第 10 章 实战：把知识串成能力
案例 A：让 Harness 自动修复失败的测试
场景：你有一个出问题的仓库，想快速知道 agent 能不能自己定位并修复。
做法（无头模式，适合 CI 和本地一次运行）：
代码块
Plain Text
dsh --profile headless "run the test suite, analyze the failures, fix them, then rerun to confirm"
看点：
•
agent 会先读仓库、跑测试、看失败输出；
•
它在工作区里改文件，是真实操作——所以请用 git checkout 或可丢弃的副本；
•
跑完后，用 --dump-config 检查它实际用到的配置层。
进阶：把这条命令放进 GitHub Actions，PR 时自动让 agent 试修一遍并附上报告。
案例 B：用 Python SDK 批量处理多个仓库
场景：10 个仓库都要"升级依赖并跑通测试"，人工逐个做很费时。
做法（第 5 章批量例子的完整版）：
代码块
Plain Text
from pathlib import Path
from deepseek_harness import DeepSeekHarness
repos = {
"svc-auth": "Upgrade all dependencies to latest compatible, run tests, fix issues.",
"svc-billing": "Upgrade all dependencies to latest compatible, run tests, fix issues.",
"svc-notify": "Upgrade all dependencies to latest compatible, run tests, fix issues.",
}
with DeepSeekHarness(
provider="deepseek-official",
model="deepseek-v4-flash",
cwd="/workspaces",
session_root="/sessions",
cordis=Path("minimal.cordis.yml").resolve(),
) as harness:
for repo, task in repos.items():
result = harness.run(task, session_id=repo)
print(f"### {repo}\n{result.final_response}")
看点：
•
每个仓库独立 session id，Bash 状态和对话互不污染；
•
/sessions 下每个 session 一份 JSONL，出事可以回放"模型到底看到了什么、干了什么"；
•
别忘了：这个组合默认 danger-full-access，务必在容器或可丢弃环境里跑。
案例 C：给 Harness 加一个"文档检索"工具
场景：你有一个内部知识库，想让 agent 回答问题时能查文档，而不是瞎猜。
思路：写一个工具插件，execute 里调用你的检索服务（比如向量库或 Elasticsearch），返回命中片段。模型会在需要时自动调用它。
骨架：
代码块
Plain Text
import type { Context } from '@deepseek-ai/cordis'
import { defineTool } from '@deepseek-ai/dsh-tools'
export const name = 'docs-search'
export const inject = ['tools']
export function apply(ctx: Context) {
ctx.tools.register(defineTool({
name: 'search_docs',
description: 'Search internal docs and return relevant snippets.',
parameters: {
query: { type: 'string', required: true, description: 'Search query' },
limit: { type: 'number', description: 'Max results, default 5' },
},
output: {
schema: { type: 'array', items: { type: 'string' } },
render: (_args, value) => [{ type: 'text', text: value.join('\n---\n') }],
},
async execute(args) {
// 在这里调用你的检索服务
return fetchSearch(args.query, args.limit ?? 5)
},
}))
}
关键设计：
•
output.render 把检索结果渲染成模型可读的文本——这是"模型体验"的落点；
•
检索服务的地址、密钥等做成配置字段（第 7 章的约定），别硬编码；
•
需要权限审批的操作，可以在 tools/pre-execute 事件上做策略。
效果：agent 遇到"某某接口怎么用"时，会先 search_docs，再基于检索结果回答，比裸模型的幻觉率低一个量级。
案例 D（彩蛋）：做一个"自动化研究循环"
社区里已经有 Loops（auto-research） 类插件：让 agent 自己规划步骤、反复搜索、产出报告。原理其实就是本书第 9 章说的——**在 agent/* 事件上挂一个"续跑"策略**：只要目标未完成且预算未耗尽，就让轮次继续。
想动手的话，从 docs/agent-lifecycle.md 和 docs/subsystems/core.md 读起，那里有续跑机制的完整说明。
本章小结
•
无头模式适合"一次性的真实修复"，配合 git/CI 使用；
•
Python SDK 适合"批量编排"，session id 是状态边界；
•
工具插件是给模型"接世界"的标准姿势，检索类工具能显著降低幻觉；
•
更复杂的自动化（循环、研究、编排）本质都是在事件扩展点上做策略。
下一章：生态、坑和 FAQ——让你少走弯路。