每次提数据分析需求，它会自动按固定的步骤走：先看数据结构、再提清洗方案、做完验证再汇报。相当于把老手的工作流固化下来，每次都不用重新教。

安装 Skill 很简单，直接把市场里的技能装进来：

opencode skill add <市场名称或URL>

也可以在自己的项目里手写一个自定义 Skill。一个典型的 Skill 结构长这样：

.skills/ sales-analysis/ SKILL.md scripts/ report.py

SKILL.md 里的内容就是指令模板，可以写清楚适用场景、执行步骤、注意事项和输出格式。写的时候有两点心得想分享。

第一，Skill 指令要写"边界"而不是"步骤全集"。你不用把每一步代码都写进去，只需要告诉智能体"分析前必须先检查数据缺失率""图表必须保存到 output 目录""结论必须给出同比变化"，剩下的让它自己发挥。指令太死板，反而会限制模型在意外情况下的应变能力。

第二，敏感变量（sensitive variables）要单独管理。Skill 的脚本里经常需要访问数据库密码、API 密钥这类敏感信息，OpenCode 支持通过环境变量注入，但你别把密钥硬编码到 SKILL.md 里。我在项目里维护一个.env文件，Skill 运行前从中读取变量，这样即使项目推到公开仓库也不会泄露凭据。这一点对于做企业数据的人来说是底线问题。

3.3 插件系统与"加载失败"的底层逻辑

OpenCode 的插件系统是它的扩展核心，插件能改的行为比 Skill 更深，比如拦截每一次工具调用、注入自定义上下文、甚至改界面的快捷键行为。插件用 TypeScript 写，配置在opencode.json的plugin字段里：

{ "plugin": [ "@opencode-ai/plugin-xxx" ] }

相关的热词搜索里有这么一条很典型的报错："harness failed to load plugins web boot: 2 entries did not activate"。我第一次看到这个报错也懵了一下，后来定位到原因，基本逃不出下面几类。

第一类是插件的名字或包名写错了。配置里的插件名必须和实际安装的包名完全一致，大小写差异都会导致激活失败。第二类是运行环境不对。OpenCode 的插件运行在 Bun/Node 环境里，如果某个插件的依赖要求特定版本的 Node，而你本机版本太低，就会静默失败而不是报明确的错误。第三类是插件本身有 bug 或者和当前 OpenCode 版本不兼容。开发生态的工具都这样，版本迭代快了总有跟不上节奏的插件。

排查思路分享一个经验顺序：先用opencode --verbose启动，看详细的日志输出，通常能看到插件加载失败的具体原因；然后检查插件包是否真的安装到了全局或项目目录；最后再考虑版本兼容问题。别一上来就怀疑插件有 bug，大概率是路径或依赖的问题。

4. 数据分析全流程实操：从 CSV 到可视化报告

原理讲完，我们上手。我拿一个典型的白酒销售数据分析场景做演示，这也是数据岗面试和项目里最常见的题型之一。项目的目标是：给定一份白酒销售流水 CSV，产出月度销售趋势、区域分布、畅销单品三个维度的分析结论和图表。

4.1 第一步：把模糊需求翻译成智能体能执行的指令

很多人在智能体工具上翻车，第一句话就出问题了。你如果直接说"帮我分析一下销售数据"，它确实会动起来，但理解可能和你想要的天差地别——它可能只读了前几行数据就急着下结论，或者做了十个维度的分析但没有一个是你真正关心的。

正确做法是给需求加上"可验证的交付物定义"。我的初始 prompt 是这样写的：

这是一个白酒品牌 2024 年的销售流水文件 sales.csv，字段包括销售日期、区域、渠道、产品名称、单价、销量、成本。 请完成以下分析： 1. 先做数据质量检查，报告缺失值、重复行、异常值的情况；清洗后再开始分析。 2. 按月份统计总销售额和总销量，计算环比增长率。 3. 按区域统计销售额占比，识别贡献最大的三个区域。 4. 找出销量前 5 的产品，并分析它们在不同区域的销售差异。 5. 所有图表保存到 output/ 目录，格式为 PNG，最后输出一份 Markdown 分析报告。 如果数据有问题无法完成某一步，明确告诉我原因，不要跳过。

注意最后一句"不要跳过"很重要。智能体在任务太多的时候会偷懒，省略中间步骤直接给结论，这句提示能让它老实地把每一步走完。这其实就是一个简易的"过程监督"，和 Harness 训练里的验证器思想是一脉相承的。

4.2 数据清洗与特征工程的完整过程

以下是我实践中的对话过程节选。OpenCode 先读取文件结构，返回了这样的信息：

文件包含 12,480 行，9 列。 发现缺失值：区域字段有 23 个空值，成本字段有 198 个空值。 发现重复行：基于全部字段去重后有 45 条重复记录。 建议处理：空值按规则填充或删除，重复记录保留第一次出现。

这个环节我观察到一个有意思的行为：它没有直接动手删，而是先把问题列出来问我要处理策略。原因是我的 prompt 里强调了"清洗后再开始分析"，它把决策点显式地抛给了我，这比很多工具"默默删了但不告诉你"要专业得多。我确认按建议处理后，它生成了清洗脚本：

import pandas as pd df = pd.read_csv("sales.csv", parse_dates=["销售日期"]) # 删除完全重复的行 df = df.drop_duplicates() # 销售日期不能为空，存在缺失则整行删除 df = df.dropna(subset=["销售日期"]) # 区域缺失但销售数据完整的，用众数填充；成本缺失用该产品的平均成本填充 df["区域"] = df["区域"].fillna(df["区域"].mode()[0]) df["成本"] = df["成本"].fillna(df.groupby("产品名称")["成本"].transform("mean")) # 新增派生字段：销售金额、毛利、月份 df["销售金额"] = df["单价"] * df["销量"] df["毛利"] = df["销售金额"] - df["成本"] * df["销量"] df["月份"] = df["销售日期"].dt.to_period("M").astype(str) df.to_csv("sales_clean.csv", index=False)

这里我不需要逐行解释代码，但你可以看到它做了一个重要决策：新增了"毛利"字段。我原始需求里没提毛利，但它在理解业务的过程中自己加了。这就是智能体比脚本脚本强的点——它具备基本的业务常识补全能力。当然，这种"自作主张"也要警惕，所以我会在下一步明确要求它说明每个新字段的计算口径。

清洗之后是聚合。月度销售趋势它用一行 groupby 完成，但真正让我觉得成熟的是，它主动做了"同比口径的一致性检查"——发现 1 月只有 20 天有销售记录，提醒我月度对比时 1 月数据会偏低，建议要么剔除 1 月要么标注说明。这种细节，普通脚本跑十遍都不会告诉你。

4.3 可视化与结果交付：从图表到结论

聚合完成后，OpenCode 生成可视化脚本，输出三张图：月度销售额的折线图（并标注环比涨跌）、区域销售占比的饼图、畅销产品的横向条形图。关键代码如下：

import matplotlib.pyplot as plt monthly = cleaned.groupby("月份")[["销售金额", "销量"]].sum() monthly["环比"] = monthly["销售金额"].pct_change() * 100 fig, ax = plt.subplots(figsize=(10, 5)) ax.plot(monthly.index, monthly["销售金额"], marker="o") ax.set_title("白酒月度销售额趋势") ax.set_xlabel("月份") ax.set_ylabel("销售额（元）") ax.grid(alpha=0.3) plt.xticks(rotation=45) plt.tight_layout() plt.savefig("output/monthly_trend.png", dpi=150)

最后输出的 Markdown 报告大概是这样的结构：数据概况、清洗说明、月度趋势结论、区域排名、单品洞察、数据局限性声明。最让我满意的是最后一部分，它主动写了"本次分析未包含退货数据，销售金额为含税口径，与财务口径可能存在差异"。这种"知道自己不知道什么"的能力，是判断一个智能体是否真正好用的分水岭。

整个流程从上手到拿到报告，我统计了一下，我真正手工参与的只有：写初始 prompt、在两次关键决策上点了确认、最后检查了输出图表。其余全部是智能体完成的。对业务人员来说，这个效率提升是实打实的。

5. 常见报错与避坑速查表

智能体工具用起来，报错是家常便饭。这一节我把热词里出现的几个典型问题集中讲透，也补充一些我实际踩过、文档里不太会写的坑。

5.1 "free tier can only be used from within opencode"完整解读

完整的报错大概是error from provider (console): opencode's free tier can only be used from within opencode（后面的字符被截断了，但不影响判断）。这个报错的背景是：OpenCode 为部分模型提供了一种"免费额度"通道，它表面上映射某个厂商的模型，实际流量经过 OpenCode 自身的代理，所以额度受限。

触发这个报错的原因通常是：你没有配置自己的 API Key，而是在使用它内置的免费通道，但这个通道只能在 OpenCode 客户端内使用。如果你通过其他方式调用了同一个 provider（比如直接用它的 Go SDK 写了一个外部程序，或者在某些 IDE 插件里使用了同一个配置），服务端就会拒绝，报出这个错误。

解决办法优先级如下。第一优先，配置自己的官方 API Key，一条环境变量的事，彻底摆脱免费额度限制，也不会因为这个通道偶尔不稳定而影响工作。第二优先，如果你只是想在终端里正常用，就确认opencode是从官方命令启动的，而不是被别的程序间接唤起。第三，如果非要走免费通道，就接受它不稳定的事实，别拿来跑大数据量任务。我在项目早期图省事用过一段时间免费额度，结果正好在分析关键数据时遇到限流，从那之后一律自备 Key。

5.2 插件加载失败的两类典型场景

除了前面提到的插件包名错误，还有两类场景非常典型。一类是"web boot"加载失败，这通常发生在插件引用了浏览器相关 API，但运行时环境没有提供对应实现；另一类是插件引用了本地文件，但路径写的是相对路径，而插件从全局目录加载时相对路径指向了错误的位置。

排查这类问题，我的固定动作是：先加--verbose看日志，日志里通常能定位到具体是哪个插件、哪一步初始化失败的；然后检查插件的版本，试着固定到某个已知兼容版本而不是永远追最新；最后如果是自己写的插件，直接在插件目录里用 Bun 单独跑一遍测试，看是不是入口函数本身就抛异常了。

5.3 自定义智能体的落地模板：销售智能体、考公智能体这类方向怎么建

热词里出现了"考公智能体""销售智能体"这类关键词，其实就是想用 OpenCode 搭特定领域的助手。这类需求我在实践中总结了一个通用模板，给需求做一个"领域知识包"：把相关资料整理成一个知识库目录，把业务流程写成 Skill，把评判标准写成验证器。三者一组合，一个"某领域智能体"的骨架就起来了。

具体到"销售智能体"，我做过一个简化版：知识库里放了产品手册和价格表，Skill 里写了客户分级的判断规则和话术生成模板，验证器检查生成的话术是否包含产品卖点、有没有超过字数限制。整体搭建不超过半天，效果已经能应对大部分标准化场景。这个模式的本质，就是把 Harness 的训练逻辑下沉到运行时——知识库提供上下文，Skill 提供动作规范，验证器提供反馈信号。

5.4 几个容易被忽略的小坑

最后补几个小细节。中文路径在 Windows 下偶尔会有编码问题，建议项目目录保持全英文，数据文件内部再放中文文件名；每次让智能体跑长任务前，确认下 Shell 里已经cd到正确的工作目录，不然它会到处找不到文件；大型分析任务如果模型频繁报错，先怀疑上下文太长导致模型"忘了"之前的约定，把任务拆两次跑比硬撑一次成功率高；另外，PowerShell 里别用单引号包环境变量值里的特殊字符，Java、Python 开发者习惯的字符串风格在 PowerShell 里可能直接让你的配置失效。

| 问题 | 现象 | 快速解法 | | --- | --- | --- | | 免费额度报错 | provider(console) 拒绝请求 | 配置自己的 API Key | | 插件不激活 | "failed to load plugins" | 检查包名、版本、运行时日志 | | 界面乱码 | 光标错位、颜色丢失 | 换 PowerShell 7/WSL2/Git Bash | | 中文路径异常 | 读文件报错找不到 | 项目目录用英文，文件内部再放中文 | | 任务执行中断 | 模型反复报错 | 拆分子任务，缩减单次上下文 |

6. 从"能用"到"工程化"：真实工作流与后续扩展方向

工具学到能跑通一个完整项目之后，下一步一定是"怎么把它固化进日常"。这节不写大道理，就讲几个我目前真实在用的实践，以及我对这东西后续走向的一些判断。

我现在的日常分析工作流是这样的。第一步，每周一早上把原始数据拖进项目目录。第二步，启动 OpenCode，加载我写好的"周报分析"Skill，它会自动按固定套路出报表——清洗、聚合、出图、写点评。第三步，我花十分钟看结果，偶尔让它针对异常波动做一次深入归因分析。整个流程从过去的两三小时压缩到半小时内，省下来的时间用来判断业务问题本身。

这个过程中我最大的体会是：用好智能体的关键，不在模型多强，而在你多会"定义任务"。你可以把模型理解成一个能力极强但方向感需要你引导的新同事。你交代得越清楚，给它的反馈机制越明确（比如验证器、比如"不要跳过"这类约束），它的输出就越接近你想要的东西。这也正是 Harness 这套思想的精髓：用结构化的流程约束模型的自由度。

关于后续方向，我注意到行业里已经在讨论一个共识，2026 年会是工业智能体从概念演示走向工程化落地的关键节点。从这个角度看，OpenCode 这类开源工具的意义不只是"又一个 AI 编程助手"，它实际上把企业级智能体的核心能力——任务编排、工具调用、过程验证、技能复用——以极低的门槛交到了普通开发者手里。我现在已经能看到不少团队在 OpenCode 基础上定制行业插件，把数据库权限校验、报表格式规范都做进插件层。

最后再分享一个特别实际的小技巧。无论做什么项目，都建议给 OpenCode 一个固定的"出口检查清单"：让它在交付任何结果时，必须回答三个问题——你的数据来源是什么？你做了什么假设？结果有什么局限？就这一条，能让它的输出专业度提升一个档次。我后来把这个清单固化成了我所有 Skill 的公共模板，算是踩过这么多坑之后最划算的一个改动。