DeepSeek Harness 插件介绍：dsh-delegation-workflow

在开发 DeepSeek Harness (DSH) 智能体时，主 agent 规划任务后，往往需要将特定步骤委派给子代理执行。现有的通用子代理配置难以在调用时动态指定模型或推理强度，导致任务执行与审查环节缺乏精细控制。

这是什么¶

dsh-delegation-workflow 是一个协作式委派工作流插件，由 Wh1stle05 维护。它为 DeepSeek Harness 提供了一个 delegate_with_model 工具，实现了“主规划 → 子执行 → 主审查”的工作流，让主 agent 能够将计划中的步骤委派给子代理执行，并显式指定该子代理的运行模型与思考强度。

核心功能¶

新增工具 delegate_with_model：主 agent 可使用该工具发起委派。
参数支持：支持 description（委派描述）、prompt（子代理任务说明，不共享父代理上下文）、provider（子代理 LLM 后端）、model（模型 ID）、reasoning_effort（推理强度，动态校验支持档位）、run_in_background（是否后台运行）。
Web 端命令：新增 /delegate-model 斜杠命令，用于在 Web 界面选择模型和思考强度，配置会持久化到 $DSH_HOME/settings.yaml。
通用设置：在通用设置中新增“子代理默认模型”条目，包含模型和思考强度两个选择器。
区别于内置 subagent：插件将调用方指定的 provider 和 model 写入子代理的 AgentOptions，并在子代理发出首个请求前注入 reasoning_effort，提供更细粒度的控制。

安装与启用¶

安装插件需先安装 DeepSeek Harness (dsh 命令)。dsh plugin 命令底层转发给 pnpm。

# 安装最新版
dsh plugin --profile web add github:Wh1stle05/dsh-delegation-workflow

# 或固定到某个版本 tag
dsh plugin --profile web add github:Wh1stle05/dsh-delegation-workflow#v0.2.1

# 本地开发 (link 到工作副本，改完源码重启 dsh 即生效)
dsh plugin --profile web add link:/path/to/dsh-delegation-workflow

插件安装后，仓库自带的 cordis.patch.yml 会自动生效，无需在 profile 的 cordis.patch.yml 中手动重复 insert（重复 insert 会在同一份 entry 列表里产生两个同名插件）。如需修改默认配置（如 provider、model、effort），可在 profile 的 cordis.patch.yml 中通过 id: delegation-workflow 定向覆盖：

- id: delegation-workflow
  config:
    subagentProvider: spawn
    provider: commandcode-ubuntu1
    model: deepseek/deepseek-v4-pro
    reasoningEffort: high
    toolName: delegate_with_model

典型用法¶

典型用法遵循“主规划 → 子执行 → 主审查”的流程：

主 agent 使用 todo_write 拆解计划。
主 agent 使用 delegate_with_model 委派子代理执行第一步，参数包含模型和思考强度。
子代理执行并返回结果。
主 agent 对照计划审查，直到验收通过。

具体的工作流规则详见 AGENTS.md 文件。

注意事项¶

进程重启：插件源码 (src/) 改动后需要重启 dsh 进程才会加载。
配置热重载：cordis.patch.yml 中的配置修改支持热重载。
概念区分：subagentProvider 是子代理的执行后端（transport，由 dsh-subagent-{spawn,fork}-in-process 注册），而 provider 是 LLM 模型后端（如 opencode-go）。二者概念不同，不可混用，否则会报 no subagent provider registered for ...。
依赖管理：v0.2.1 起依赖改为 peerDependencies，由 profile 解析，避免和 host 的包混用导致 import 失败。

总结¶

该插件通过显式控制子代理的模型与推理强度，增强了 DSH 中的任务委派能力。更多细节可查阅其 GitHub 仓库。