技术专栏 第69页

本文首发于微信公众号 BigDataLab，转载请注明出处。

更多 AI / 大模型实战干货，欢迎微信搜索关注「BigDataLab」，或
点此回看原文。

DeepSeek Harness 的核心是 Cordis 内核，主张”一切皆插件 + 插件动态装卸”。Agent Loop、Memory 这些性质完全不同的组件，全部被压平为可以随意装载、替换、卸载的插件。

LLM 服务返回的只是文本，真正把项目素材、Prompt、模型调用、JSON 校验和数据库记录串起来的是
analysis_engine.py。本篇基于开源仓库
fthux/RenoPit，分析
run_analysis_sync() 的完整执行过程。

图标1是主控 ESP32S3


图标2是屏幕 ST7735


图标3是心率血氧传感器 MAX30102


图标4是数字麦克风 INMP441

管理后台也同步升级了 Routes 与 Providers 工作台，让请求入口、公开模型、路由组和上游目标之间的关系更加直观。

需要说明的是：
现阶段 Harness 更适合开发者，而不是只想用 AI 聊天的普通用户。 如果你只是想体验 DeepSeek 的对话能力，官方网页版 / App 会更直接；如果你想搭建一个”能自己干活”的 Agent 底座，Harness 才真正对味。

本文将基于经典的 Telco Customer Churn 数据集，从零到一完整走一遍客户流失预测的建模流程：