企业官网建设流程全解析

几个月前，我在整理公司一款DC-DC电源设计规范时，冒出一个想法：能不能让大模型直接当设计助手？但紧接着后背有点发凉——电源设计里，一个电感的饱和电流算错，上电瞬间就能烧掉MOS管。而大模型最大的毛病恰恰是幻觉，它会在数据不足时“自信地编造”，一本正经地给出一个完全错误的参数。后来我基于DeepSeek Harness搭了一套防幻觉的电源硬件设计agent智能体架构，把模型、知识库、计算工具和仿真器串在一起，让AI只能在规则范围内干活。今天把整套架构的搭建思路、防幻觉手段，以及我在内网部署、插件管理、权限配置方面踩过的坑，一次性说清楚。如果你也在做硬件智能化，或者想在企业内网部署LLM工作流，这篇内容应该对你有参考价值。

1. 整体思路：为电源设计定制“防幻觉”agent

1.1 需求分析：电源硬件设计里，AI“胡说”的成本有多高

电源开关电源设计本质上是确定性的：Buck、Boost、Flyback都有成熟的公式和仿真模型。但LLM本质上是一个“语言模型”，擅长的是文字接龙，不是数值计算。我让模型算一个RC延时，5.1kΩ电阻配10μF电容，它居然给了0.51s，实际应该是51ms，整整差了一个数量级。在硬件设计这种对数值极端敏感的领域，一个数量级错误就足以让板子报废。

更现实的问题是，即使给模型挂了知识库，它依然可能把不同文档的信息缝合在一起。比如知识库里一份参考设计写着“输入12V输出5V”，另一份写着“输出电流2A”，模型可能会组合成“这个设计支持12V输入、5V输出、2A电流”，但实际第二份设计的输入可能是24V。这种跨文档推理的错误极难发现，因为它看起来有依据。所以我们的策略不是“相信模型、事后纠错”，而是从流程上让关键数值根本不经过模型。

我接触过不少硬创团队，他们尝试用通用对话机器人做设计咨询，结果经常被“看起来合理实则错误”的回答误导。因为模型训练时见过太多电子元件型号，但它并不真正理解每个型号的封装、耐压、热阻。你问它“AO3400的VGS耐压是多少”，它可能答12V，实际规格书上是20V。这种错在选型阶段就会埋雷。因此，防幻觉不能靠“提示词警告”，必须靠架构隔离。

1.2 为什么选择DeepSeek Harness作为底座

其实市面上agent框架不少，有纯代码编排的，也有低代码拖拽的，但DeepSeek Harness有几个点特别适合硬件设计内网场景。

第一，它的是skill体系，允许把设计规范封装成带描述和参数模板的模块，agent按需调用。我们可以将“占空比计算”“电感选型”“降额检查”都封装成一个个skill，每个skill的输入输出都受JsonSchema约束，模型没法自由发挥。第二，支持完全本地化部署，模型、插件、依赖全部可以离线运行，这对硬件公司而言是硬性要求——项目资料不允许出内网。第三，它是轻量级的harness框架，做复杂流程编排很灵活，可以方便地接入自研的Python校验脚本、Ngspice仿真脚本，甚至和公司现有的BOM系统对接。

我们也评估过其他框架，有的安装步骤繁琐，插件市场混乱，更新源不稳定，装个插件要折腾半天；有的对离线环境支持很差，一断网就瘫痪。DeepSeek Harness的数据包管理和插件配置相对干净，拷贝到内网就能用。另外它支持快照和代码回退，这对生产环境很重要——我们在迭代带仿真工具的agent时经常改坏配置，回退命令能救命。

1.3 三层架构：如何用隔离来“防幻觉”

整套agent不是让模型自由发挥，而是通过三层架构“画地为牢”。

第一层是控制器层，由Harness总的流程编排负责。比如“输入需求 → 解析参数 → 查白名单 → 计算 → 仿真 → 汇总报告”，每一步都有明确输入输出，顺序不可乱。第二层是工具层，所有涉及计算、查找、仿真的操作都以沙箱形式执行。模型在这里没有“编造”空间，因为数据来自Python计算或Ngspice仿真结果，不是来自模型记忆。第三层是校验层，在最后一步对输出结果做结构化校验，比如栅极驱动电压是否超过限值、纹波电流是否在规格内、器件料号是否在白名单中，不符合条件就拒绝输出，让agent重新生成。

这种“对话-计算-校验”分离的架构，比单纯在Prompt里写“请确保正确”要靠谱得多。本质上，我们保留了LLM的“表达”能力，但剥夺了它对关键参数的“裁量权”。模型可以负责组织语言、解释计算结果、生成设计报告；但所有数值都来自工具。这个思想贯穿整个架构，后面所有配置和代码都是围绕它来做的。

2. 环境准备与部署细节（内网离线版）

2.1 安装DeepSeek Harness的完整过程（Linux）

先说我用的环境：Ubuntu 22.04，Python 3.10.12，NVIDIA显卡一张（可选，最好有），内存32GB。Harness本体安装其实不复杂，先用venv隔离环境，避免污染系统Python。

sudo apt update sudo apt install -y build-essential libssl-dev libffi-dev libgl1 python3 -m venv harness_env source harness_env/bin/activate pip install --upgrade pip pip install deepseek-harness

安装完成后，执行harness --version，如果正常输出版本号就OK。这里有几个容易卡壳的点：一是缺libgl会导致后续模型推理插件崩溃，所以那个libgl1别省；二是Python版本别太低，3.9以下会有语法兼容问题；三是如果要用GPU推理，记得提前装好对应CUDA版本的PyTorch，否则Harness会回退到CPU，速度慢到怀疑人生。

安装后第一次启动，Harness会初始化一个工作目录，默认放在~/harness_workspace下。如果你放在内网服务器，建议把这个目录挪到大容量数据盘，因为知识库存的是PDF、仿真网表，体积增长很快。修改方式是在配置文件里指定workspace_path。

2.2 内网部署的关键点：离线包装与模型搬运

硬件设计公司一般不允许直接把项目数据传到公网，所以整个Harness必须跑在内网服务器上。我的做法分两步：在一台有网络权限的开发机上把Harness本体、需要的模型文件、插件包全部下载好，然后拷贝到内网机器。

模型文件推荐开源且压缩后体积可控的：Qwen2.5-7B-Instruct或者DeepSeek-R1-Distill-Qwen-7B，中文能力强，做电源设计问答够用。模型加载器我们用Ollama，因为内网环境下足够轻量，显存占用可控。先把模型文件拷到内网机器的Ollama模型目录，然后执行ollama create加载。如果模型文件是GGUF格式，需要写一个Modelfile指定路径：

FROM /data/ollama_models/qwen2.5-7b-instruct.Q4_K_M.gguf TEMPLATE """{{ .Prompt }}"""

在开发机上执行ollama create my-local-qwen -f Modelfile，就能生成一个本地模型标签。之后Harness的配置里把llm.base_url指定为http://127.0.0.1:11434，llm.model指定成my-local-qwen。这里有个细节：如果你关闭了Ollama的远程拉取，它就不会去下载embedding模型。我们需要手动把embedding模型也放到本地，比如nomic-embed-text或bge-m3，然后在Harness配置里设置embedding_model = "local-embedding"，否则向量库检索功能会一直转圈。

Python依赖包在纯内网下不能直接pip install，我是在开发机上用一条命令把整个依赖树拉下来，再拷进内网安装：

pip download -r requirements.txt -d ./offline_packages # 内网机器上执行 pip install --no-index --find-links=./offline_packages -r requirements.txt

这套离线搬运流程我跑过很多次，只要版本统一，基本不会出问题。内网机器如果没有GPU，就把模型量化到Q4，用CPU推理也能跑，只是慢一点。

2.3 Skill的编写与部署：把设计规范变成“可执行技能”

我们会频繁提到“skill”，这是DeepSeek Harness里的核心概念。一个skill通常包含一个skill.md描述文件、一个main.py实现脚本，有时还有requirements.txt。Harness在运行时会根据描述文件里的参数定义，决定何时调用该skill以及传入什么参数。

下面做一个名为buck_design的skill，用来计算Buck电路的基础参数。先建立目录：

mkdir -p workspace/buck_design cd workspace/buck_design touch skill.md main.py requirements.txt

skill.md内容：

# Buck基础设计计算 输入： - vin: 输入电压(V) - vout: 输出电压(V) - iout: 负载电流(A) - ripple: 电流纹波系数（默认0.3） - fs_khz: 开关频率(kHz) 输出： - duty: 占空比 - l_min_uh: 临界电感(uH) - c_min_uf: 输出电容最小容值(uF) 注意：所有输出严格通过公式计算，不得估计。

main.py实现：

def calc_buck(vin, vout, iout, ripple=0.3, fs_khz=500): if vin <= 0 or vout <= 0 or iout <= 0: return {"error": "Invalid input"} d = vout / vin l_min_uh = (vin - vout) * d / (2 * ripple * iout * fs_khz * 1000) * 1e6 c_min_uf = (ripple * iout) / (8 * fs_khz * 1000 * 0.01 * vout) * 1e6 return { "duty": round(d, 3), "l_min_uh": round(l_min_uh, 2), "c_min_uf": round(c_min_uf, 2) }

这个skill的数值完全由脚本计算，模型没有发挥空间。注册skill是在Harness的配置文件里加一段：

skills: buck_design: source: workspace/buck_design entry: main.py description: "计算Buck电路基础参数"

部署到内网时，把整个workspace目录拷过去，再把配置文件里的skills路径指到对应目录即可。团队内部可以维护一个共享workspace，里面有各种设计规范技能，例如“反激变压器设计”“LDO热阻计算”“陶瓷电容降额检查”。这种skill机制非常适合作团队的“设计规范库”，每个人都能添加自己的校验流程。

3. 防幻觉机制落地：从提示词到强制校验

3.1 提示词设计：先“问清”再“作答”

防幻觉的第一道防线是系统提示词。尽管我们不依赖提示词，但它能显著提高模型的“遵纪守法”率。我们在Harness的agent配置里写了一个模板：

你是电源硬件设计专家。你的职责是帮助工程师完成设计计算和选型。 你必须遵守以下规则： 1. 凡涉及电压、电流、功率、电感、电容等数值，必须先调用对应skill或工具，不得凭记忆直接输出。 2. 如果知识库中没有明确依据，你必须回答“不确定”，不得推测。 3. 每个结论必须附带计算过程或引用来源文件。 4. 如果某个型号不在白名单库中，不得推荐该型号。

这里的关键词不是“请你仔细思考”，而是“必须调用工具”。另外我们还加了一个“反幻觉条款”，要求模型在无法确认时主动认怂。实践证明，加上这条之后，模型“不懂装懂”的概率大幅下降。但提示词只是软约束，真正硬的是后面的工具调用。

3.2 工具层强制调用：不让模型“心算”

核心思想是：所有计算交给代码。当模型被问到“输出电容选多大”，它会触发select_capacitor工具，该工具内部查白名单，根据纹波电流、耐压、温度特性等条件筛选。白名单由工程团队维护，只包含经过认证的料号。没有白名单内的料号，绝不推荐新料号，从机制上杜绝“编造型号”。

一个典型的工具调用序列是：

1. parse_spec：解析输入需求，提取Vin/Vout/Iout。
2. check_safety_limits：检查电压电流是否超出预设安全边界。
3. calculate_buck：计算基础参数。
4. select_components：在白名单中选型。
5. simulate_circuit：用Ngspice做瞬态仿真，验证选型。
6. generate_bom：生成BOM表。

Harness的编排器会严格按这个顺序调度，模型只能在这些步骤中做“文案总结”，没有越权机会。这里我想强调一个经验：不要试图用“路由提示”如“如果用户问电感，就走电感工具”去约束，因为模型可能选错路由。更稳妥的是在Harness的工作流里把步骤固化，让模型只能按固定流程走。对于电源设计这种标准化任务，固化流程完全可行。

3.3 仿真校验与后置检查

最硬核的防幻觉手段是仿真。agent接了一个Ngspice仿真工具，能够把当前选型参数生成一个简化网表，然后运行瞬态仿真，得到输出电压纹波、负载调整率等指标。如果仿真结果和设计目标偏差超过1%，agent必须重新调整参数或换料号，否则流程直接失败。

此外还设计了一个“后置检查器”，用Python脚本检查agent生成的报告是否符合格式：必须包含计算过程、必须包含器件料号、必须给出来源文件名称。检查器甚至会对报告里的数字做正则校验，比如“效率”必须在0-100%之间，“耐压”必须高于最大电压的1.2倍。一旦发现不合规，Harness会让agent重写整份报告。这套强制约束看似冷酷，但工程环境就是如此，宁可多跑几步重复，也不能让一个错误LI值混进设计库。

仿真和检查器的存在，让agent的“幻觉”只能停留在语言层面，无法进入工程事实层面。即使模型在解释时“胡说”了一点，最终交付物也一定是被数值工具校正过的结果。

4. 实操过程：让agent独立完成一个12V转3.3V的Buck设计

4.1 定义需求与构建知识库

假设一个典型需求：Vin=12V，Vout=3.3V，Iout=1A，开关频率500kHz，纹波系数0.3。我们先把需求作为用户指令发给agent，同时准备好知识库文件夹。

知识库内容我们放了三份文档：主要芯片的数据手册PDF、一个参考设计的原理图+设计文档、公司内部的电源设计规范。Harness内部有向量数据库插件，能把文档切片后建立索引。这里有一个重要经验：文档必须带来源标签，切片时保留“文档名-页码-章节”信息。agent回答时必须引用这些来源信息，否则校验层会打回。这能有效抑制RAG“缝合怪”问题——一些模型会把A文档参数和B文档结论拼起来，但如果强制要求它提供页码，它自己就容易露出马脚，我们也能追踪。

构建知识库的代码不用细写，Harness的library管理界面里可以直接上传PDF并自动索引。但要注意PDF如果是扫描件，必须先做OCR，否则检索出来全是乱码。

4.2 定义工作流并连接工具

在Harness里，工作流用YAML配置。下面是实际用过的简化版：

workflow: name: buck_design_flow steps: - parse_spec - safety_check - calculate_topology - select_components - simulate_and_verify - generate_report fallback: - on_failure: recalculate - after_retries: 3 -> escalate_to_engineer

每一步对应一个skill或脚本。calculate_topology使用前面写的buck_designskill；select_components查询器件库；simulate_and_verify调用Ngspice；generate_report生成结构化报告。为了让模型跟工具顺畅协作，每个步骤的输出都定义了JsonSchema。比如calculate_topology的输出必须是：

{ "duty": 0.275, "l_min_uh": 5.6, "c_min_uf": 4.7 }

如果LLM输出跟schema不匹配，Harness会报错并重跑。这个机制阻止了模型在步骤间“夹带私货”。

4.3 agent实际跑下来的结果

我实际输入的问题是：“输入12V，输出3.3V/1A，开关频率500k，帮我完成Buck设计参数并验证。”agent的处理过程大致是：

• 先调用safety_check，检查12V输入在白名单器件的允许范围，通过。
• 然后调用calculate_topology，返回D=0.275、Lmin=5.6μH、Cmin=4.7μF。
• 接着select_components从白名单里选了一颗6.8μH的电感（饱和电流2.1A）和一颗10μF/16V的陶瓷电容。
• 随后进行Ngspice仿真，看到输出电压纹波38mV，动态响应有点振铃。agent自动提出可以增加一个前馈电容Cff=100pF，并重新仿真。
• 最后生成报告，包含计算草稿、仿真要点、BOM清单。

整个过程没有让模型直接给一张“推荐电路图”，而是一步步走工具，每一步都留痕。这就是我们想要的agent：它更像一个自动化设计流程的“解说员”，而不是“设计者”。

下面是实际运行时agent工作流输出的简化表格：

4.4 工作流里“人工确认”的节点设计

整个流程并不是全自动。在generate_report之后，我们加了一个人工审核节点。Harness会调用通知工具，把报告推送给工程师。工程师可以一键“打回”，并附带原因，agent会带着驳回原因重新生成报告。这个节点是对防幻觉的兜底——机器校验只能覆盖可量化参数，但布局、安规、成本等隐性考虑还是要靠人来判断。

我们曾讨论过要不要全自动，后来还是保留人工闸门。原因很简单：工具和知识库本身也有更新风险，如果某天知识库里混进一份错误文档，或者器件库的封装信息写错，agent可能跟着错。有工程师在最后把关，相当于多了一道保险。而且，对管理层来说，人工确认也意味着责任边界清晰。

5. 踩坑与排查实录

5.1 Harness skill读取文件报权限问题

在Linux服务器上，我们遇到过典型的权限问题：agent调用skill去读/data/datasheets/下的PDF时，直接报PermissionError。排查后发现目录权限是755，但Harness跑在systemd service用户下，它不属于datasheets目录的所有者组。解决办法是让service用户加入共享组，然后把目录权限改为750。也可以直接在Harness配置里放行路径：

workspace: allow_paths: - /data/datasheets

这样Harness会在运行前检查路径是否在允许列表内，涉及权限的逻辑统一处理，比一个个文件夹改权限要省心。

有个朋友在Windows上遇到Harness写文件时弹出SetNamedSecurityInfoW failed (win32)错误。这是Windows对文件ACL设置失败导致的。我们的经验是：不要把Harness装到C:\Program Files下，工作目录挪到用户目录，比如C:\Users\xxx\harness_workspace，问题基本消失。如果换了路径，别忘在配置里同步更新。

5.2 模型幻觉的高发场景：型号参数和引脚定义

在实际跑agent时，最容易出现幻觉的地方是芯片引脚顺序、封装尺寸、工作温度范围。模型可能把“SOT-23-5”编排成“SOT-23-6”，或者把某个芯片的引脚功能搞反。为了根治，我们强制要求agent在回答这类问题时，只能引用知识库里的引脚定义，如果知识库没有，就直接说不知道。同时我们专门开发了一个get_pinout工具，从器件库数据库读取引脚信息，绝对不经过模型的内部记忆。

这个教训很深刻：模型对这些技术参数的记忆越“有把握”，越容易自信地填错。因为它训练数据里的丝印可能来自不同版本的数据手册，它并不能分辨哪个是最新型号的引脚定义。所以现在所有涉及引脚、封装、DVDD等物理属性的信息，都直接从结构化数据库读取。模型只剩“转述”功能，没有“补充”功能。

5.3 插件装载与代码回退

DeepSeek Harness的插件机制很灵活，但也容易踩版本冲突的坑。我们曾在一次升级中把Ngspice仿真插件从1.2升到1.3，然后agent跑仿真时一直报“netlist格式不兼容”。折腾半天发现是新版插件改了网表解析规则。最后用Harness的插件版本回退命令恢复：

harness plugin revert ngspice-sim 1.2

回退后立刻恢复正常。这里提醒一下：升级任何插件之前，先给整个项目做个快照。Harness自带harness snapshot create，遇到问题直接harness snapshot restore <snap_id>。这比手动备份整个workspace要快得多。我们当前策略是：每周做一次快照，每次重大修改前再单独做一次。

5.4 离线环境下的模型加载问题

内网部署时最让人头疼的是模型加载。我们使用Ollama，把模型文件拷贝到内网后执行ollama create my-model -f Modelfile能成功，但后面运行一直超时。排查半天，发现是Ollama默认尝试从远程拉取embedding模型，而内网根本不通。解决方法是把embedding模型也放到本地，然后在Harness配置里指定：

embedding_model: local-embedding llm: base_url: http://127.0.0.1:11434

另外，如果要完全无网络运行，记得别让Harness去解析外网域名。把所有外部调用地址都改成内网IP或localhost。这些细节看起来小，但任何一个没处理干净，都会让agent在内网里“卡死”。

5.5 回归测试：用历史案例给agent体检

最后分享一个小技巧：把防幻觉校验器写成独立脚本，定期对历史设计报告做回归测试。因为我们总会修改知识库、插件和skill，每次改动后，用之前验收通过的10个经典案例跑一遍全流程，如果结果和存档不一致，系统会立刻提示。这相当于给agent加了一台“体检仪”，能捕捉到很多边角上的回归问题。

我个人的体会是，这种“防幻觉”不是某一次配置就一步到位的，而是一个持续演进的过程。每次发现一个新错误类型，就在校验层里加一条规则。比如我们曾经遇到过模型把输入极性写反，后来就在后置检查器里加了“功率流向”的语义检查。随着规则变多，agent的行为会越来越稳，团队对它的信任度也会越来越高。这套基于DeepSeek Harness的架构，现在已经成了我们硬件设计流程里的一个固定环节。