10轮提示打造工业级LLM Wiki：DeepSeek Harness实战全流程拆解

用Agent开发工业级知识库，到底能走多远

当下主流的编码Agent工具竞争激烈，Claude Code与Codex各领风骚。而这期以DeepSeek^广告 Harness（下文简称DSH）为核心的实战公开课，给出了一个颇具野心的答案：仅用10轮专业提示，外加8个Skills、一套Agent预设和两个功能插件，就完成了一款功能完整的工业级LLM Wiki知识库开发。

据该B站UP主的实测反馈，整个开发过程"异常稳定、效率极高"，其开发体验在他看来甚至超过了Codex和Claude Code。这个结论来自单一来源，需要辩证看待，但它确实呈现了一个值得关注的趋势：Agent开发工具正在从"辅助补全"迈向"端到端交付完整项目"的阶段。

这款LLM Wiki到底做了什么

从演示来看，这个项目并非玩具级Demo，而是对标生产环境的完整系统，核心功能覆盖了知识库从采集到问答的全链路：

• 可视化工作台（Dashboard）：样式统一的管理界面，承载文档的管理、编译与上传。
• 文档编译与增量更新：支持查阅Wiki编译结果，并提供增量文档编译能力——这意味着新增资料无需全量重建，直接增量入库。
• 双形态知识图谱：可查看完整的知识图谱，用于梳理文档之间的实体与关系。
• 可溯源问答：任何回复都能关联到原始知识片段，这是知识库问答能否被企业信任的关键环节。
• 在线评估与优化：根据检索命中率、证据覆盖率等指标，对编译方式和检索流程进行反向优化。
• 系统设置页面：完整的配置能力，支撑整体运行。

可溯源与在线评估这两点，恰恰是把一个RAG原型推向"工业级"的分水岭。能溯源才能验证答案可靠性，能评估才能持续迭代检索质量。

关键方法论：Agent的"功能组装"

这期课程最有参考价值的，并非项目本身，而是作者总结的使用心得——用好DSH必须根据开发目标对其进行"功能组装"。

这套组装思路包含三个层面：

Skills：补充意图与辅助开发

本次任务装配了一系列Skills，用于补充意图信息和辅助开发。据介绍，这些Skills是从团队为学员准备的、含400多个Skills的Agent库中精选而来。换句话说，Skills在这里扮演的是"领域能力模块"的角色，让通用Agent具备特定任务的专业判断。

Skills在Agent框架中类似于可插拔的"专业子程序"。通用大语言模型在面对高度专业化的开发任务时，往往缺乏足够的领域判断力——例如如何拆分知识图谱实体、如何设计增量索引策略。Skills通过向Agent注入结构化的领域知识、约束条件或操作步骤，使其在特定任务上的决策更接近领域专家水准。这种"按需装配能力模块"的思路，与软件工程中的依赖注入理念相通，也是当前主流Agent框架（如LangChain的Tool体系、AutoGPT的插件机制）的核心设计逻辑之一。

插件：绘图与验收

项目中安装了两款插件：DSH Diagram负责辅助绘制流程图、随时查看项目结构；DSH Build-in Browser则负责产品页面的功能验收。前者解决"看清架构"，后者解决"验证结果"，形成了开发闭环中的两个薄弱点补强。

Agent预设：被称为"最强隐藏功能"

作者将Agent预设理解为"为本次开发任务单独创建的Agent"，用于严格执行LLM Wiki的开发流程、灵活调用插件与Skills，并直言这是DSH的"最强隐藏功能"，用好它能让Agent性能实现跨越式提升。

从工程视角看，这其实是把"流程规范"固化进Agent行为的一种做法——通过预设约束Agent始终沿着既定的开发阶段推进，避免大型项目中常见的跑偏和返工。

Agent预设本质上是一种"系统级提示工程"（System Prompt Engineering）的固化形式。大型语言模型的行为高度依赖上下文指令，当开发任务跨越多个阶段时，若每轮对话都从零开始描述角色和约束，模型极易在中途偏离既定流程。Agent预设通过将项目目标、阶段流程、调用规则、输出格式等约束永久写入Agent的系统层，使其在整个项目周期内保持一致的行为基线。这与OpenAI Assistants API中的Instructions字段、以及Anthropic对Claude的System Prompt最佳实践所倡导的方向一致——越清晰的系统级约束，越能降低多步骤任务中的"漂移"风险。

11个开发阶段：标准化的Agent开发流程

整个LLM Wiki被拆解为11个开发阶段，严格按照"环境搭建 → 项目基座开发 → 核心功能模块开发 → 功能验收"的顺序推进。作者将其称为"当下最标准的Agent开发完整流程"。

这种阶段化的意义在于：复杂项目一次性丢给Agent往往失控，而把目标切成有明确输入输出的阶段，每个阶段提供提示词、展示执行过程与中间补充提示、再给出阶段性成果截图，就能让Agent始终在可控范围内交付。对于初学者而言，即便不懂代码原理，也能跟着提示流程一步步做出成果；对有经验的开发者，则提供了"看到输入、看到输出、还有原理讲解"的完整参照。

为降低门槛，课程还提供了一键环境配置脚本，双击即可完成基础开发环境装配，直接进入DSH页面开始开发。

落地与资源

据介绍，这款LLM Wiki已正式上线团队自研的DeepSeek Harness Studio桌面端，点击即可使用。配套的安装包、公开课课件、项目源码，以及Agent预设、Skills、架构图、逐轮提示词、对话运行截图和阶段性成果截图等全套资料均已开放领取。

几点客观判断

这期内容的最大亮点，是把"Agent开发完整项目"的方法论讲得相对系统——组装式思路（Skills+插件+Agent预设）和阶段化流程，是能迁移到其他Agent工具的通用经验。

需要提醒的是，"10轮提示搞定工业级项目"和"超越Codex、Claude Code"均属单一作者的主观评价，缺乏横向对照测试数据，读者应以其公开的源码与提示词作为验证依据，而非直接采信结论。工业级系统的真正考验在于长期运维、数据规模扩张后的检索质量，这些在短视频演示中难以体现。

但无论如何，这套"预设+Skills+插件"的组装打法，为想要用Agent工具交付完整产品的开发者提供了一个清晰可复用的实践框架。

背景补充

RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业知识库问答的主流技术范式：系统先从向量数据库中检索与问题最相关的文档片段，再将这些片段作为上下文传入大语言模型生成答案。这一机制的核心挑战在于"幻觉"问题——模型可能生成听起来合理但并无文档依据的内容。可溯源设计通过在回答中附带原始文档片段的引用，让用户和审计者可以逐条核查答案依据，是将RAG系统从研究原型推向企业信任的关键工程要求。