招了多个 DeepSeek 大肥鱼，为我打工！

大家好，我是程序员鱼皮。

最近 DeepSeek Harness（DSH）真是太火了！之前我发过 教大家如何安装使用，还盘点过 。

不过显然大家对这些玩法并不满足，所以本期我会继续分享 DSH 的 3 大进阶玩法：

• 通过斜杠命令减少重复输入

• 自定义工具给 AI 装上手脚

• 打造多 Agent 军团帮你干活

这套组合拳打下来，让你的黑色鲸鱼直接起飞！

一、斜杠命令

先来说最容易上手、使用频率也最高的一个进阶玩法，就是斜杠命令。

如果你用过 Codex 或者 Cursor，那么你对斜杠命令应该并不陌生，比如 Codex 中的 /compact、/plan 等命令，你不需要每次都写一大段提示词，敲一下就能快速执行某一项操作。

DSH 也是类似的套路。当你在对话框中输入 / 的时候，界面就会弹出当前已经注册的命令列表。

因为在 DSH 中，一切皆插件。这些命令同样由插件提供，因此不同版本、不同配置下，菜单里的命令可能略有区别。

我用的这个版本里一共注册了 6 个内置命令，下面挨个介绍一下。

/compact 压缩上下文

在对话框中输入 /compact 后，DSH 会把当前对话中的关键信息整理成一份更加紧凑的摘要，在接下来的对话中 AI 会带着这份摘要继续工作。

如果一个任务已经做了很久，但又不想重新开启会话，就可以用它给你的大肥鱼「减减肥」了。既能让 AI 更专注，又能省下不必要的 Token 消耗。

/export 导出当前对话

输入 /export，DSH 可以直接把当前对话框内容打包下载。

命令执行成功后，浏览器会自动下载一个 zip 压缩包，里面是完整的对话记录。当你想保存对话，或者把 AI 的回答整理成文档时，就不用再一个一个地从聊天窗口里复制粘贴了。

/goal 设置长期目标

直接在对话框中输入 /goal，后面跟上你的目标描述，DSH 就会把它存成一个长期目标。接下来每一轮对话，AI 都会自动围绕这个目标往下推进，就算聊到一半跑题了，它也会自己绕回来。

/goal 重构项目的登录模块，并补齐测试和迁移说明

/goal 还提供了几种控制目标的用法：

/goal
/goal edit < 输入修改后的目标 >
/goal pause
/goal resume
/goal clear

其中，单独输入 /goal 可以查看当前目标。edit 用来修改目标，pause 和 resume 分别用来暂停和恢复目标，clear 用来清除当前目标。

/plan 开启计划模式

输入 /plan，后面跟上你的需求，比如：

/plan 帮我规划登录模块的重构方案

计划模式会引导 DSH 先了解项目、整理方案并交给你确认，等你同意了才开始动手。

不需要继续规划时，可以通过 /plan off 命令退出。

/plan 命令比较适合陌生项目、大范围重构或者风险较高的改动，可以减少 AI 没有理解清楚需求就直接动手修改代码的情况。

/permission 调整操作权限

直接输入 /permission，就能查看并切换当前对话的权限设置。

但其实在 Web 界面，点一下输入框旁边的权限按钮就能切换，所以这个命令更适合习惯终端操作的用户，在 /permission 命令后面直接跟上权限预设就可以了。

/feedback 提交使用反馈

在 /feedback 后面写上反馈内容，就能把这条意见记到当前对话的日志里。

/feedback < 输入你想反馈的内容 >

如果你在使用 DSH 的过程中碰到了 Bug 或者哪个交互用着别扭，随手敲一行就直接给大肥鱼反馈了。不过要注意，只有开启了相应的遥测能力，反馈才会继续传给官方；遥测关闭时，内容只留在本地。

自定义一个斜杠命令

如果你觉得上面这些内置命令还不够用，DSH 还支持自定义斜杠命令。

比如每次打开一个项目，我都想先看看当前在哪个分支、最近提交了什么。虽然可以反复让 AI 执行 Git 命令，但我觉得更省事的做法，是把整个流程压缩成一条 /repo 命令，以后一键搞定。

所以我让 DSH 给我自定义了一条斜杠命令，下面这段提示词直接丢给它就行：

请帮我创建并安装一个 DSH 斜杠命令插件。

 命令名是 /repo，执行后显示当前 Git 仓库所在的分支和最近 3 次提交。如果当前目录不是 Git 仓库，请给出友好提示。

 完成后检查插件是否安装成功，并告诉我怎么重启和验证。

运行成功后，重启一下 dsh web，在任意 Git 项目对话框中输入 /repo 命令，来看看效果。

当前分支和最近 3 次提交直接就出来了，很方便吧~

所以，只要你有一套流程需要反复描述，而且每次步骤都差不多，完全可以把它交给 DSH 压缩成一条斜杠命令，以后用起来就方便多了。

二、给 AI 提供工具

斜杠命令解决的是重复操作的问题，接下来这个玩法，解决的是 AI 能不能动手干活的问题。

有时候你让 AI 顺手查个数据库、调个第三方接口，它只会阿巴阿巴，这是因为 AI 只是个大脑，它没有对应的工具来做这些事情。

装上工具之后就不一样了，read 是它的眼睛，能看文件；bash 是它的手，能敲命令；write 是它的笔，能把结果写进项目。这时候 AI 才从「嘴强王者」变成真正能动手干活的帮手。

DSH 自带的工具箱

刚才提到的 read、bash 和 write 只是冰山一角。DSH 默认内置了一大批工具，覆盖文件读写、命令执行、任务管理、联网搜索和多 Agent 协作等方向。

除了这三个核心工具之外，还有几个高频工具。比如 glob 和 grep 负责查找文件和搜索内容，todo_write 让 AI 自己维护一份任务清单，ask_user_question 会在 AI 拿不准的时候回头问你确认，web_search 负责联网搜索信息，skill 用来调用预设的技能流程。

工具数量会随着版本和插件变化，因此不用记住这些。

另外还有 subagent、workflow 那一串多 Agent 工具，后面我会专门介绍。

工具、插件和 Skill 的区别

在动手之前，先搞清楚三个容易混淆的概念。很多人分不清工具、插件和 Skill 之间的关系，但它们其实是三个不同层次的东西。

工具 是 AI 的手脚，解决的是「能不能动手」的问题。比如 read 能读取文件、bash 能运行命令、web_search 能搜索网络，这些都是具体的操作能力。

插件 是 DSH 的扩展模块，解决的是「怎样把新能力装进系统」的问题。一个插件可以注册工具，也可以扩展命令、模型、服务甚至界面，是整个 DSH 的能力载体。

Skill 更像一份操作手册，解决的是「这件事应该怎么做」的问题。Skill 本身不会凭空增加系统权限，它的作用是告诉模型该按什么流程干活、什么时候该调用哪些工具。

举个例子，write 是一支笔，提供写文件的能力。安装这支笔的模块就是插件，而文章的「写作教程」就是 Skill，用来教 AI 应该如何使用这支笔写出更好的文章。

通过 MCP 把现成服务接进来

搞清楚工具、插件和 Skill 之后，接下来就可以继续给 AI 扩展能力了。

但问题来了，如果每需要一个新工具，都得自己写插件，那也太麻烦了。。。

好在很多工具早就有人做好了，我们只需要通过 MCP 拿来用就行。

MCP 全称 Model Context Protocol 模型上下文协议，你可以把它理解成 AI 世界的 USB 接口。就像键盘、鼠标、U 盘都可以通过 USB 接到电脑上一样，MCP 给 AI 和外部工具也定了一套统一的连接标准。只要一个服务实现了 MCP 协议，DSH 就能直接把它接进来当工具用。

现在社区里已经有大量现成的 MCP 服务了，比如我的 专门整理了优质的 MCP 资源大全，还支持分类搜索，找起来很方便。

这里我拿一个最简单的例子来演示效果。我给 DSH 接入了一个文件系统 MCP，然后让它读取演示目录中的文档。

DSH 很快调用了 mcp__files__read_text_file 这个工具，成功读取了文件内容，还总结出了这只大肥鱼刚刚解锁的能力。

这样一来，别人已经做好的能力，我们只需要一行配置就能接进来，没必要每次都自己从头造轮子。

让 AI 临时创造一个工具

现成的服务可以通过 MCP 接进来，那想造一个全新的工具怎么办？

DSH 提供了一个叫做 Creator Mode 创造模式的运行模式，在这个模式下，AI 可以使用动态 Cordis 插件的能力，不需要建文件、不需要装依赖，直接在对话里现写现运行一个临时工具。

比如我让它创建一个 word_count 工具，接收一段文字，返回字符数、行数和单词数。

插件运行成功后，word_count 会真正加入当前进程的工具列表。

接下来再给它一段文字，模型就能调用刚刚创造出来的工具了。

工具调用卡片上真的出现了 word_count，并且成功返回了字符数、行数和单词数。

需要注意的是，动态工具主要适合临时实验和快速验证想法。它只在当前进程生效，停止插件或者重启 DSH 后就会消失。如果验证通过想长期使用，再让 AI 把它整理成正式的仓库插件就好。

另外提醒一句，动态插件虽然运行在沙箱环境里，但并不是安全边界。运行之前一定要先检查一下生成的代码逻辑，再确认它申请了哪些权限。

三、打造 AI Agent 军团

斜杠命令解决了重复操作的问题，工具让 AI 能够完成更多工作。但还有一个问题没解决，就是任务一旦复杂起来，一个 AI 还是容易忙不过来。比如你让它同时兼顾代码审查、写测试、查安全漏洞，不仅效率低，还有可能顾了这头丢了那头。

既然一个 Agent 忙不过来，那就多叫几个，打造一支 AI 军团。

DSH 内置了几种多 Agent 工具，主 Agent 可以把复杂任务拆成相对独立的部分，再根据依赖关系选择并行或者分阶段处理，最后汇总结果。

内置 Agent 工具

DSH 一共内置了 4 个 Agent 派活工具和 3 个后台管理工具，先从最容易上手的 subagent 开始介绍。

subagent 会创建一个拥有独立上下文的后台子 Agent，它不会看到父会话的任何对话历史，适合处理和主任务无关的独立工作。任务完成后，结果会回到父会话。

subagent_fork 跟 subagent 的用法差不多，区别在于 subagent_fork 会把父会话中已经完成的对话内容一并带给子 Agent，让它从一开始就拥有前文信息。

比如我没有重新提供完整的审查报告，只让 AI 根据刚才的结果整理一段总结。从总结内容里能看出来，它确实拿到了上一次 subagent 的审查报告。

workflow 同样是一个内置的 Agent 工具，它可以在一段脚本中定义多个任务，让它们并行执行，等所有结果全部返回后再统一汇总。

我让 AI 同时完成变更总结、风险检查和测试清单三个任务，它等到三个 Agent 全部完成后，才交给第四个 Agent 整理成发布前的总结清单。

最后一个派活工具是 ralph，它比较特殊，每一轮都会换一个全新的子 Agent 来继续推进同一个目标，目的是防止同一个 Agent 越干越钻牛角尖。每轮之间只靠一份结构化的交接报告传递进展，不会继承上一轮的对话历史，相当于换个人从新的角度重新审视问题。

我让它执行 3 轮，检查最近的一次仓库提交，并反馈给我风险清单。结果第二轮的 Agent 修正了第一轮的优先级判断，还合并了重复内容、补上了第一轮遗漏的问题。第二轮干完以后，它直接判定目标已完成，第三轮都省了。

除了派活，DSH 还提供了 3 个后台管理工具，方便你随时掌握子 Agent 的状态。

list_agents 可以查看后台子 Agent 的运行状态，send_message 可以继续给某个子 Agent 补充新的要求，interrupt_agent 则可以中断它当前正在执行的任务。

我先启动一个子 Agent 审查代码，通过 list_agents 看到它正在运行。接着用 send_message 让它重点检查触控区域和减弱动效的实现，最后用 interrupt_agent 停止当前任务，Agent 的状态也从 running 变成了 idle。

需要注意，interrupt_agent 只是中断当前这一轮任务，并不会销毁这个子 Agent。已经排队的消息也不会自动消失，之后你还可以继续用 send_message 找它干活。

了解了这 4 个工具之后，再来看看怎么选择。

我的建议是，独立任务用 subagent 就够了，需要让子 Agent 了解前文背景就用 subagent_fork，多个任务要并行跑就交给 workflow，同一个目标想让不同 Agent 反复迭代审视就用 ralph。

上面这些内置工具，手动派两三个 Agent 确实很方便。但任务一多，谁负责什么、哪些任务有依赖、现在执行到哪一步了，光靠脑子记就开始吃力了。

如果想真正拉起一支有队长、有分工、还能看到任务面板的 AI 军团，就得请出 Agent Teams 插件了。

Agent Teams 插件

Agent Teams 是一个社区开发的多 Agent 协作插件，可以让 DSH 同时拉起多个 Agent 各自干活，结果统一汇总到一个 Captain 队长节点。

开源仓库：https://github.com/NanmiCoder/dsh-agent-teams

插件的安装方法很简单，输入一条命令就能装好：

dsh plugin --profile web add @nanmicoder/dsh-agent-teams@latest

当然，你也可以直接把开源地址丢给 AI，让它帮你安装：

来试试看，我要用它检查一个前端项目，创建了 3 个成员 Agent，分别负责三个方向：

前端 Agent 检查页面结构、交互逻辑、响应式和明显的前端问题
代码质量 Agent 检查项目结构、依赖管理和代码可维护性
安全 Agent 检查敏感信息泄露、依赖风险和明显的安全隐患

任务跑起来后，当前会话会自动成为 Captain，也就是整支团队的队长。

Captain 负责拆分任务、分配工作，最后统一汇总结果。下面的成员 Agent 则各自处理不同方向的问题。右边的活动面板能直接看到 3 个 Agent 同时在工作，等它们各自检查完成，结果会统一回到 Captain，由 Captain 汇总并给出最终报告。

更牛的是，这支 Agent 团队做完一次任务后不会马上消失，后面还能继续复用。

这一轮检查结束后，我又追问了一个 WebGL 降级的问题，并且指定只让 frontend 成员继续处理。结果活动面板里真的只有它重新进入了工作状态，另外两个成员没有被重复调度。

这也是 Agent Teams 和临时派几个子 Agent 最大的区别。Agent Teams 不只是派活，它还提供了成员管理、任务依赖、自动调度、持久化状态和实时活动面板，更像是一套完整的 AI 团队管理系统。

不过它也有一些限制。一个 Captain 同时只能带一个活跃团队，团队状态默认保存在当前工作区，不会自动同步到其他电脑。如果多个 DSH 进程同时操作同一个团队，也可能出现状态冲突。

如果只是临时拆分几个任务，DSH 内置的多 Agent 工具已经完全够用了。只有任务需要长期推进、成员反复协作，还要管理任务依赖和查看执行状态时，才适合上 Agent Teams。

多用 AI 之后你自然会形成判断，什么时候该拆分 Agent、拆几个、要不要上 Agent Teams，这些都是靠实际任务跑出来的经验。

最后哔哔

写到这里，DSH 的 3 大进阶玩法就全部介绍完了。

简单总结一下，斜杠命令可以把高频操作变成快捷指令，一键触发；工具可以让 AI 读取文件、运行命令和调用外部服务；多 Agent 协作可以把复杂任务拆开，让一支 AI 团队同时帮你干活。

如果你只是偶尔使用 DSH，可以先从内置命令和现成工具开始。等任务逐渐复杂了，再尝试 MCP、动态工具和多 Agent 协作就好。关键是先动起来，用得越多，你对这些能力的判断就越准。

OK 就分享到这里，到目前为止我已经给大家分享了很多期 DeepSeek Harness 的玩法了，可以在我免费开源的 中阅读，帮你玩转 DSH 和 AI 编程。

鱼皮的 AI 编程教程

你有用过 DeepSeek Harness 么？还有哪些不错的玩法？欢迎在评论区聊聊