结业 Case：用高标准岗位要求验收自己
以岗位使命为约束，完成用户研究、产品判断、半年路线图、核心原型和评测方案。
- 能在不假装知道内部信息的前提下做战略 Case
- 能连接用户、模型、Harness 与数据闭环
- 能给出路线图、资源、风险和 Kill Criteria
如何证明你不只是学会了术语，而是能胜任 Agent Harness 产品岗位？
课程面向广义 AI 时代产品经理：有人会直接负责 Agent 产品，有人会用 AI 重构企业流程。结业作品共同要证明三件事：理解 AI 能力边界，理解工程与安全边界，能把不确定系统设计成可评测、可控制、能持续迭代的产品。
DeepSeek JD 在这里是一把尺子，而不是唯一主叙事。候选人无法知道内部路线图，因此必须把岗位公开事实、行业一手材料、自己的观察和候选人假设分开。假装知道内部答案会削弱可信度。
路线图不是“更多工具、更多 Agent、更长 Memory”的愿望清单。它要选择目标用户与任务楔子，建立 Model × Harness 基线，按可靠性、任务深度和生态扩展排序，并为每阶段写资源、依赖、Go/No-Go 与 Kill Criteria。
先记住这句话用一份完整作品连接五类证据：真实任务研究、系统架构理解、产品取舍、可运行原型、科学评测。面试重点不是猜中公司答案，而是展示可验证的推理链。
先声明信息边界和候选人假设
第一页列出已知：岗位公开使命、可核验产品与模型信息；未知：内部团队资源、数据和既定路线图；假设：目标用户、首要任务、可用 Runtime 和发布约束。每个假设写验证方法。
这样面试官可以挑战前提，而不必先拆穿伪装成事实的猜测。产品判断的价值来自推理链和修正能力。
用共同任务集连接 Model 与 Harness
同一批真实任务同时记录结果、轨迹和人工反馈。模型问题进入模型评测与训练假设；Harness 问题进入 Context、Tools、Policy、Runtime 和 Client；无法归因的问题保留为联合实验。
模型升级后重新运行同一任务集，判断旧分解、重试或 Prompt 是否仍有必要。Harness 可以放大模型能力，也可能用复杂脚手架掩盖模型弱点。
半年路线图从可靠任务闭环开始
第 0–2 月建立目标用户、任务库、轨迹、失败分类和内部 Dogfood；第 3–4 月深化一类高价值工作流，补恢复、权限和 Eval；第 5–6 月在核心接口稳定后扩展 SDK、MCP 或社区模板。
这是本站候选人示例，不是 DeepSeek 真实路线图。实际排序必须由团队资源、模型能力、用户证据和战略约束重新计算。
答辩要展示放弃了什么
完整作品包含假设清单、用户研究、架构图、交互原型、20 个任务 Eval、指标、半年路线图和 Pre-mortem。每个阶段说明为什么现在做、依赖什么、什么证据会停止。
至少准备三个未选方案及其代价。高质量产品判断不只展示想做什么，也展示为什么没有选择看似更大的机会。
优秀 Case 不靠猜公司答案。先声明候选人假设，再选择目标用户与任务楔子，建立能力基线，识别模型与生态优势，安排基础能力和场景路线图，并给每个阶段写证据与淘汰标准。
声明信息边界、用户段、任务和现状假设
用真实任务与轨迹建立 Model/Harness 基线
按基础可靠性、场景深度和生态扩展排路线图
将真实失败归因后进入模型或 Harness 迭代
有术语没听懂？在这里用人话再看一遍6 个词＋
- 候选人假设
- 在缺少公司内部信息时，为完成 Case 明确提出、可被挑战和验证的暂时前提。
- Model × Harness 基线
- 用同一任务集记录模型与外围系统组合表现，并对失败做分层归因。
- 路线图
- 围绕目标、证据、资源、依赖和阶段门槛组织的产品选择，不是功能清单。
- Pre-mortem
- 假设方案未来已经失败，提前寻找最可能原因和防护。
- Go/No-Go
- 阶段结束时决定继续、调整或停止的证据门槛。
- 共同进化
- 模型与 Harness 使用共享任务和失败数据分别迭代，再验证组合收益。
候选人假设下的六个月路线图
0–2 月建立任务集、轨迹和内部 Dogfood；3–4 月深化一类高价值工作流与恢复；5–6 月再扩展 SDK/MCP/社区模板。
- 01
先服务一个清晰用户段
- 02
可靠性基础与任务深度先于功能广度
- 03
每阶段设资源、依赖、Go/No-Go 和 Kill Criteria
路线图展示判断与证据，而不是照抄 Claude Code、Codex 功能清单。
本章依据与证据边界4 条结论 · 9 份原始材料＋
正文已经把关键来源放在相关概念旁边。这里保留完整核验清单：每条材料能支持什么、不能支持什么；不要求离开本站才能继续学习。
- [1]
DeepSeek Agent Harness 招聘信息是本站结业能力标准的一手依据，但不披露其内部路线图。
官方事实DEAI 产品经理（Agent Harness 产品方向）官方招聘 · 核验 2026-07-14 - [2]
OpenAI 的 Harness Engineering 案例说明外围环境、文档、工具与反馈可以显著影响 Agent 在复杂任务中的有效性。
官方事实OPHarness engineering: agent-first world官方工程文章 · 核验 2026-07-14 - [3]
Anthropic 的 Agent Eval 方法支持用真实任务、重复 Trial 和分层评分建立共同质量基线。
官方事实ANDemystifying evals for AI agents官方工程文章 · 核验 2026-07-14 - [4]
本站六个月阶段、用户研究 Agent 方案与作品结构全部是候选人教学推演，不代表 DeepSeek 计划。
本站推演DEAI 产品经理（Agent Harness 产品方向）官方招聘 · 核验 2026-07-14
查看全部一手材料与源码证据 9 条
这份材料展示 Compaction 仍不足以解决跨上下文长任务，并总结一次做太多、半成品难接续和过早宣布完成等失败模式。它用初始化环境、功能清单、进度文件、Git 历史、增量推进和端到端验证说明 Harness 如何把连续性写入环境。
官方方法 · 核验 2026-07-11Demystifying evals for AI agentsAnthropic这份材料定义 Task、Trial、Grader、Transcript、Outcome、Evaluation Harness 与 Agent Harness，并强调评估 Agent 时实际评估的是模型与 Harness 的组合。它支持用多次 Trial、代码/模型/人工 Grader、Outcome 与轨迹联合评分，以及分别建设 Capability Eval 和 Regression Eval。
官方方法 · 核验 2026-07-11Harness engineering: leveraging Codex in an agent-first worldOpenAI这份案例说明当 Agent 承担大量执行工作时，人类工作的重心会转向表达意图、设计环境、维护可读知识和建立反馈回路。它支持用仓库内版本化知识、机械化架构约束、测试、Lint 与可操作错误信息提升 Agent 的可读性、自治性和长期一致性。
厂商研究 · 核验 2026-07-14Agentic coding and persistent returns to expertiseAnthropic这项 Anthropic 研究讨论不同经验水平开发者怎样使用 Claude Code，以及领域与工程经验为何仍会影响任务选择、监督、验证和最终产出。
证据边界：厂商研究不能单独证明所有用户、任务与组织都获得相同生产率收益。官方方法 · 核验 2026-07-14Harnessing Claude’s intelligenceClaude by Anthropic这份官方设计说明展示 Claude Code 团队如何把模型能力放进工具、上下文、权限与反馈环境，并把 Harness 视为随模型变化而持续调整的产品系统。
证据边界：它解释团队经验，不代表每个领域都应复制 Claude Code 的产品结构。官方产品实现 · 核验 2026-07-14A harness for every task: dynamic workflows in Claude CodeClaude by Anthropic这份材料说明 Claude Code 如何让用户为长程、并行、结构化或对抗任务编写动态 Harness，并以多个独立上下文完成分解、验证和汇总。
证据边界：动态工作流不是默认更优；协调、Token、延迟和错误传播仍需针对任务测量。官方岗位原文 · 核验 2026-07-14AI 产品经理（Agent Harness 产品方向）DeepSeek官方岗位原文要求路线图、真实任务与用户反馈、模型行为判断、Vibe Coding、UI/UX、Harness 技术原理、数据研究和模型与 Harness 共同进化。
证据边界：公开 JD 不披露 DeepSeek 内部路线图、面试题、组织分工或唯一合格答案。独立研究结论 · 核验 2026-07-14We are Changing our Developer Productivity Experiment DesignMETRMETR 说明后续实验受到参与者和任务选择效应影响，数据只能很弱地支持晚 2025 工具带来更大加速，无法可靠估计幅度。
证据边界：原始点估计和自报体验都不足以给出当前普遍提效比例。独立研究结论 · 核验 2026-07-14AI Agents That MatterPrinceton NLP论文指出只追准确率会忽略成本、复现性、下游适用性、留出集和基准过拟合，并提出联合优化准确率与成本。
证据边界：该框架本身不能替代具体产品的真实用户任务、风险与商业指标。本课对应面试题
离开这个模块之前，先自己回答这 2 个问题。
不打分、不记录。答不上来就点回那一课；能用自己的话讲清楚，再进入下一模块。已标记已读 0/2。
07.1“准确率 95%”为什么不是完整的 Agent 验收标准？＋
没有说明任务分布、完成定义、评分器、过程风险、环境版本和失败处理；它无法指导实现、测试或发布。
07.2Case 中不知道 DeepSeek 内部路线图，应该怎么办？＋
明确标注候选人假设、依据和信息边界；展示如何用用户、任务、模型能力和资源验证假设，比假装知道内部答案更专业。