DeepSeek Harness（DSH）是 DeepSeek 开源的 Agent Harness，由 Cordis 微内核驱动，采用"一切皆插件"的架构。模型、工具、持久化和 Agent loop 都可以按需组合。Harness 很像 Agent 的"驾驶舱"：它把模型的思考和工具的执行串成一个循环，让 Agent 不只是回答问题，还能持续规划、动手，并根据执行结果决定下一步。DSH 开源后，社区很快开始围绕它开发各种插件。随着生态逐渐成熟，我们相信会有越来越多团队用它构建自己的 Agent 产品。不过，本地跑通单机 DSH 并不难，难的是基于 DSH 构建一个能够稳定服务大量用户的生产级 Agent 应用。我们真正需要回答的，已经不是"能不能跑"，而是"怎样跑得稳、跑得省，还能方便扩展"。
当前 个体提效 ≠ 组织提效 成了很多团队的痛点。本文阐述了腾讯健康从PM视角对这一现象进行Debug的过程。最终取得的结果是：中位交付周期从 19 天降到 9 天 ，提效比例52.6%；P85交付周期 从 52 天降到 23 天，提效比例55.8%；30 天以上的长尾需求占比从 35% 收敛到 7%。
腾讯云轻量云有一套用来组织 AI 开发的工作流Devflow：我只需要把需求交给它，它会先判断任务规模：改动较小，就由一个 Agent 从分析到实现直接完成；涉及范围较大，则先和我确认需求边界，再让负责方案设计、代码开发、代码审查和测试验证的不同 Agent 依次接手。
Coding Agent 正在快速扩大一个人的工作边界，但企业研发的瓶颈并没有因此自动消失。任务一旦跨越成员、Session、代码分支和权限域，真正稀缺的往往不是生成代码的能力，而是“协作的带宽”。本文从 OPC、协作带宽和孙天祥提出的三层 AI 组织架构出发，重点介绍 TencentDB Agent Memory 在团队记忆上的工程实践：我们如何把任务轨迹、项目知识、代码结构和工作方法转成可治理的记忆资产，如何从 2,600 个 Session、Redis 真实研发 Case 和访谈中校正产品设计，以及如何用“前序 Case 学习、后序 Case 验证”的方式，在 SWE-bench 相关任务上观察到完成率从 60% 提升到 80%；在 Top 50 超长难任务中降低19%成本的同时提升了成功率。
当 Agent 成为团队一线生产力，知识供给的问题随之暴露：检索不准、注入低效、过时内容越堆越多。本文记录安全中心团队从定目标、搭体系到跑通知识飞轮的完整过程，包括关键决策背后的思考、踩过的坑，以及可直接复用的方法。当团队开始用 Agent 做研发和运营，一个问题很快浮出来：Agent 的输出质量，直接取决于你能给它什么质量的知识。怎么让知识「产得出、找得准、喂得进、淘汰得掉」，是每个上了 Agent 的团队都要解决的工程问题。本文章是基于团队搭建AI知识体系的实践，写建知识库整个过程的思考、踩过的坑，以及可直接复用的方法。
