做 DeepSeek Agent 近一个月，同步下 Orca 的进展

echoVic

上个月发帖说要做一个 DeepSeek-Native 的 Agent （ Orca ） https://www.v2ex.com/t/1222331 。

差不多块一个月了，来给 V 友们同步下进展：

这一个月 880 多个提交，Rust 从 3.9 万行涨到 18 万行，代码全部是 codex 、claude code 和 orca 自己写的。我的工作只有两件：提需求和定质量门禁。

先说门禁：

2300+ 个测试，其中 20 个契约测试套件，把 agent loop 、审批、provider 、shell 会话、子代理、workflow 这些边界锁死

需求先落 spec 再落 plan 才准动手，目前攒了 25 篇设计、60 篇实施计划

223 篇 release note ，204 篇带可复现的验证命令，有的直接附 TDD 红绿证据

发布链路：fmt / clippy -D warnings / 全量测试 → 四平台构建 → npm staging 冒烟 → 发布 → 发布后从 npm 和 GitHub 拉真实产物装上再跑一遍 → 真实 DeepSeek API 的端到端 gate

所以我不需要再盯着 agent 写代码，提了需求开 goal 模式直接做任务就好。为此我还做了一个多 agent 协同基座，这个后面有时间可以开源。
一个旁证：这个月 refactor 提交（ 335 个）比 feat （ 182 个）还多——债是它自己主动还的。

我一直围绕全放手、自动化跑任务这个目标，通过这套流程来迭代，主要做了：

OS 级沙箱：Linux 优先 bwrap 隔离，降级 Landlock + seccomp ，都没有就拒绝执行，绝不裸跑； macOS 走 Seatbelt

陌生仓库默认只读断网，项目配置 / AGENTS.md / skills 全不加载，/trust 之后才放行

每个工具调用恰好一个终态，被打断的、状态不明的如实记录，续跑不会把"没跑完"当"跑完了"

goal 模式去掉轮数上限，换成停滞检测 + token 预算；报"完成"前必须真调过工具

跑着的任务丢后台，随便开新对话，要审批弹回来，重启能恢复

终端交互单独算一条线：145 个提交，TUI 从 8 千行到 2.8 万行。历史和实时视图分离（终端原生滚动）、鼠标选择 + OSC52 复制、任务面板、内联 diff 、上下文水位和压缩过程全程可见。长会话上万行 transcript 的场景下，滚动响应从 4s 优化到 5ms 左右

接下来继续打磨 runtime ，然后做 Windows 。

上个帖子评论区争过 harness 有没有价值。这次不辩了，这个帖子就是我的答案：模型负责写，harness 负责让我敢信它写的东西。

GitHub：github.com/echoVic/blade-deepseek

npm：npm install -g @blade-ai/orca

官网：orcaagent.dev

zbinlin

比较好奇这些一共花费多少钱

sentinelK

其实问题不是否认 harness 的价值，而是如何做才是更有价值的 harness 。如何衡量每个机制、改动对于最终的产出到底是正向，还是负面作用。费效比是提升还是下降了。

gorvey

还以为是这个 orca https://www.onorca.dev/

echoVic

@zbinlin 上个月家里那台电脑消耗 200 多亿 token

echoVic

@sentinelK 嗯嗯，所以从研发流程这里我是质量门禁先行，然后再开发。agent 设计部分就是一定要有 verifier

FrankAdler

deepseek 自己已经在做 agent 了吧，大家自己搞三方的还有意义吗，比如还有那个 reasonix

TArysiyehua

哥们，你别光说提交与测试，能不能发发一下 bechmark 情况，对比任务结果，完成率等等。还说是你单纯的想发一下如果从头到尾开发一个 agent ？

echoVic

@FrankAdler 这个项目发起其实比较早，当时 ds 还没铺天盖地的消息。从另一个角度来说，我想验证我自己这套全自动化的流程

apkapb

所以其实特别是新项目，把基准、底线定好，让 AI 来执行，实际真的比我自己写的代码好。这点我也是深有感悟，