+
+
+
让 DeepSeek Harness 触手可及
+ +最近有人希望我分享一下开发 dsh-im 的经历。 + +我第一反应是：这个项目才刚开始几天，有什么好讲的？ + +再想想，这几天又确实有点不太正常。从第一个提交到 v2.0.1，不到十天；从最初想把几个机器人放到一个页面里，到后来同时支持微信、飞书、钉钉、企业微信、QQ、Slack、Telegram、Discord 和 WhatsApp，中间又加了多机器人、工作区、Session、Agent Preset、图片和文件收发、审批、提问、流式回复……现在仓库里也已经有了十多位 Contributor。 + +既然有人问，我就趁还没忘，把这几天怎么折腾的记一下。不是教程，就是一篇开发流水账，顺便说说我为什么这么做，以及所谓的“一行代码都不写”到底是怎么回事。 + +## 一、起因：先是沉迷 OpenClaw，然后被配置折磨 + +今年 2 月，我有一阵子沉迷 OpenClaw 不能自拔。 + +微信里放一个，飞书里放一个，再给其他群配上不同的机器人。刚开始很上头，但机器人一多，问题就来了：配置基本靠命令行，每个渠道的接入方式又不一样。换个平台，就像重新学一遍。 + +我当时最强烈的感受不是“功能不够”，而是“这事为什么要这么麻烦”。 + +上周 DeepSeek Harness 开源后，我的第一反应是：大家肯定会想在常用的聊天软件里使用 Harness。人已经在微信、飞书或 Telegram 里，为什么还要专门切回电脑，打开另一个界面？ + +但如果每家都做一个独立插件，新的麻烦又会重演一遍。所以 dsh-im 一开始就不是“再写一个聊天机器人”，而是想做一个统一入口：一个插件，把常见的聊天软件都接进 DeepSeek Harness。 + +## 二、产品路线：先把自己当用户，别先把自己当工程师 + +做这个项目时，我给自己定了几条很朴素的原则。 + +### 1. 不能让普通用户去碰命令行 + +插件安装好后，所有渠道都在 Harness 的同一个“IM 机器人”设置页里管理。选渠道、接入机器人、看连接状态、换工作区、选 Agent Preset、测试连接、重连和移除，全部在页面上完成。 + +用户是来使用 Harness 的，不是来接受 Shell 入门考试的。 + +### 2. 能扫码就扫码，扫不了再手工填 + +微信、钉钉、企业微信、QQ、WhatsApp 这些渠道，能扫码就尽量把流程收敛到扫码；飞书同时支持扫码创建和手工填凭据；Slack 用 App Manifest，Telegram 和 Discord 用 Token。 + +渠道的规则不可能真的一样，但用户每次都应该很快知道“下一步点哪里”。手工填入的 Secret 和 Token 只会送到本机 Host，页面和状态接口不会再把它们返回来。便利不能拿凭据安全换。 + +### 3. 界面统一，但不强迫渠道长得一样 + +同一个设置入口，同一套机器人卡片，同样的连接状态和操作位置，这些是需要统一的。而每家的群聊规则、权限申请、消息样式和交互能力，则应该被保留。 + +比如飞书适合用流式卡片，钉钉有 AI Card，Discord 有 Thread，Telegram 有 Rich Message，WhatsApp 会显示已读和“正在输入”。如果为了代码看起来整齐，最后让九个渠道都只会发一坨纯文字，那不叫统一，那叫把九家的优点一起抹掉。 + +### 4. 先把 9 个常用渠道做深，不急着把 Logo 墙做大 + +项目现在内置 9 个 IM 渠道。它们不只是“能收一句话，能回一句话”，而是继续往一个完整的 Harness 入口靠：保持会话，切换模型和工作区，处理审批和补充问题，收图片和文件，再把 Harness 生成的结果原生地送回来。 + +我当然也想接第十个、第十一个。但“支持 30 个渠道”很适合写在 README 里，未必适合留在用户手机里。我更在意的是：任务能不能真的做完，会话会不会串，文件能不能打开，连接断了能不能回来。 + +## 三、开发流程：代码可以一行不写，责任不能一分不担 + +这个项目基本是纯 Vibe Coding。 + +我坚决不手写一行代码，也尽量不手写一行文档。代码、测试、构建脚本、文档整理，都交给 Codex 去完成。 + +不过“不写代码”特别容易被误解。它不等于输入一句“给我做个插件”，然后等进度条跑完。恰恰相反，开发里最耗精力的部分，从敲键盘变成了做判断： + +- 这个问题真正伤到的用户价值是什么？ +- 哪些行为必须在九个渠道一致，哪些差异反而要保留？ +- 这次改动会不会让旧功能悄悄退化？ +- 平台返回的“成功”，在真实客户端里到底算不算成功？ + +这些事，AI 可以帮我查、帮我写、帮我反驳，但最后还得由我定。 + +### 我没有完全不要设计，只是不想把 SDD 变成负担 + +我也试着尽量抛弃那种很重的 SDD 流程：先用很长时间写一份无所不包的规格，再让后面所有实现去追一个很快过期的纸面世界。 + +我现在更喜欢一个短得多的循环： + +1. 从一个真实的不爽或 Issue 开始。 +2. 先说清用户最后应该看到什么，以及哪些事这次不做。 +3. 让 Codex 改代码、补测试，把关键取舍留到 ADR 或方案里。 +4. 跑完整回归，再到真实客户端验收。 +5. 有问题就继续改，没问题才发版。 + +比如，“Harness 生成的文件怎么回到聊天里”是一个完整问题；“Discord 群里多个人会不会共用同一个 Session”是另一个问题；“Telegram 里 Markdown 结构全丢了”又是第三个问题。一次解决一个闭环，比先造一套大而全的框架踏实得多。 + +### 自动化测试是快速迭代的刹车，不是减速带 + +项目里现在有 1000 多个自动化用例。每次修改和新增功能后，都要跑完整的 `npm run check`：单元测试、Host 和 Client 构建、发布包校验，一样都不少。没过就继续修，不靠“这次改动应该影响不到那里”来安慰自己。 + +渠道一多，回归测试不是拖慢了开发，而是给了我继续快跑的底气。 + +### 协议跑通不等于用户收到，所以还得真机测 + +我的开发电脑里安装了这 9 个聊天软件。到真机验收时，我会让 Codex 用 Computer Use 去操作它们：打开会话、发消息、看回复、切换窗口、核对图片和文件有没有真的出现。 + +有一次为了验证“Harness 返回的图片要在各渠道里原生显示”，测试从凌晨 3:07 的 Telegram 开始，到 3:16 的 WhatsApp 结束。同一张 PNG，九个客户端挨个检查。最后看到的有 Telegram 的图片消息、飞书的图片、微信的图片气泡，也有 Slack 和 Discord 的内联附件预览。形式不一样，但用户都能直接看到，而且没有重复补发。 + +如果这一轮全靠人手工做，我大概测不了几轮就会开始“差不多得了”。AI 在这里节省的不只是时间，还有人在重复劳动里很快丢掉的耐心。 + +## 四、架构设计：统一的是“要做什么”，不是“长什么样” + +九个渠道摆在一起后，有两条看起来很诱人的路。 + +一条是只取所有平台的最低公分母，最后就剩下纯文字收发。这条路开发快，但用户体验很快会撞墙。 + +另一条是九个渠道各写各的，每家都重新实现会话、命令、审批、问题、文件和错误处理。刚开始看着灵活，很快就会变成九套互相追不上的逻辑。 + +最后我们定下来的大原则是：**语义核心 + 渠道原生适配**。 + +```text +渠道事件 + ↓ +渠道适配器：把微信 / 飞书 / Telegram 等平台事件翻译成统一语义 + ↓ +语义核心：Session、命令、审批、问题、产物、路由、交付结果 + ↓ +呈现意图：文字、Markdown、图片、文件、交互、进度 + ↓ +渠道适配器：翻译为 image_item、CardKit、sendPhoto、Attachment…… +``` + +说人话就是，核心层只关心“用户要完成什么”，渠道层负责“在这个平台上怎么表现得最自然”。 + +比如 Harness 要返回一张图，语义核心只保留“这是当前 Session 要交付的图片”。到 Telegram，适配器可以调 `sendPhoto`；到微信，变成 `image_item`；到 Slack，就用它本来就擅长的附件预览。没有原生能力时，可以明确降级，但不能静默丢掉。 + +这里还有一个很小、但很容易影响体验的细节：图片发送如果被平台明确拒绝，可以改发文件；但如果请求发出去后超时，我们不知道对方到底收没收到，就不能立刻补发，否则用户很可能收到两份。统一语义不只是为了代码好看，也是为了把这些不能出错的业务判断只写一次。 + +反过来，Discord 自动创建 Thread、飞书更新流式卡片、Telegram 更新 Rich Message Draft，都是平台自己的动作，没必要硬塞成九个渠道都实现的“通用接口”。 + +这套架构不是一开始坐在桌前凭空想出来的。它是被一个个具体问题逼出来的：会话串了，就补齐路由语义；Markdown 丢了，就保留呈现意图；文件送不回去，就建立产物和交付回执。我对这种架构更有信心，因为它的每一层都付过真实问题的学费。 + +## 五、展望：一个人能完成的速度变快了，但能覆盖的世界还是有限 + +截至现在，dsh-im 在 GitHub 上有 719 个 Stars、76 个 Forks，npm 包累计下载 1万+。仓库里也已经有了十多位 Contributor。这个速度坦白说比我预想得快，因为一开始，我只是想解决自己不想反复配机器人的麻烦。 + +当然，下载次数不等于真实用户数，Star 和 Fork 也不等于项目已经做完了。但它们至少说明，被多渠道配置和体验不一致折磨的，不只是我一个。 + +有人改交互，有人补英文，有人打磨飞书卡片，也有人从自己正在用的渠道里带回真实问题。这件事比版本号涨到多少更让我高兴。 + +AI 确实把一个人做开源项目的上限往上推了一大截，但它没有消灭现实世界的边界。我只有这么多设备、账号、时间和精力，目前能认真覆盖的就是这 9 个 IM 渠道。其他渠道即使把代码生成出来，如果没有人真正使用、真机验收和长期维护，那个“支持”也是虚的。 + +所以，如果你正好在用一个 dsh-im 还没覆盖的聊天软件，或者你对现有某个渠道的原生能力比我更熟，欢迎一起来做。不一定非得先提一大段代码，一个真实场景、一段可复现的步骤、一次真机验收，都是很有价值的贡献。 + +我对 dsh-im 的期待，不是把所有平台的 Logo 收集齐，而是让 DeepSeek Harness 真的变得触手可及：无论你当时正在微信里回消息，在飞书里开会，还是在 Telegram 里潜水，都可以随手叫它干活，然后把结果带回你所在的地方。 + +项目地址：[github.com/xmanrui/dsh-im](https://github.com/xmanrui/dsh-im) diff --git a/docs/方案/sharing.txt b/docs/方案/sharing.txt new file mode 100644 index 0000000..6819efd --- /dev/null +++ b/docs/方案/sharing.txt @@ -0,0 +1,35 @@ +一、背景： +在今年2月份的时候沉溺于openclaw不能自拔， +配置了一堆各种各样的机器人，openclaw配置机器人非常麻烦，都是通过命令行的，各个渠道的体验也不统一。 +上周DeepSeek Harness开源，把各家聊天软件接入dsh肯定是刚需，我就想做一个统一的插件，方便把各家聊天机器人接入dsh。 + +二、产品路线： +一定是从用户使用角度出发来考虑： +1.不能用命令行 +2.能扫码接入接扫码接入，同时支持手工录入凭证接入 +3.各个渠道的界面需要统一，减少用户的心智负担 +4.选择支持常见的9种聊天软件深入支持而不是全面铺开 + +三、开发流程： +关于开发：纯vibe coding，坚决不写一行代码一行文档，也尝试尽量抛弃SDD这种很重的流程 +关于测试： +1.构建大量自动化测试用例，每次修改代码或者新增功能都要确保全部测试用例都能跑通，没跑通则修复 +2.在开发电脑安装9大聊天软件，用codex的computer use功能控制聊天软件自动进行实机测试，节省人力成本，要不9大渠道我根本手工测试不过来 + + +四、架构设计： +大原则是：语义核心 + 渠道原生适配 +核心层只描述“用户要完成什么”，渠道层决定“在这个平台上怎么表现”。 + +渠道事件 + ↓ +渠道适配器：把微信/飞书/Telegram 事件翻译成统一语义 + ↓ +语义核心：Session、命令、审批、问题、产物、路由、交付结果 + ↓ +呈现意图：文字、图片、文件、交互、进度 + ↓ +渠道适配器：翻译为 image_item、CardKit、sendPhoto、Attachment…… + +五、展望： +目前已经有10+个Contributors，希望有更多的开发者参与进来，目前我的能力只能覆盖9个渠道，其他的渠道没有精力去接入了