感觉要创建第一个中国提出的AI规范了
传统 Agent 架构的思路是不断给 agent 增加更多能力和工具，每次任务后分析不足再改进，以适应各种场景。而新的范式研究的是让 agent 突破自身能力的固定边界，在任务中根据实际情况动态自进化。
核心架构思路是把所有能力做成"port"（插件化），分为 harness 级别和脚本级别。核心逻辑只有一个最简单的 loop：调工具→思考→拿结果→回去。所有东西都是插件，插件可动态加载，因此 agent 能自己给自己写工具、自己找 harness 组件（如 subagent 或多智能体）。运行时直接 bash/node 启动一组 ts 脚本即可——相当于只有一个很强的大脑，手脚按照任务自主装卸。
动态加载的范围是层层递进的：skill 可动态加载 → 工具也行 → 自定义 agent 也行 → agent 运行状态也行 → 甚至可以自己写 workflow。每个 node 都是动态生成的 agent。
"探索"这一步可以做多路径探索，最后异步汇总生成"经验"。经验可以做得很大，比如直接生成一个带有特定工具和 skill 的 agent，甚至 harness 也可以生成，因为本质都是 ts 脚本和 md。结合多路径探索，可以切换到不同 runtime 的 agent 运行状态——不只是会话分叉，而是编程级别的 runtime 分叉。
这里引出一个关键问题：可回溯性。以前维护多状态依赖 git，但 git 不适合 AI 使用，能回溯的内容太有限——git 是给工作区用的，agent 的状态管理需要更重的机制。理想情况下，组件被移除时，它对共享环境做过的一切副作用必须能被完整、安全地撤销：资源申请、事件注册、状态变更都被追踪并有序回收。分叉探索出去的 path 做 thread 级别隔离，本质上是不同结构 agent 在同一节点后续的生成结果。
deepseek agent开发 harness 人工智能ai DeepSeekHarness发布 deepseekharness 大模型 AI人工智能