本文其余部分组织如下：第 2 节结合公开资料分析 DeepSeek Harness 的工程架构，界定被评测对象；第 3 节介绍评测所依托的 AgentLoop 平台及其对 DeepSeek Harness 的接入方式与选型理由；第 4 节介绍数据集来源与任务范式；第 5 节阐述评估器设计思路，包括总体设计原则、GT（Ground Truth）构建方法、三维打分维度、评估 Skill 的交付形态与端

本文其余部分组织如下：第 2 节结合公开资料分析 DeepSeek Harness 的工程架构，界定被评测对象；第 3 节介绍评测所依托的 AgentLoop 平台及其对 DeepSeek Harness 的接入方式与选型理由；第 4 节介绍数据集来源与任务范式；第 5 节阐述评估器设计思路，包括总体设计原则、GT（Ground Truth）构建方法、三维打分维度、评估 Skill 的交付形态与端

AI 编码 Agent 真正跑起任务后，问题往往不再是“它有没有完成”，而是：这一轮为什么花了 47 秒？时间卡在模型还是工具？失败后重试了几次？Token 消耗来自主 Agent 还是 Subagent？

如果我们只看 Agent 如何获取依赖/关系信息这一条线，过去三年差不多走过了三个阶段。每一代都解决了上一代的核心痛点，也暴露了新的瓶颈。下面的演进对比中，我们用运维场景的例子来串联。

阿里云 AgentTeams 聚焦企业级多 Agent 长期协同，首创“组织化”架构：四层落地体系（入口/身份/团队/资产）+零信任安全四防线+动态分层协作+弹性沙箱运行时+持续进化飞轮，让 Agent 真正成为可管理、可治理、可进化的数字员工。

阿里云 AgentTeams 7月第二周产品动态

无论从开箱即用的 AI 治理中心开始，还是从自建开源 Nacos AI Registry 开始，目标都是一样的：让团队 Skill 有一份可信来源。Agent 会继续变化，团队的 Skill 不应该继续散在各处。

5 月 22 - 23 日，QECon 全球软件质量&效能大会落地深圳湾万丽酒店。阿里云云原生专家团将带来 4 场高密度实战分享，逐一拆解企业 AI Agent 落地痛点，欢迎您现场参会！代码评审跟不上迭代速度、Agent 行为不可观测、多 Agent 协同缺少安全边界、RAG 上下文碎片化——这些问题正在成为企业 AI Agent 工程化落地的“最后一公里”。AI Agent 从 Demo 到生

HiClaw 现已支持 Worker 模板，帮助团队把某一类问题中已经验证过的 Skill 组合、执行约束、输出结构和 SOP 沉淀为标准 Worker，让 Agent 在处理同类任务时不必每次从头组织能力，从而获得更稳定的输出，也更方便分发、管理和测试。

AgentScope Java 2.0 的 AgentScope Harness 模块走的是同一条路。本文以官方示例 agentscope-examples/agents/agentscope-codingagent 为线索，讲清楚一个生产级 Coding Agent 是怎么用 Harness 拼出来的 —— 每一行配置解决了什么问题，怎么从本地 CLI 一路演进到挂在 GitHub Webhoo