生命不息，折腾不止。系列收官篇——把前几篇的模型、插件、多 Agent、MCP 全串起来，让 dsh 从「会聊天的工具」变成一个能自己按时干活的自动化工作台。

一、收官：一张完整工作台的拼图长啥样

从 8 月 22 号到现在，这个系列已经把 dsh 的核心能力走了一遍：

  • 接模型：装好 dsh、接中转站、换模型（settings.yaml）
  • 写插件：apply(ctx) + defineTool，给 Agent 加自己的工具
  • 多 Agent：subagent / subagent_fork 派活，主 Agent 当项目经理
  • 外部工具：dsh-mcp-client 一个 yaml 接一个 MCP server

但能力是散的。真正的工作台，得把这些串成一条自动流转的流水线：定时触发 → 拆任务 → 多 Agent 并行 → 汇总 → 落盘。这一篇就干这件事，核心是三样东西：workflow（编排）、dsh-schedule（定时）、jobs/goal（长任务管理）。

二、workflow 工具：agent / pipeline / parallel 三个原语

workflow 工具（@deepseek-ai/dsh-tool-workflow）是 dsh 官方的多 Agent 编排器。它让模型执行一段纯 JS 编排脚本，脚本里用三个原语把活分发出去，最后把脚本的返回值交回主 Agent：

  • agent()：跑一个子 Agent，返回它的最终文本（或一个经过 schema 校验的对象）；子 Agent 失败/出错时返回 null，所以脚本里记得过滤
  • pipeline()：把一批条目按阶段流水线式推进——条目 A 在第三阶段时，条目 B 可能还在第一阶段，各走各的
  • parallel()：并发屏障——所有任务都跑完才继续，适合「一起开跑、最后汇总」

一句话选型：独立小任务用普通 subagent；一两个子任务别动用 workflow；大量扇出（并行抓取、并行审计）才上 workflow。官方给的最小例子长这样：

1
2
3
4
5
6
7
8
9
// workflow 工具的 script 参数：纯 JS，支持顶层 await
async function main(args) {
  const items = await parallel([
    () => agent('Scrape site A', { label: 'A' }),
    () => agent('Scrape site B', { label: 'B' }),
    () => agent('Scrape site C', { label: 'C' }),
  ])
  return items.filter(Boolean)
}

注意 agent() 的第一个参数就是给子 Agent 的任务描述，label 只是给人看的标签。并行派出去三个「采集员」，最后把成功的结果（非 null）过滤出来汇总。

三、用 workflow 跑一次真活：并行采集 + 汇总

把上面那个例子套到真实场景——每天产出一份「AI 领域快讯」。改成三个子 Agent 各管一个方向：

1
2
3
4
5
6
7
8
async function main(args) {
  const parts = await parallel([
    () => agent('搜索今天 AI 大模型领域的重要新闻，挑 3-5 条，每条一句话总结', { label: 'news' }),
    () => agent('搜索今天 AI Agent / 智能体相关的开源项目和工具更新，挑 3 个', { label: 'agent' }),
    () => agent('搜索今天 DeepSeek 官方及社区的重要动态，挑 3 条', { label: 'deepseek' }),
  ])
  return parts.filter(Boolean)
}

跑完你拿到的就是三份结构化结果。想让日报更规整，还可以在后面再接一个 agent() 做「总编」：把 parts 拼成一段带标题分节的日报。这里多提一嘴成本：多 Agent 扇出最烧 token 和并发，模型端如果指向 ai.aklibk.com 这种 OpenAI 兼容中转接口，多模型按场景切换、按量计费，跑批量的性价比会高不少（国产框架卖点就是「多模型对接 + 便宜」，不是别的那套）。不用就跳过。

四、定时任务 dsh-schedule：让工作台自己转起来

workflow 负责「怎么干」，定时还得靠另一个插件。官方内置的 schedule 工具偏「定时提醒」，真要按 cron 自动触发 Agent 干活，社区的 dsh-schedule（csiroqa 维护，MIT 协议）是成熟方案：到点自动创建一次性 Agent、跑任务、把会话日志落盘。

装它（需要 Node >= 22 和 pnpm）：

1
2
3
4
5
6
git clone https://github.com/csiroqa/dsh-schedule.git
cd dsh-schedule
pnpm install
pnpm build
dsh plugin --profile web add link:$(pwd)   # Windows 用 link:E:\path\to\dsh-schedule
dsh web                                      # 重启后浏览器 Ctrl+F5 硬刷新

装好后，在会话里用斜杠命令管理任务：

1
2
3
4
5
6
/schedule add 0 9 * * * 每天上午9点总结昨天的进展
/schedule list          # 查看任务
/schedule run           # 立即跑一次
/schedule pause         # 暂停
/schedule remove        # 删除
/status                 # 看进程、CPU、内存、会话、Agent、插件、模型状态

cron 是标准的五段式，字段顺序 minute hour day month week，0 9 * * * 就是每天 9 点。任务记录持久化在 $DSH_HOME/schedule.json（原子写入），单次任务默认 30 分钟超时保护，防挂死。

把第三节的 workflow 任务描述塞进 /schedule add，每天早上 9 点它就会自动开工——这才是「全自动工作台」的最后一块拼图。

五、长任务收尾：jobs / goal / ralph 各管什么

工作台跑起来后，还有三个「管家」要认识，它们职责不同，别用混：

  • jobs：job_list / job_output / job_kill——统一的后台任务注册表，不管任务是 bash 后台命令还是后台子 Agent，都能查、能取结果、能杀。
  • goal：会话级的长期目标，带 phase 和 round cap（轮次上限）。这个上限很关键——一个没边界的目标，是让 Agent 账单失控的最快方式。
  • ralph：为一个固定目标反复迭代的循环——每一轮开一个全新子 Agent，不继承上一轮对话上下文，只传一份有界的交接报告，靠共享工作区当长期记忆。适合「目标稳定、需要一轮轮试错推进」的活。

一句话记忆：workflow 是你写脚本、脚本调度一批 Agent；ralph 是目标不动、每轮换个全新 Agent 继续推。多数场景 workflow + schedule 就够用了，ralph 留给真正的长程迭代任务。

六、总结与踩坑速查

到这儿，dsh 系列收官：模型、插件、多 Agent、MCP、工作流、定时任务全部走通，一张「能自己按时干活」的自动化工作台就搭起来了。最后把这一篇的坑列清楚：

  1. 一两个子任务别上 workflow：直接 subagent 就行，workflow 留给大批量扇出，省得绕远路。
  2. 脚本里记得 .filter(Boolean)：agent() 失败返回 null，不过滤会带着 null 继续往下跑。
  3. pipeline 和 parallel 别混：parallel 是「全部跑完再继续」的屏障；pipeline 是「各条目独立走完各阶段」，阶段间不互相等。
  4. 定时任务是无值守执行的：它拿着当前 dsh 账号的权限跑，能读写文件、执行命令——只加你信得过的任务描述。
  5. 别把 dsh 端口暴露到公网：dsh 默认只绑本机（loopback），/dsh-schedule/* 这些端点也只监听本机，公网裸奔会出大事。
  6. 长期目标设 round cap：没有轮次上限的 goal 是账单黑洞。

生命不息，折腾不止。DeepSeek Harness 系列到此完结。下一篇开新坑——《Claude Code 实战系列》第一篇：从安装配置到把命令行 AI 变成你的自动化搭子，咱们下回见。