OpenClacky
8 月 13 号中午，我和 OpenClacky 的朋友相互 sync 了下近况，得知他们在 Agent 探索上又有了新的进展：将 Agent 视作底座，功能由其自身开发
当天下午，DeepSeek Harness 发布：一切皆插件
本片文字，整理自当时我们的 sync
在 dsh 正式发布&消息解禁后（我参加了 dsh 内测），我也便把相关的东西转给了亚飞他们，心里则暗自感慨：
- 对于 Harness 自进化这件事儿，无论思路还是想法，英雄所见略同
- OpenClacky 应该更早发布的（他们在 waic 期间就基本完成了）
不过话说回来，这两个东西显然也不是同一赛道：DeepSeek Harness 更偏向于开发者去使用，这东西并没有客户端，需要自己去 /dsh，而 OpenClacky 则更 toC，具体来说就是：
开箱即用 + 自造插件 + 扩展市场
「自定义 Agent」
在过去的几个月里，OpenClacky 团队一直在思考一个问题：
Agent 的功能边界，以及界面，该长什么样？
以及...一个 Agent 能做什么、长什么样，为什么不能由使用者决定？
在以往，软件产品的 UI 都是产品经理&设计师决定的，去完成某一具体的功能；但到了这个 Agent 时代，或者是更后面的 AGI 时代，软件所完成的，不再会是某一具体的单任务，那么..或许我们即将迎来一个新的概念：自定义 Agent
对此，OpenClacky 在过去的几个月里，完成了大幅度的产品迭代，用户可以直接通过自然语言告诉 OpenClacky 自己需要什么功能，而 OpenClacky 则会根据需求完成 Agent、Skill、界面以及整体业务逻辑进行创建与修改
用户可以直接使用自然语言来说“我要 xxx 功能”，然后 Agent 就会根据需求完成 Agent、Skill、界面以及整体业务逻辑进行创建与修改，比如制作一个内置的 Obsidian 知识库，让它把工作台整个改造一遍。然后这些封装好的功能成为了运行在 OpenClacky 内部的 Agent 原生应用。可以安装、停用、分享，并继续通过自然语言修改
几个例子
为了更加具体的说明，这里来进行几个例子的展示，以下这些内容均来自 OpenClacky 官方
LLM Wiki
LLM Wiki 沿着 Karpathy 对 LLM 原生软件的思路来做，让 LLM 直接参与知识的摄入、整理、连接和再研究
把 Obsidian 常用的 Markdown、本地文件、双向链接、知识树和图谱等能力原生放进 OpenClacky。用户导入 PDF、Word、网页或对话内容后，Agent 会把资料整理成可以长期维护的知识页，并在后续搜索、问答和深度研究中继续补充这个知识库
Multi-Agent 编排
为一项复杂任务临时组建一支 AI 团队，把原本需要人工分派、催进度和汇总结果的协作过程放进 OpenClacky
用户可以在 Multi-Agent 编排扩展中直接描述最终目标。Leader 会拆解任务、确定角色，再创建多个 Worker 并行执行。 用户可以在同一个面板中看到每个 Agent 正在做什么、任务完成到哪一步，以及 Leader 的派活和决策记录
执行过程中还可以单独补充指令、切换某个成员使用的模型，或临时增加新角色，最后由 Leader 汇总各项产出
AI 自动调研助手
用户只需输入调研对象/想法，Agent通过追问来明确需求（例如行业、地区、画像），制定研究计划
以跨境电商投放为例，Agent 会执行搜索与复核检验，最后交付结果和归档管理
- 搜索：查找公开的公司信息和相关业务动态
- 研究：补充招聘、融资、产品发布等可用于判断需求的信号
- 核验与汇总：交叉核对、去重，整理出带出处的线索清单和建议跟进方向
如果需要增加信息来源和范围、调整筛选条件或其他要求时，可以用快捷键、自然语言直接对话
拓展市场
随着拓展能力的加入，OpenClacky 也把市场功能做了出来，大致是这样
点开任意 extension 之后，可以进行直接的安装
作为比较，这个是安装前的：
而这个则是安装后的，也就是所生产的插件，迭代了原有的 UI：
最后
我个人是非常认可 dsh 的做法的，model 的能力不断膨胀，harness 则成了新一代的 ui 然后还能随着需求不断迭代自己，这很 agentic
这时候，agent 团队的下注就变成了：如何连接 model 与真实任务
然后...过去半年里，模型的能力肉眼可见的买过了临界点，其使用边界的不断模糊，大家的任务又增添了一条：如何让 harness 自进化，让他更好的匹配 model
对此，OpenClacky 也拿出了自己的探索，感兴趣的可以看一看
文章来自于"赛博禅心"，作者 "金色传说大聪明"。