在构建企业级应用时我们常常面临一个核心挑战如何让AI模型不仅仅是“能聊天”而是能真正理解并处理复杂的业务逻辑比如精准查询内部知识库、调用特定API、执行多步骤任务传统的对话模型往往停留在通用问答层面难以深度融入企业工作流。DeepSeek Harness的出现正是为了解决这一痛点它提供了一个强大的框架让我们能够像搭积木一样将大语言模型LLM与工具、知识、记忆等组件结合打造出真正“智能”且“可用”的AI智能体Agent。本文将以构建一个“工业级知识库智能体”为实战目标手把手带你从零开始完成从环境搭建、Agent设计、Skills技能开发、插件集成到最终部署与优化的全流程。无论你是想为团队搭建一个智能客服助手还是希望将AI能力深度嵌入产品这篇文章都将提供一套完整、可复现的落地方案。1. 智能体Agent与DeepSeek Harness核心概念解析在深入实战之前我们需要厘清几个关键概念这有助于理解我们正在构建的是什么以及Harness框架在其中扮演的角色。1.1 什么是AI智能体Agent简单来说一个AI智能体是一个能够感知环境、进行决策并执行动作以达成目标的程序。与我们熟悉的ChatGPT这类纯聊天模型不同智能体具备几个关键能力工具使用Tool Use可以调用外部工具如搜索引擎、计算器、数据库API、企业内部系统接口等。记忆Memory拥有短期会话记忆和长期记忆向量数据库能记住对话历史和用户偏好。规划Planning能够将复杂任务分解为可执行的子步骤并动态调整计划。自主执行Autonomy在给定目标和约束下可以自主运行无需用户每一步都给出指令。我们本次要构建的“知识库智能体”就是一个典型的工具增强型Agent其核心能力是查询企业内部的非结构化文档如产品手册、技术文档、合同等并给出精准回答。1.2 DeepSeek Harness是什么DeepSeek Harness是一个用于构建、评估和部署大语言模型应用的开发框架与平台。你可以把它理解为AI智能体的“集成开发环境”和“运行时引擎”。它的核心价值在于组件化将Agent所需的模型、提示词Prompt、记忆、工具等抽象为标准化组件便于编排和复用。可视化编排通过低代码界面或配置文件以工作流Workflow的形式设计Agent的执行逻辑。技能Skills管理将具体的功能封装成独立的Skill例如“查询天气”、“搜索知识库”、“生成SQL”Agent可以按需调用。便捷集成轻松集成多种大模型如DeepSeek系列、GPT、Claude等、向量数据库如Chroma、Weaviate和外部API。生产就绪提供部署、监控、日志等生产环境所需的能力。简而言之Harness降低了构建复杂AI应用的门槛让我们能聚焦于业务逻辑本身。1.3 核心组件Skills、插件与Agent预设Skills技能这是Agent能力的基石。一个Skill就是一个可执行单元通常对应一个工具函数或一个复杂的工作流。例如search_knowledge_base就是一个Skill它内部会调用向量检索接口。在Harness中你可以用Python函数或YAML配置文件来定义Skill。插件Plugins插件可以看作是预构建的、功能更复杂的Skills包或集成模块。例如一个“GitHub插件”可能封装了搜索仓库、创建Issue等多个相关Skills。Harness社区和官方可能会提供一些插件你也可以自己开发。Agent预设Agent Presets这是一套预定义的配置模板包括Agent的角色设定、系统提示词、默认启用的Skills、记忆配置等。使用预设可以快速创建一个特定类型的Agent如“客服助手”、“数据分析师”无需从零开始配置。我们本次实战将涵盖开发自定义的“知识库查询”Skill集成必要的“向量数据库”插件并基于一个合理的预设来配置我们的专属Agent。2. 环境准备与项目初始化工欲善其事必先利其器。我们先来搭建开发环境并初始化项目。2.1 环境与工具要求操作系统Windows 10/11, macOS, 或 Linux (Ubuntu 20.04 推荐)。本文以 Ubuntu 22.04 为例其他系统命令略有差异。Python版本 3.9 或 3.10。确保已安装python3和pip。版本控制Git。包管理推荐使用venv或conda创建虚拟环境。DeepSeek API Key你需要一个DeepSeek平台的账户并获取其API Key。这是Agent的“大脑”。请前往DeepSeek官方平台注册获取向量数据库我们将使用轻量级的ChromaDB它易于本地部署。2.2 初始化项目与安装依赖首先创建我们的项目目录并初始化虚拟环境。# 创建项目目录 mkdir industrial-knowledge-agent cd industrial-knowledge-agent # 创建虚拟环境 (Linux/macOS) python3 -m venv venv source venv/bin/activate # Windows 使用 venv\Scripts\activate # 升级pip pip install --upgrade pip接下来安装核心依赖。目前DeepSeek Harness可能通过其Python SDK或特定方式提供。我们假设其核心SDK为harness-sdk同时安装其他必要库。# 安装假设的Harness SDK、OpenAI兼容库DeepSeek API兼容此格式、向量数据库客户端等 pip install openai chromadb pypdf sentence-transformers # 注意harness-sdk 包名仅为示例请根据DeepSeek Harness官方文档确认实际包名。 # 例如可能是 deepseek-harness 或通过 git 安装。 # pip install githttps://github.com/deepseek-ai/harness-sdk.git由于Harness的具体安装方式可能变化请务必查阅其官方GitHub仓库或文档获取最新安装命令。2.3 项目结构规划一个清晰的项目结构有助于后期维护。我们创建如下目录和文件industrial-knowledge-agent/ ├── .env # 存储敏感信息如API Key ├── requirements.txt # 项目依赖列表 ├── app.py # 主应用入口Agent运行逻辑 ├── skills/ # 自定义Skills目录 │ ├── __init__.py │ └── knowledge_skill.py # 知识库查询Skill ├── data/ # 存放知识库原始文档PDFTXT等 │ └── product_manual.pdf ├── vector_db/ # ChromaDB数据存储目录 └── config/ # 配置文件目录 └── agent_preset.yaml # Agent预设配置文件创建基础文件mkdir -p skills data vector_db config touch .env app.py skills/__init__.py skills/knowledge_skill.py config/agent_preset.yaml requirements.txt将依赖项写入requirements.txtopenai1.0.0 chromadb0.4.0 pypdf3.0.0 sentence-transformers2.2.0 # harness-sdk # 根据实际情况添加3. 核心组件开发知识库Skill与向量数据库集成这是智能体的“心脏”。我们将实现一个Skill能够将用户问题转化为向量并从本地知识库中检索最相关的文档片段。3.1 构建知识库向量化首先我们需要一个函数将data/目录下的文档如PDF进行读取、分块、向量化并存储到ChromaDB中。这个过程通常称为“知识库嵌入”。创建文件skills/knowledge_base.py# skills/knowledge_base.py import os from typing import List import chromadb from chromadb.config import Settings from pypdf import PdfReader from sentence_transformers import SentenceTransformer class KnowledgeBase: def __init__(self, persist_directory: str ./vector_db, collection_name: str industrial_docs): 初始化知识库。 :param persist_directory: 向量数据库持久化目录 :param collection_name: Chroma集合名称 self.persist_directory persist_directory self.collection_name collection_name # 使用一个开源的嵌入模型例如 all-MiniLM-L6-v2 self.embedding_model SentenceTransformer(all-MiniLM-L6-v2) # 初始化Chroma客户端允许重置 self.client chromadb.PersistentClient( pathpersist_directory, settingsSettings(allow_resetTrue) ) # 获取或创建集合 self.collection self.client.get_or_create_collection( namecollection_name, metadata{hnsw:space: cosine} # 使用余弦相似度 ) def _extract_text_from_pdf(self, pdf_path: str) - List[str]: 从PDF文件中提取文本并分块。 reader PdfReader(pdf_path) text_chunks [] for page in reader.pages: text page.extract_text() if text: # 简单的按句子或固定长度分块实际生产环境需更精细 sentences text.replace(\n, ).split(. ) for sentence in sentences: if len(sentence) 30: # 过滤过短的句子 text_chunks.append(sentence.strip()) return text_chunks def ingest_documents(self, data_dir: str ./data): 读取指定目录下的文档处理并存入向量数据库。 documents [] metadatas [] ids [] current_id 0 for filename in os.listdir(data_dir): file_path os.path.join(data_dir, filename) if filename.endswith(.pdf): print(f正在处理: {filename}) chunks self._extract_text_from_pdf(file_path) for chunk in chunks: documents.append(chunk) metadatas.append({source: filename}) ids.append(fdoc_{current_id}) current_id 1 # 可以扩展支持 .txt, .md 等格式 if documents: # 生成嵌入向量 print(正在生成文本嵌入向量...) embeddings self.embedding_model.encode(documents).tolist() # 添加到集合 self.collection.add( documentsdocuments, embeddingsembeddings, metadatasmetadatas, idsids ) print(f知识库更新完成新增 {len(documents)} 个文本块。) else: print(未发现可处理的文档。) def query(self, query_text: str, n_results: int 3) - List[dict]: 查询知识库。 :param query_text: 用户查询文本 :param n_results: 返回最相关的结果数量 :return: 包含文档片段和元数据的列表 # 将查询文本转换为向量 query_embedding self.embedding_model.encode([query_text]).tolist()[0] # 执行相似性搜索 results self.collection.query( query_embeddings[query_embedding], n_resultsn_results, include[documents, metadatas, distances] ) # 格式化结果 formatted_results [] if results[documents]: for i in range(len(results[documents][0])): formatted_results.append({ content: results[documents][0][i], source: results[metadatas][0][i][source], relevance_score: 1 - results[distances][0][i] # 余弦距离转相似度 }) return formatted_results # 初始化并构建知识库的示例脚本 if __name__ __main__: kb KnowledgeBase() kb.ingest_documents() # 测试查询 test_results kb.query(产品的安全操作规程是什么) for res in test_results: print(f来源{res[source]}, 相似度{res[relevance_score]:.3f}) print(f内容{res[content][:200]}...\n)运行此脚本将data/下的PDF文档加载到向量数据库python skills/knowledge_base.py3.2 封装为Harness Skill接下来我们需要将上面的查询功能封装成一个Harness能够识别和调用的Skill。Skill通常是一个Python函数并辅以一些元数据描述。创建文件skills/knowledge_skill.py# skills/knowledge_skill.py import os from typing import Dict, Any from .knowledge_base import KnowledgeBase # 初始化全局知识库实例生产环境应考虑更优雅的单例或依赖注入 _KB_INSTANCE None def get_knowledge_base(): 获取知识库单例实例。 global _KB_INSTANCE if _KB_INSTANCE is None: _KB_INSTANCE KnowledgeBase() return _KB_INSTANCE def search_knowledge_base(query: str, top_k: int 3) - Dict[str, Any]: 知识库搜索Skill。 这是一个工具函数将被Harness Agent调用。 Args: query (str): 用户的查询问题。 top_k (int): 返回最相关的文档数量默认为3。 Returns: Dict: 包含检索结果和状态的字典。 try: kb get_knowledge_base() results kb.query(query, n_resultstop_k) if not results: return { status: success, message: 未在知识库中找到相关信息。, results: [] } # 将结果格式化为更易读的文本 formatted_output 以下是从知识库中检索到的相关信息\n\n for i, res in enumerate(results, 1): formatted_output f{i}. **来源文档**: {res[source]} (相关度: {res[relevance_score]:.2f})\n formatted_output f **内容**: {res[content]}\n\n return { status: success, message: f成功检索到 {len(results)} 条相关信息。, results: results, formatted_text: formatted_output } except Exception as e: return { status: error, message: f知识库查询过程中发生错误: {str(e)}, results: [] } # Skill的元数据定义用于在Harness中注册和描述 SKILL_METADATA { name: search_knowledge_base, description: 在企业内部知识库中搜索与用户问题相关的文档信息。当用户询问产品规格、操作流程、故障排除等内部知识时使用此技能。, parameters: { type: object, properties: { query: { type: string, description: 需要搜索的关键词或问题例如如何更换设备滤芯 }, top_k: { type: integer, description: 返回最相关结果的数量默认为3。, default: 3 } }, required: [query] }, returns: { description: 包含检索状态、消息和详细结果的字典。 } }这个SKILL_METADATA至关重要它遵循类似OpenAI Function Calling的格式告诉Harness和LLM这个Skill叫什么、做什么、需要什么参数。Agent在决定调用工具时会参考这些描述。4. 配置与构建DeepSeek Harness智能体现在我们将使用Harness框架将DeepSeek模型、记忆、以及刚开发的Skill组合成一个完整的Agent。4.1 配置Agent预设Harness通常通过一个YAML或JSON文件来定义Agent的预设。我们创建config/agent_preset.yaml# config/agent_preset.yaml name: Industrial_Knowledge_Assistant description: 一个专注于解答企业内部知识库问题的专业助手。 model: provider: openai # DeepSeek API 兼容 OpenAI 格式 name: deepseek-chat # 具体模型名称根据DeepSeek API文档调整 api_key: ${DEEPSEEK_API_KEY} # 从环境变量读取 base_url: https://api.deepseek.com # DeepSeek API 端点 system_prompt: | 你是一个专业、严谨的企业知识库助手。你的核心能力是使用search_knowledge_base工具来查询内部知识库并基于检索到的准确信息回答用户问题。 请严格遵守以下规则 1. 当用户问题涉及产品信息、操作指南、技术参数、安全规范、故障处理等公司内部知识时你必须优先调用search_knowledge_base工具。 2. 回答必须基于工具返回的知识库内容不要编造信息。如果知识库中没有相关信息请如实告知用户“根据现有知识库未找到相关信息”并建议其咨询相关同事。 3. 回答应清晰、有条理引用知识库来源。例如“根据《XX产品手册》第3章所述...”。 4. 对于与内部知识无关的闲聊或通用问题你可以直接利用自己的知识进行友好回答但需注意信息准确性。 5. 始终保持专业、乐于助人的态度。 skills: - name: search_knowledge_base # 与Python函数名一致 type: function module: skills.knowledge_skill # Skill所在的模块路径 metadata_ref: SKILL_METADATA # 指向模块中定义的元数据变量 memory: type: conversation_buffer # 使用对话缓冲记忆记住最近几轮对话 window_size: 10 # 记忆的对话轮数 # 其他可选配置如工具调用策略、温度等 generation_config: temperature: 0.1 # 较低的温度使回答更确定更适合知识问答 max_tokens: 20004.2 编写主应用逻辑创建app.py作为我们启动和与Agent交互的主程序。这里我们演示如何使用Harness SDK假设来加载预设并运行Agent。# app.py import os from dotenv import load_dotenv import yaml import asyncio # 假设的Harness SDK导入方式请根据官方文档调整 # from harness_sdk import Agent, load_preset # 加载环境变量 load_dotenv() # 模拟Harness SDK的核心交互逻辑 # 注意以下代码为概念演示实际API请参考DeepSeek Harness官方文档 class SimpleHarnessAgent: def __init__(self, preset_path: str): self.preset_path preset_path self.agent None self._load_preset() def _load_preset(self): 加载YAML预设配置文件。 with open(self.preset_path, r, encodingutf-8) as f: preset_config yaml.safe_load(f) # 从环境变量获取API Key并替换配置中的占位符 api_key os.getenv(DEEPSEEK_API_KEY) if not api_key: raise ValueError(请在 .env 文件中设置 DEEPSEEK_API_KEY 环境变量。) # 这里需要递归替换配置中的所有 ${VAR}简化处理 if isinstance(preset_config[model], dict): preset_config[model][api_key] api_key # 动态导入Skill函数 skill_configs preset_config.get(skills, []) registered_skills {} for sc in skill_configs: module_path sc[module] skill_name sc[name] # 简单演示动态导入 module __import__(module_path, fromlist[]) skill_func getattr(module, skill_name, None) if skill_func: registered_skills[skill_name] skill_func print(f已注册技能: {skill_name}) else: print(f警告: 在模块 {module_path} 中未找到函数 {skill_name}) # 在实际Harness SDK中这里会将配置、模型、技能等组装成Agent对象 # self.agent Agent(configpreset_config, skillsregistered_skills) print(Agent预设加载完成模拟。) self.registered_skills registered_skills self.system_prompt preset_config.get(system_prompt, ) self.model_config preset_config.get(model, {}) async def chat_cycle(self, query: str) - str: 简化的聊天循环判断是否需要调用Skill然后调用LLM生成回答。 真实Harness SDK会自动化处理工具调用链。 # 1. 这里应有逻辑让LLM判断是否需要调用工具。我们简化处理 # 如果问题包含“知识”、“手册”、“流程”、“如何操作”等关键词则调用工具。 need_search any(keyword in query.lower() for keyword in [如何, 怎样, 流程, 步骤, 手册, 知识, 规定, 安全]) tool_result if need_search and search_knowledge_base in self.registered_skills: print(f检测到知识类问题正在调用技能搜索...) tool_response self.registered_skills[search_knowledge_base](queryquery) if tool_response[status] success: tool_result tool_response.get(formatted_text, ) else: tool_result f工具调用失败: {tool_response[message]} # 2. 构建最终提示词给LLM # 这里极度简化实际Harness会构建复杂的消息历史和管理工具调用。 messages [ {role: system, content: self.system_prompt}, ] if tool_result: messages.append({role: user, content: f用户问题{query}\n\n知识库检索结果{tool_result}\n\n请根据以上信息回答用户问题。}) else: messages.append({role: user, content: query}) # 3. 调用DeepSeek API (兼容OpenAI格式) # 注意此为模拟实际应使用Harness封装的模型调用或直接使用openai库 print(正在调用DeepSeek模型生成回答...) final_answer await self._mock_llm_call(messages) return final_answer async def _mock_llm_call(self, messages): 模拟LLM调用。实际项目中应替换为真实的Harness模型调用或OpenAI SDK调用。 # 此处仅为演示返回一个模拟回答 await asyncio.sleep(0.5) # 模拟网络延迟 user_query messages[-1][content] if 知识库检索结果 in user_query: return f基于知识库检索到的信息我已找到相关答案。 此处应整合检索结果形成连贯、专业的回答。 例如根据知识库文档更换设备滤芯的步骤如下1. 关闭电源2. ... 操作时请务必遵守《安全手册》第5章的规定。 如果您需要更详细的某个步骤可以继续提问。 else: return 这是一个通用问题。我是您的知识库助手如需查询内部产品文档或操作流程请直接提问。 async def main(): # 初始化Agent agent SimpleHarnessAgent(preset_path./config/agent_preset.yaml) print(工业级知识库智能体已启动输入 exit 退出。) print(- * 50) while True: try: user_input input(\n用户: ).strip() if user_input.lower() in [exit, quit]: print(再见) break if not user_input: continue # 异步获取回答 response await agent.chat_cycle(user_input) print(f\n助手: {response}) except KeyboardInterrupt: print(\n程序被中断。) break except Exception as e: print(f\n发生错误: {e}) if __name__ __main__: # 运行异步主函数 asyncio.run(main())4.3 配置环境变量并运行在项目根目录创建.env文件填入你的DeepSeek API Key# .env DEEPSEEK_API_KEYyour_deepseek_api_key_here现在运行我们的智能体python app.py你应该能看到技能注册成功的提示并可以开始进行问答。当输入“如何更换设备滤芯”这类问题时模拟的逻辑会触发知识库搜索技能。5. 进阶插件集成与Agent优化基础的Agent已经能工作但要达到“工业级”我们还需要考虑扩展性、可靠性和性能。5.1 集成更多插件例如网络搜索一个强大的Agent不应局限于内部知识。我们可以集成一个网络搜索插件如Serper API、DuckDuckGo当知识库没有答案时自动搜索公开信息。假设我们有一个web_search_skill# skills/web_search_skill.py import requests import os def search_web(query: str, num_results: int 5): 使用Serper API进行网络搜索示例需要注册获取API KEY。 api_key os.getenv(SERPER_API_KEY) url https://google.serper.dev/search payload {q: query, num: num_results} headers {X-API-KEY: api_key, Content-Type: application/json} response requests.post(url, jsonpayload, headersheaders) if response.status_code 200: return response.json() else: return {error: f搜索失败: {response.status_code}} SKILL_METADATA { name: search_web, description: 在互联网上搜索最新信息。当问题涉及实时新闻、公开技术标准或知识库中未包含的通用知识时使用。, # ... 参数定义 }然后在agent_preset.yaml的skills列表中添加这个新技能并更新system_prompt指导Agent在知识库无果时尝试网络搜索。5.2 优化Agent决策逻辑在app.py的简化逻辑中我们用了关键词判断。在实际的Harness或LangChain等框架中这是由LLM本身通过“函数调用Function Calling”能力决定的。我们需要在system_prompt中更精细地描述技能的使用场景并确保模型配置支持函数调用。一个更优的system_prompt补充...前述规则... 6. 工具调用决策流程 a. 判断用户问题是否明确属于公司内部知识范畴如产品X的型号Y的参数。 b. 如果是直接调用 search_knowledge_base。 c. 如果问题很泛或疑似内部知识但不确定可以先调用 search_knowledge_base。 d. 如果 search_knowledge_base 返回无结果或结果相关性低且问题是公开的、非机密的可以调用 search_web。 e. 将工具返回的结果整合到你的思考中形成最终答案。5.3 实现对话记忆与上下文管理在我们的预设中配置了conversation_buffer记忆。在实际运行时Harness会自动维护一个对话历史列表。这意味着Agent能记住之前的问答实现多轮对话。例如用户“我们设备A的最大功率是多少”Agent调用知识库Skill并回答“设备A的最大功率是1500W。”用户“那它的运行温度范围呢”Agent能理解“它”指代“设备A”并在新的查询中关联上下文可能生成更准确的查询语句“设备A 运行温度范围”。6. 部署与生产环境考量将开发好的Agent部署上线需要考虑以下方面6.1 部署方式Web API服务使用FastAPI或Flask将Agent包装成REST API供前端或其他系统调用。# api_server.py (示例片段) from fastapi import FastAPI, HTTPException from pydantic import BaseModel app FastAPI() agent SimpleHarnessAgent(preset_path./config/agent_preset.yaml) class QueryRequest(BaseModel): question: str session_id: str None app.post(/chat) async def chat_endpoint(request: QueryRequest): try: answer await agent.chat_cycle(request.question) return {answer: answer, session_id: request.session_id} except Exception as e: raise HTTPException(status_code500, detailstr(e))使用uvicorn运行uvicorn api_server:app --host 0.0.0.0 --port 8000集成到现有应用将Agent模块作为服务引入到你的Python后端项目中。使用Harness平台如果DeepSeek Harness提供云托管或Docker镜像可以按照其官方指南进行部署通常能获得更好的监控和管理功能。6.2 性能与可扩展性优化向量数据库优化对于海量文档考虑使用性能更强的向量数据库如Weaviate, Qdrant, Pinecone并建立高效的索引如HNSW。嵌入模型选择根据语种和领域选择更合适的嵌入模型如bge-large-zh对于中文效果更好。缓存对常见的查询结果进行缓存减少对向量数据库和LLM的重复调用。异步处理确保I/O密集型操作如网络请求、数据库查询使用异步模式避免阻塞。技能超时与重试为每个Skill设置超时和重试机制提高系统鲁棒性。6.3 监控与日志日志记录详细记录每个用户请求、调用的技能、消耗的Token数、响应时间、以及最终回答。性能指标监控API响应延迟、Token消耗速率、错误率等。效果评估定期抽样检查Agent的回答准确性特别是知识库查询的召回率和精确率。7. 常见问题与排查思路在开发和部署过程中你可能会遇到以下问题问题现象可能原因排查思路与解决方案Agent不调用Skill1. Skill元数据描述不清晰。2. LLMDeepSeek未正确启用或支持函数调用。3.system_prompt未明确指示使用工具。1. 检查SKILL_METADATA的description和parameters是否清晰易懂。2. 确认DeepSeek API模型是否支持工具调用查阅最新文档。3. 强化system_prompt中关于工具使用的指令。知识库查询结果不相关1. 文档分块策略不佳。2. 嵌入模型不匹配如用英文模型处理中文。3. 查询问题表述太模糊。1. 优化文本分块逻辑尝试按段落、固定重叠窗口分块。2. 更换为针对目标语言优化的嵌入模型。3. 在Skill中尝试对用户问题进行关键词提取或重写后再查询。API调用超时或失败1. 网络问题。2. API Key无效或额度不足。3. 请求速率超限。1. 检查网络连接和代理设置。2. 验证.env文件中的API Key是否正确且有余额。3. 在代码中添加重试机制和指数退避策略。部署后内存持续增长1. 对话历史未清理。2. 向量数据库连接或模型未正确释放。1. 为记忆设置合理的window_size或定期清理过期会话。2. 确保在Web服务中使用全局单例或连接池避免每次请求都创建新实例。回答包含幻觉或错误信息1. 知识库覆盖不全。2. LLM温度参数过高。3. 未严格限制回答基于工具结果。1. 扩充和更新知识库文档。2. 将temperature调低如0.1。3. 在system_prompt中强调“基于检索到的信息回答”并可在后处理阶段检查回答是否包含未提供的知识。8. 最佳实践与工程建议技能设计单一职责每个Skill应只做好一件事。避免创建功能臃肿的“超级技能”这有利于复用和调试。配置外部化将所有配置模型参数、API端点、技能列表放在YAML或JSON文件中与代码分离便于不同环境开发、测试、生产切换。全面的错误处理在每个Skill内部和Agent调用层面都进行try-catch并返回结构化的错误信息避免整个Agent因单个技能失败而崩溃。版本化管理对知识库的嵌入向量、Agent的预设文件、Skill的代码进行版本控制。当知识库更新或Agent升级时能做到可追溯、可回滚。人机协同设计对于关键业务流程如订单确认、重要通知发送设计“人工确认”环节让Agent提出建议由最终用户点击确认后再执行。持续迭代与评估建立测试集定期评估Agent在核心问题上的回答准确率。根据评估结果迭代优化知识库、提示词和技能逻辑。通过以上八个部分的详细拆解我们从零构建了一个具备工业级潜力的知识库智能体原型。这套流程不仅适用于DeepSeek Harness其设计思想——即“LLM 工具调用 向量检索 流程编排”——也广泛应用于其他AI Agent框架。