企业官网建设流程全解析

1. 项目概述：为什么给 DeepSeek 编程智能体写插件，而不是直接调 API？

“我给 DeepSeek 的编程智能体写了三个插件：余额胶囊、任务面板、番茄钟”——这句话乍看像极了某位开发者在技术社区随手发的一条状态，但背后藏着一个正在快速成型的现实：DeepSeek 的编程智能体（尤其是 deepseek-harness 这类本地可部署的智能体运行时）正从“能对话的模型”转向“可扩展的工作伙伴”。它不再只是你问一句、它答一句的问答机器，而是一个可以挂载功能模块、响应上下文事件、主动管理状态、甚至干预开发流程的轻量级协作代理。我写这三个插件，不是为了炫技，而是因为我在真实编码场景中反复撞墙：模型知道怎么写代码，但它不知道我今天还剩多少调试时间；它能生成 PR 描述，却没法提醒我“你已连续敲了 52 分钟，该起身倒水了”；它能分析依赖树，但不会在我第 3 次重试pip install失败后，默默把当前终端余额（剩余内存、GPU 显存、磁盘空间）塞进提示词里——这些“上下文盲点”，恰恰是影响开发节奏和决策质量的关键缺口。

这三个插件的名字听起来很生活化，但每个都对应一个被主流 AI 编程工具长期忽视的底层需求：余额胶囊解决的是资源感知问题——不是账户余额，而是你本地开发环境的实时资源余量（RAM 剩多少、/tmp 目录还剩几 GB、CUDA_VISIBLE_DEVICES 对应的 GPU 显存占用率）；任务面板解决的是意图锚定问题——当模型在长对话中不断切换上下文（从修 bug 切到写文档再切到查日志），它需要一个轻量、持久、可交互的任务快照区，让每次响应都基于“当前聚焦的第 2 个子任务”而非模糊的对话历史；番茄钟则解决的是注意力闭环问题——不是简单计时，而是把“专注-休息”节奏与模型行为耦合：计时期间自动禁用非核心插件调用，休息阶段主动推送本次编码的摘要+待办建议，形成人机协同的节律反馈。

它们之所以必须做成插件，而非写成独立脚本或加到 prompt 里，是因为 deepseek-harness 提供了标准的插件生命周期钩子（on_before_invoke,on_after_invoke,on_state_change），允许你在模型推理前注入动态上下文、在推理后解析输出结构、在会话状态变更时触发清理逻辑。这比硬编码 prompt 更稳定，比外挂脚本更安全——所有插件运行在 harness 的沙箱进程内，共享同一套权限控制和资源配额。我试过把“显存监控”硬塞进 system prompt，结果模型在生成 SQL 时误把nvidia-smi输出当成了数据库 schema；也试过用 cron 定时跑 shell 脚本发通知，但根本无法对齐模型单次响应的原子性。只有插件，能让模型真正“活”在你的开发流里，而不是飘在它自己的语义泡泡里。

提示：deepseek-harness 的插件机制不是简单的函数注册，而是基于 YAML 描述符 + Python 执行器的双层架构。YAML 定义接口契约（输入字段、输出字段、触发条件），Python 实现业务逻辑。这种设计让插件可被 IDE 自动识别、被 CLI 工具批量管理、被 Web UI 动态启停——这才是企业级智能体扩展的正确姿势，不是把一堆.py文件扔进plugins/目录就完事。

2. 核心设计思路：为什么是这三个插件？它们如何构成最小可行协作系统？

2.1 不是功能堆砌，而是构建“人机注意力对齐”的三角支撑

很多人看到“余额胶囊、任务面板、番茄钟”第一反应是：“这不就是桌面小工具吗？”——错。这三个插件的组合，本质是在模拟一个成熟开发者的认知工作流闭环：感知资源 → 锚定目标 → 管理节奏。拆开看，每个插件都在解决一个经典的人机协作断点；合起来，它们构成了一个无需额外 UI、完全嵌入命令行/IDE 的轻量级协作操作系统。

• 余额胶囊对抗的是“资源幻觉”。大模型在生成代码时，默认假设“计算资源无限”，但真实开发中，docker build卡住往往是因为/var/lib/docker分区只剩 200MB，pytest跑超时可能源于 RAM 不足导致 swap 频繁。传统方案是开发者自己df -h或free -h，但这个动作是离散的、被动的、易遗忘的。余额胶囊把它变成持续的、自动的、上下文感知的——它会在每次模型准备生成代码前，自动采集当前 shell 环境的资源快照，并以结构化 JSON 注入 prompt。关键在于，它不只返回数字，而是做语义转换："disk_usage": "87% (warning: /home only 3.2GB left)"，让模型能真正理解“快满了”的紧迫性，从而优先推荐--no-cache-dir或rm -rf ~/.cache/pip这类具体动作。

• 任务面板解决的是“意图漂移”。在长对话中，模型容易丢失主线。比如你让它“先修 login 页面的 XSS 漏洞，再给用户管理模块加单元测试”，它可能在第二轮就把测试覆盖率目标设错了。任务面板提供一个带版本号的、可编辑的 YAML 任务清单，每次模型响应后，自动解析其输出中的task_id字段，更新对应任务的状态（pending→in_progress→review_needed）。更重要的是，它支持“子任务继承”：当模型在修漏洞时顺手重构了 utils 模块，任务面板会自动生成新子任务并关联到父任务下，保持整个工作树的可追溯性。这不是待办列表，而是意图图谱。

• 番茄钟终结的是“时间黑洞”。现有 AI 编程工具从不关心你敲了多久。番茄钟插件在 harness 启动时即初始化一个asyncio.EventLoop，监听键盘空闲事件（非Ctrl+C等中断信号），一旦检测到连续 60 秒无输入，自动启动 25 分钟专注计时。计时期间，它会拦截所有非核心插件调用（如禁用网页抓取、禁用代码解释），只保留余额胶囊和任务面板——确保模型不被无关信息干扰。计时结束，它不弹窗，而是向模型发送一条结构化指令：{"action": "summarize_session", "duration_minutes": 25, "tasks_completed": ["login_xss_fix"]}，驱动模型生成本次专注时段的产出摘要和下一步建议。这才是真正的“AI 助手”，不是“AI 替身”。

这三个插件彼此耦合：番茄钟启动时自动刷新余额胶囊数据（避免显存被新进程占用）；任务面板状态变更时触发番茄钟重置（切换任务=重置节奏）；余额胶囊预警（如磁盘不足）会强制暂停番茄钟并推送清理建议。它们共同构成一个自调节的开发协作者，而非三个孤立功能。

2.2 技术选型：为什么用 deepseek-harness 而非直接对接 API？

deepseek-harness 是目前少有的、为“智能体插件化”深度优化的运行时框架。它的核心优势不在模型性能，而在工程化抽象层：

• 标准化插件接口：所有插件必须实现PluginInterface协议，定义invoke()方法签名（输入dict，输出dict），并声明schema字段描述输入/输出 JSON Schema。这使得插件可被静态分析、被 IDE 自动补全、被 CI 流水线验证——我写的番茄钟插件，其schema明确要求输入含focus_duration和break_duration字段，类型为integer，缺失或类型错误会在 harness 启动时直接报错，而非等到运行时崩溃。

• 沙箱化执行环境：每个插件在独立的subprocess.Popen中运行，通过stdin/stdout与 harness 主进程通信。这意味着余额胶囊调用nvidia-smi即使出错，也不会拖垮整个模型服务；任务面板读写 YAML 文件时的权限错误，会被捕获为结构化异常而非 segfault。我实测过，在tasks.yaml被其他进程锁定时，任务面板会优雅降级为只读模式，并返回"status": "locked"，而不是让模型卡死。

• 状态持久化机制：harness 内置StateStore接口，支持内存、文件、SQLite 三种后端。我的任务面板默认使用 SQLite，确保重启后任务树不丢失；番茄钟的计时状态则存在内存中（因需毫秒级精度），但会在每次状态变更时写入~/.dsh/timer.json做快照。这种分层持久化，比全靠pickle或json.dump可靠得多。

相比之下，直接调用 DeepSeek 官方 API 有两大硬伤：一是无插件生命周期管理，你得自己写调度器轮询状态；二是无沙箱，一个插件崩溃等于整个请求失败；三是无状态存储，所有上下文都得靠 client 端维护，极易丢失。harness 的设计哲学是：“让模型专注推理，让框架专注协作”——这正是插件存在的根本理由。

2.3 架构设计：插件如何与 harness 深度集成？不是“挂载”，而是“共生”

很多开发者以为插件就是把.py文件丢进目录就行，但 deepseek-harness 的插件系统远不止于此。它的集成是声明式 + 事件驱动的：

1. 声明式注册：每个插件目录下必须有plugin.yaml，内容类似：

   name: "balance-capsule" version: "1.2.0" description: "Monitor real-time resource usage for local dev environment" triggers: - on_before_invoke # 在模型推理前触发 inputs: context: string # 当前对话上下文片段 outputs: resources: object # 结构化资源数据

   harness 启动时会扫描plugins/目录，加载所有plugin.yaml，构建插件元数据索引。这使得插件可被dsh plugin list命令统一管理，而非散落在各处。

2. 事件驱动执行：当模型准备处理用户输入时，harness 会按triggers字段顺序，依次调用匹配插件的invoke()方法。例如，余额胶囊的on_before_invoke钩子会被触发，传入当前context，它返回的resources字段会自动 merge 到最终 prompt 的system部分。关键在于，插件输出不是字符串，而是严格遵循outputsschema 的 dict——harness 会做 JSON Schema 校验，不合规则跳过该插件并记录 warning。

3. 状态协同：插件间可通过 harness 的state对象共享数据。例如，番茄钟在on_state_change钩子中设置state["timer_active"] = True，任务面板在on_before_invoke中读取该 flag，决定是否启用子任务继承逻辑。这种共享不是全局变量，而是 harness 维护的、带 TTL 的键值存储，避免状态污染。

这种设计让插件不再是“附加功能”，而是 harness 运行时的原生组件。我曾尝试把余额胶囊改成纯 prompt 注入，结果发现模型在生成 Markdown 表格时，会把nvidia-smi的 ASCII 表头当成表格内容渲染出来；而作为插件，它的输出被 harness 严格约束为{"gpu": {"memory_used_gb": 12.3, "total_gb": 24.0}}，模型只能按此结构消费，彻底规避格式污染。

3. 核心插件实现详解：从零开始写一个可用、可维护、可复用的插件

3.1 余额胶囊：如何让模型“看见”你的物理世界？

余额胶囊的核心价值，不是显示数字，而是把物理资源状态翻译成模型可行动的语义信号。它要回答的不是“显存用了多少”，而是“此刻最该做什么来避免失败”。

实现步骤：

1. 采集层：多源异构数据聚合
   插件启动时，并行执行三组命令：

   • df -P / /home /tmp获取关键分区使用率（-P确保 POSIX 兼容，避免不同 Linux 发行版输出差异）
   • free -m获取内存使用（-m统一单位为 MB，避免 KB/GB 混用）
   • nvidia-smi --query-gpu=memory.used,memory.total --format=csv,noheader,nounits获取 GPU 显存（--format=csv保证结构化输出，noheader避免表头干扰解析）

   关键技巧：所有命令都设置timeout=3，超时则返回"unavailable"，防止nvidia-smi在无 GPU 机器上卡死。我踩过的坑是：某些云服务器nvidia-smi会因驱动未加载而 hang 住，必须加 timeout。

2. 语义层：阈值驱动的警告生成
   不是简单返回原始数据，而是做规则引擎判断：

   def generate_warnings(resources): warnings = [] if resources["disk"]["/"]["usage_percent"] > 90: warnings.append(f"CRITICAL: Root partition full ({resources['disk']['/']['usage_percent']}%)") if resources["memory"]["available_mb"] < 500: warnings.append("WARNING: Less than 500MB RAM available") if "gpu" in resources and resources["gpu"]["memory_used_gb"] / resources["gpu"]["total_gb"] > 0.95: warnings.append("URGENT: GPU memory >95% used") return warnings

   这些警告字符串会注入 prompt 的 system message，模型就能据此生成sudo journalctl --disk-usage或docker system prune -f这类精准指令。

3. 注入层：结构化数据安全注入
   最终输出不是字符串，而是严格 schema 的 dict：

   { "resources": { "disk": {"root": 87, "home": 92}, "memory": {"used_mb": 12450, "total_mb": 16384}, "gpu": {"used_gb": 22.1, "total_gb": 24.0} }, "warnings": ["WARNING: /home partition at 92%"] }

   harness 会把这个 dict merge 到system_context，模型通过{{resources.disk.home}}这样的 Jinja 模板语法访问，完全隔离原始字符串风险。

注意：余额胶囊的plugin.yaml中triggers必须设为on_before_invoke，且inputs.context字段用于判断是否需要触发——例如，当用户输入含docker、build、train等关键词时，才激活完整采集；否则只返回基础内存数据，降低开销。

3.2 任务面板：如何让模型“记住”它正在做的事？

任务面板的本质，是一个轻量级任务管理系统（TMS）的嵌入式实现。它不替代 Jira 或 GitHub Projects，而是为单次会话提供即时、可操作的意图快照。

实现步骤：

1. 数据模型：YAML 驱动的任务树
   任务存储在~/.dsh/tasks.yaml，结构如下：

   version: 2 tasks: - id: "t-001" title: "Fix login XSS vulnerability" status: "in_progress" created_at: "2024-06-15T14:22:33Z" subtasks: - id: "st-001" title: "Sanitize user input in login_form.py" status: "done" - id: "st-002" title: "Add CSP header to nginx config" status: "pending"

   使用 PyYAML 加载，但关键在于版本控制：每次修改都检查version字段，若不匹配则拒绝写入，防止并发冲突。我实测过，当两个插件同时写入时，旧版本会被静默丢弃，确保数据一致性。

2. 状态同步：双向解析与自动更新
   插件在on_after_invoke钩子中解析模型输出：

   • 若输出含task_id: "t-001"且status: "done"，则更新对应任务状态；
   • 若输出含new_task:块，则自动创建子任务并关联；
   • 若输出含@task t-001引用，则将本次响应内容追加到t-001的notes字段。

   解析使用正则 + YAML load，而非 LLM 解析，确保 100% 可靠。例如，匹配@task ([a-zA-Z0-9\-]+)提取 task_id，再用yaml.safe_load()解析后续 YAML 块。

3. 交互协议：CLI 与 prompt 双通道
   任务面板提供dsh task list、dsh task done t-001等 CLI 命令，同时支持 prompt 指令：

   • 用户说：“把任务 t-001 设为 review_needed”，插件自动识别并更新；
   • 用户说：“显示所有 pending 任务”，插件生成 Markdown 表格返回。

   这种双通道设计，让开发者既能在终端手动管理，也能让模型自然语言驱动——这才是真正的无缝集成。

3.3 番茄钟：如何让模型“感受”时间的流逝？

番茄钟插件最难的部分，不是计时，而是在无 GUI 环境下实现可靠的空闲检测与节奏干预。

实现步骤：

1. 空闲检测：跨平台键盘监听
   Linux/macOS 用evdev监听/dev/input/event*，Windows 用pynput监听全局键盘事件。关键技巧：不监听按键内容，只记录时间戳。每 500ms 检查最近一次按键时间，若差值 >60s，则判定为空闲。我放弃过xprintidle（Linux）和GetLastInputInfo（Windows）API，因为它们在 SSH 会话或 tmux 中不可靠；evdev虽需 root 权限，但通过udev规则可授权普通用户访问。

2. 节奏引擎：状态机驱动的专注流
   内部维护状态机：

   IDLE → FOCUSING → BREAKING → IDLE

   • IDLE: 等待空闲触发，启动FOCUSING
   • FOCUSING: 计时 25min，期间拦截非核心插件调用（通过 harness 的plugin_blacklist配置）
   • BREAKING: 计时 5min，期间允许所有插件，但向模型发送summarize_session指令

   状态变更时，向 harness 的state写入timer_state和elapsed_seconds，供其他插件读取。

3. 模型协同：结构化指令驱动摘要生成
   BREAKING状态结束时，不生成文本，而是构造一个 JSON 指令：

   { "action": "summarize_session", "params": { "focus_duration": 25, "tasks_touched": ["t-001", "t-002"], "code_lines_added": 42, "errors_encountered": ["ModuleNotFoundError: requests"] } }

   harness 将此 JSON 作为 system message 注入下一轮 prompt，模型据此生成：“本次专注 25 分钟，完成了登录漏洞修复（t-001），新增 42 行代码，遇到 requests 未安装问题，建议运行pip install requests”。

实操心得：番茄钟的plugin.yaml必须声明triggers: [on_state_change]，并在on_state_change中监听timer_state变更。我最初把计时逻辑放在on_before_invoke，结果模型每次响应都重置计时器——正确做法是让计时器独立运行，只在状态变更时通知 harness。

4. 实操部署与配置：从零到可用的完整链路

4.1 环境准备：deepseek-harness 的最小可行安装

deepseek-harness 的安装不是pip install一步到位，而是二进制分发 + 配置驱动。官方推荐方式是下载预编译二进制：

# 下载最新版（以 v0.8.2 为例） curl -L https://github.com/deepseek-ai/deepseek-harness/releases/download/v0.8.2/deepseek-harness-linux-x86_64 -o dsh chmod +x dsh # 初始化配置 ./dsh init --model deepseek-coder-33b-instruct --port 8000

dsh init会生成~/.dsh/config.yaml，关键配置项：

model: name: "deepseek-coder-33b-instruct" path: "/path/to/model" # 本地 GGUF 文件路径 backend: "llama.cpp" # 支持 llama.cpp / vLLM / Ollama plugins: enabled: ["balance-capsule", "task-panel", "pomodoro"] directory: "~/.dsh/plugins" # 插件根目录 state_store: backend: "sqlite" # 推荐，比 memory 更可靠 path: "~/.dsh/state.db"

注意：model.path必须指向已量化好的 GGUF 文件（如deepseek-coder-33b-instruct.Q4_K_M.gguf），不能是原始 PyTorch 模型。我试过直接用 HuggingFace 模型路径，harness 启动时报错Unsupported model format——GGUF 是 llama.cpp 生态的通用格式，必须提前转换。

4.2 插件安装：三步完成插件注册与启用

插件安装不是复制文件，而是注册 + 启用 + 验证：

1. 注册插件：将插件目录（含plugin.yaml和main.py）放入~/.dsh/plugins/：

   mkdir -p ~/.dsh/plugins/balance-capsule cp plugin.yaml main.py ~/.dsh/plugins/balance-capsule/

2. 启用插件：编辑~/.dsh/config.yaml，在plugins.enabled列表中添加插件名：

   plugins: enabled: ["balance-capsule", "task-panel", "pomodoro"]

3. 验证插件：启动 harness 并检查日志：

   ./dsh serve # 查看输出是否含： # INFO: Loaded plugin 'balance-capsule' (v1.2.0) # INFO: Plugin 'balance-capsule' registered for trigger 'on_before_invoke'

   若报错Plugin 'xxx' not found，检查plugin.yaml中的name字段是否与目录名一致（harness 严格匹配）；若报错Invalid schema，用jsonschema库校验plugin.yaml的inputs/outputs是否符合规范。

4.3 首次运行与调试：如何确认插件真正在工作？

不要依赖日志，要用可观察的行为验证：

• 余额胶囊验证：启动 harness 后，用 curl 发送测试请求：

  curl -X POST http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "messages": [{"role": "user", "content": "show me current disk usage"}], "model": "deepseek-coder-33b-instruct" }'

  检查响应中的system_context是否含"resources"字段，且值为结构化 dict，而非字符串。

• 任务面板验证：在 CLI 中运行：

  dsh task new "Test task" # 创建新任务 dsh task list # 应显示刚创建的任务

  然后在 chat 中输入 “@task t-001 add note: will fix tomorrow”，再dsh task show t-001，确认notes字段已更新。

• 番茄钟验证：启动 harness 后，保持终端 60 秒无输入，观察日志是否出现INFO: Timer state changed: IDLE -> FOCUSING；然后等待 25 分钟，检查是否触发summarize_session指令。

实操心得：调试插件时，务必开启 harness 的 debug 日志：./dsh serve --log-level debug。插件的print()输出会重定向到 harness 日志，而非 stdout，这是新手常踩的坑——你以为print("debug")会显示在终端，其实它藏在~/.dsh/logs/harness.log里。

4.4 性能调优：如何让插件不拖慢模型响应？

插件虽小，但不当使用会显著增加延迟。我的调优策略：

• 异步采集：余额胶囊的nvidia-smi调用用asyncio.to_thread()包装，避免阻塞事件循环。实测显示，同步调用平均增加 120ms 延迟，异步降至 15ms。
• 缓存机制：任务面板的 YAML 文件读取加@lru_cache(maxsize=1)，避免每次响应都解析磁盘文件。
• 条件触发：番茄钟的空闲检测只在on_state_change中运行，而非每秒轮询；余额胶囊只在用户输入含build/train/docker时才执行全量采集，日常只返回内存数据。
• 超时熔断：所有插件invoke()方法设timeout=2.0，超时则返回默认值（如{"resources": {"memory": "unknown"}}），确保模型响应不被插件拖垮。

最终效果：启用全部三个插件后，平均响应延迟从 850ms（纯模型）增至 920ms（+70ms），在可接受范围内。若关闭所有插件，延迟为 830ms——证明插件开销可控。

5. 常见问题与排查技巧：那些文档里不会写的实战陷阱

5.1 插件不触发？先检查这五个致命点

插件“注册成功但不工作”是最常见问题，根源往往在配置细节：

提示：harness 的--log-level debug会输出每个插件的invoke调用详情，包括输入参数和返回值。这是定位问题的第一手资料，比猜更有用。

5.2 余额胶囊返回乱码？GPU 监控失效的真相

nvidia-smi输出乱码或返回空，通常不是插件问题，而是环境权限与驱动兼容性问题：

• SSH 会话无 GPU：在远程服务器上，nvidia-smi需要 X server 或nvidia-persistenced服务。解决方案：sudo systemctl start nvidia-persistenced，或改用nvidia-ml-py3库（纯 Python，不依赖 CLI）。
• WSL2 GPU 支持不全：WSL2 默认不暴露 GPU 设备。需在 Windows 上安装 WSL2 GPU 支持，并在 WSL 中运行nvidia-smi前执行export DISPLAY=:0。
• 容器内权限不足：若 harness 运行在 Docker 中，需添加--gpus all和--device /dev/nvidiactl:/dev/nvidiactl参数，否则nvidia-smi无法访问设备。

我最终选择nvidia-ml-py3库，因为它直接调用 NVIDIA Management Library（NVML）API，绕过 CLI 层，稳定性提升 90%。安装只需pip install nvidia-ml-py3，代码替换为：

import pynvml pynvml.nvmlInit() handle = pynvml.nvmlDeviceGetHandleByIndex(0) mem_info = pynvml.nvmlDeviceGetMemoryInfo(handle) return {"used_gb": mem_info.used / 1024**3, "total_gb": mem_info.total / 1024**3}

5.3 任务面板 YAML 被覆盖？并发写入的隐形杀手

多个插件同时写tasks.yaml时，会出现“最后写入者获胜”，导致任务丢失。这不是 bug，而是文件系统的固有特性。解决方案：

• SQLite 后端：将state_store.backend改为sqlite，任务数据存入~/.dsh/state.db，利用数据库事务保证原子性。
• 文件锁：在写入 YAML 前，用portalocker库加锁：

  import portalocker with open("tasks.yaml", "r+") as f: portalocker.lock(f, portalocker.LOCK_EX) # 读取、修改、写入 portalocker.unlock(f)

• 乐观并发控制：每次写入前读取当前版本号，写入时校验版本未变，若已变则重试。我采用此方案，配合version字段，实测在 100 次并发写入中 0 冲突。

5.4 番茄钟计时不准确？空闲检测的跨平台陷阱

空闲检测在不同终端表现迥异：

• tmux/screen 会话：键盘事件被 multiplexer 拦截，evdev无法捕获。解决方案：改用tmux show-options -g | grep -q "remain-on-exit"检测是否在 tmux 中，若是则降级为last_command_time（记录history最后一条命令时间）。
• VS Code Remote-SSH：SSH 会话不传递键盘事件。解决方案：在 VS Code 设置中启用"remote.SSH.enableAgentForwarding": true，让本地pynput监听转发的事件。
• MacOS Terminal：evdev不可用。改用IOKit框架的IOHIDManager，通过pyobjc调用：

  from PyObjCTools import Conversion from IOKit.hid import IOHIDManagerCreate # 监听 HID 设备事件

最终，我为番茄钟实现了三套空闲检测后端，运行时自动选择最优方案，确保在 95% 的开发环境中可靠工作。

6. 进阶扩展：这三个插件如何演变为你的个人 AI 开发操作系统？

6.1 从插件到生态：如何基于 harness 构建领域专用智能体？

余额胶囊、任务面板、番茄钟只是起点。它们的架构设计天然支持横向扩展：

• 余额胶囊 → DevOps 监控中心：增加k8s_pod_status、docker_container_count、git_dirty_files等采集项，让模型在生成部署脚本前，自动检查集群健康状态。
• 任务面板 → 代码知识图谱：将任务关联的代码文件、PR 链接、错误日志存入 Neo4j，模型可回答“修复 t-001 时修改了哪些函数？它们被哪些测试覆盖？”。
• 番茄钟 → 学习进度引擎：记录每次summarize_session的代码行数、错误类型、模型建议采纳率，生成个人技能热力图，驱动个性化学习路径。

关键在于，所有扩展都复用 harness 的插件框架——无需重写调度器、状态管理、CLI 工具，只需专注业务逻辑。我已将余额胶囊升级为devops-capsule，支持 AWS EC2 实例监控，只需新增一个aws-cli采集模块，其余不变。

6.2 与 IDE 深度集成：让插件在 PyCharm/VS Code 中原生运行

harness 的插件能力可通过 Language Server Protocol（LSP）暴露给 IDE：

• PyCharm 插件开发：用 JetBrains 的com.intellij.openapi.project.ProjectAPI，