WorkLoom 织元 · DeepSeek Harness 企业级 Agent IM

面向 AI 时代人机共存的新形态组织协作底座 · Enterprise Agent IM powered by DeepSeek Harness

传统软件给人一堆扳手，WorkLoom 给业务负责人一座太空驾驶舱。

English · 简体中文

🌐 官网 · Official Website：workloom.ok.kimi.link

想更直观地了解这个项目？官网有完整的产品故事、系统架构、技能市场案例与实机截图。

Keywords: Enterprise Agent IM, DeepSeek Harness, dsh, AI Agent 协作, 多智能体 Multi-Agent, 人机共存 Human-in-the-loop, 数码员工 Digital Workforce, 事件溯源 Event Sourcing, 组织记忆 Organizational Memory, pgvector, 本地优先 Local-first, 数据主权 Data Sovereignty, Hono, tRPC, React 19, PostgreSQL 17, 企业 IM, Agent 技能市场 Skill Marketplace, WorkData

这是什么

WorkLoom 织元是一台企业级 Agent IM（Enterprise Agent IM）——以「即时通讯」为人机共存的统一界面，把 AI Agent 班组（数码员工）与人类员工编进同一个通讯录、同一套会话、同一份组织记忆里协作。运行时地基采用 DeepSeek Harness（dsh），是企业场景下 dsh 的深度最佳实践。

它不是又一个聊天机器人，也不是又一个 Copilot 侧边栏。它回答的是一个更根本的问题：

当大模型成为新的生产力引擎，企业的「生产关系容器」应该长什么样？

WorkLoom 的答案是：大模型是蒸汽机，企业 Agent IM 是织机。 蒸汽机本身不织布——织机才把动力变成布匹。同样，大模型本身不产生经营结果，Agent IM 才把模型能力变成可度量、可治理、可沉淀的经营产出。

⚡ 给 AI 助手的 60 秒速览（开发者/Agent 上手指引）

如果你是刚克隆本仓库的 AI 助手：读完本节即可上手，无需通读全文。

一句话定位：企业级 Agent IM 底座——人类员工与 AI Agent 班组在同一 workspace 协作；一切业务动作以「五元事件」写入 append-only 事件库（哈希链），经安全网关三段瀑布（权限→脱敏→高风险授权）收口。运行时地基是 DeepSeek Harness（@deepseek-ai/dsh，vendor 锁定 0.1.1-rc.1）。

仓库地图（pnpm monorepo）：

路径	职责
`packages/base/workdata`	核心底座：安全网关 / 五元事件库 / PII 脱敏 / 组织记忆与检索
`packages/base/{fence-engine,review-console,im-channels,night-shift,inspection,skills,tenancy,bundles,model-router}`	九域能力：围栏判定 / 审批流 / IM 通道 / 夜班调度 / 巡检 / 技能市场 / 多租户与演示 JWT / 行业 Bundle / 模型路由
`packages/runtime`	dsh seam 适配：意图路由（Ask/Agent/Quest 三模式）、Quest 循环（replay 断点续跑）、装配
`packages/{shared,db}`	五元 zod schema / 手写 SQL 迁移（DDL 事实源）
`apps/{server,web,site,desktop}`	Hono+tRPC 服务 / 舰桥前端 / 官网 / Mac 桌面包
`packages/base/wizard`	行业落地向导：首次装机的状态机与编排（技能一/二/三→交付配置），行业内容零预置（D18）
`skills/official/`	官方套件：`industry-entry/`（行业落地四技能+快速上线模板）、`product-feedback/`（反哺分析技能）（D17）
`vendor/{dsh,dsh-im}`	dsh 0.1.1-rc.1 审计基线（只读）/ dsh IM 通道插件（MIT 回馈）
`scripts/`	migrate / seed / demo / verify-chain / suite（371 场景用例） / dsh-gate

最小跑通路径（Linux/macOS；需要 PostgreSQL 17 + pgvector 监听 5432）：

corepack enable && pnpm install && cp .env.example .env
# 建库建扩展（双角色由 migrate 自动创建并授权——A3 旁路防控：只有 gateway 角色可 INSERT biz_events）
psql -U postgres -c "CREATE DATABASE workloom;"
psql -U postgres -d workloom -c "CREATE EXTENSION vector;"
pnpm db:migrate && pnpm db:seed          # 迁移 + 演示种子（服务业门店演示工作区）
pnpm typecheck && pnpm test              # 类型检查 + vitest（DB 集成见下）
pnpm db:verify-chain                     # 哈希链全库逐条重算验证
pnpm suite                               # 371 条全场景用例（含 spawn server 的 HTTP E2E）
pnpm demo                                # 端到端演示剧本
pnpm dev                                 # 起 server(:8787) + web(:5173)
# DB 集成测试（默认 skip）：
RUN_DB_TESTS=1 pnpm -C packages/base test

适用 / 不适用：

✅ 适用：通用 Agent 协作底座——任何「有明确产出指标 + 大量重复处置动作」的组织：服务业门店（餐饮/零售/生活服务）、社媒营销团队（选题/文案/发布/互动/复盘）、AI 视频与内容创作团队（脚本/分镜/素材/排期/评论处置）等；需要 AI Agent 进组织、上产线、可问责的团队。行业能力以 Bundle 可插拔加载，bundles/ 下附服务业门店参考实现。
❌ 不适用：纯聊天机器人/Copilot 侧边栏诉求；无状态问答 SaaS；不愿自托管 PG 的场景（数据主权设计是 local-first）。

事实源文档索引：CHANGELOG.md 版本变更 · docs/DECISIONS.md ADR · docs/AUDIT.md 审计记录 · docs/SUITE.md 371 用例清单 · docs/03-功能清单-用户版.md 功能全表 · docs/04-行业落地向导-用户版.md 落地向导 · docs/methodology/01-行业落地三技能体系.md 行业落地方法论。安全铁律与编码规范见各包文件头注释与 docs/AUDIT.md 附录。

给 AI 助手的修改纪律：改网关/权限/RLS/append-only 相关代码前必读 docs/AUDIT.md 第 1 轮 P0 教训（RLS 事务级上下文必须配显式事务）；每个逻辑变更一个 commit；修复必须附回归测试（套件已有 371 条，往 scripts/suite.ts 加用例优先于新建测试文件）。

一、行业创新：首款企业级专业 Agent IM

1.1 企业引入 AI 的五道断层

企业不缺模型，缺的是让模型「进组织、上产线、可问责」的最后一公里。五道断层横在中间：

断层	现象	WorkLoom 的接法
上下文断层	AI 不知道企业是谁、业务到哪一步	WorkData 五元事件库沉淀组织记忆，Agent 与员工共享同一份上下文
执行断层	AI 只会说不会做，或做了没人敢认	Quest 任务卡 + 围栏三级授权，动作全部落在事件链上
治理断层	出了错没人知道是谁、哪一步	黑匣子式全量审计：谁发起、谁批准、谁执行、结果如何，逐条可回放
度量断层	AI 的产出无法换算成经营语言	经营目标（Quest）驱动，早八点战报用 KPI 口径汇报
数据安全断层	数据上云不放心，权限边界说不清	本地优先 PostgreSQL + 行级安全（RLS），数据主权在企业自己手里

1.2 AI 原生：第一公民不是消息，而是「可追责的动作」

传统 IM 把「沟通」数字化了，但没有把「行动」数字化——消息发出去，事还得人去办。Agent IM 是 AI 原生（AI-native）的协作底座：它的第一公民不是消息，而是「可追责的动作」——每一个动作都有主体、有授权、有结果、有留痕。

最直观的分水岭是审批卡片：飞书里的审批卡片是外挂的 OA 插件，点一下就跳出 IM、跳进另一个系统；WorkLoom 里的审批卡片是原生消息类型——它本身就是事件流里的一环，批准手势直接写回事件库成为校准样本。这个差别，就是两个时代的差别。

服务对象也换了：传统 IM 服务人，Agent IM 服务 AI——主体换了。在 WorkLoom 里，人和 AI 在同一个 workspace 协作，IM 的每个原生概念都被重新定义：

IM 概念	Agent IM 重定义
消息	= 事件（五元结构，append-only，可审计）
通讯录	= 人机混编班组（人类员工与数码员工同册）
群	= 任务线程（三态：进行中 / 待裁决 / 已归档）
审批	= 原生消息类型（不是外挂插件）
在线时长	= 无人值守经营时长（7×24 夜班不打烊）

1.3 IM 本体正名：为什么底座是 IM

市面上把 AI 塞进 IM 的产品不少，但把 IM 作为人机共存操作系统来正经设计的，WorkLoom 是第一款：

能力域	IM 原生语义的重新诠释
M1 消息即事件	每条消息都是五元事件（主体/动作/对象/上下文/结果），天然 append-only、可审计
M2 围栏即行动权限	「群公告」式围栏：Agent 能做什么动作，由权限三级（自动/审批/禁止）精确控制
M3 三态会话	会话即工单：进行中 / 待裁决 / 已归档，业务状态一目了然
M4 夜班永不下线	Agent 数码员工 7×24 值守，守夜战队自动巡检，人类下班业务不下班
M5 审批原生消息	审批不是跳转外链，是 IM 里的一张卡片：同意 / 驳回 / 改派，一键完成
M6 人机混编通讯录	人类员工与 Agent 数码员工同册并列，按部门、技能、可调度性编排
M7 组织记忆	会话沉淀为可检索的组织知识，pgvector 语义召回
M8 塔台管制	紧急制动：一键暂停全场 Agent，控制权永远在人类手里
M9 经营仪表	KPI 巡检、阈值告警、早八点战报，IM 首页就是经营驾驶舱

1.4 人机共存的新形态：人只做三件事

在 WorkLoom 组织的协作里，人类从「操作者」升格为「舰长」，只做三件机器替代不了的事：

供给：提供目标、素材、预算与业务判断（设定航线）
裁决：在围栏审批点上拍板（同意 / 驳回 / 改派）
沉淀：把一次好的协作固化成班组 SOP 与技能，下次自动复用

其余一切——执行、巡检、对账、守夜、写战报——交给 Agent 班组。

二、业务模式创新：给老板一座太空驾驶舱

WorkLoom 的购买决策人不是 IT 部门，而是业务负责人——门店老板、运营总监、社媒营销负责人、内容团队主理人。产品的一切设计都对着他们的语言：

2.1 太空驾驶舱六条公理

太空驾驶舱	WorkLoom 对应	业务含义
目的地	经营目标（Quest）	不说「功能」，说「本月营收提升 8%」这类可验收目标
自动驾驶	Quest + 夜班自动执行	设定目标后，班组自动拆解、执行、巡检，夜班不打烊
禁飞区	围栏三级（自动/审批/禁止）	涉及钱、合同、客户数据的动作，未经批准一律不得执行
仪表盘	KPI + 巡检告警	经营指标实时可视，异常自动亮红灯并 @ 负责人
黑匣子	WorkData 五元事件库	每一步操作留痕，可回放、可审计、可归责
塔台	IM 卡片 + 一键暂停	老板在手机上就能审批、改派、紧急制动

2.2 业务价值的三个「不再是」

投入不再是买软件：不再是按账号付年费买一堆用不起来的功能，而是按经营目标雇佣一支「数码班组」——先定目标，再看产出。
产出不再是过程指标：WorkLoom 汇报的不是「AI 调用了多少次」，而是「昨夜线上差评全部响应、本周渠道价差收敛、本月夜班挽回 N 笔流失订单」——经营口径，老板语言。
数据不再是代价：组织记忆沉淀在企业自己的数据库里（本地 PostgreSQL + pgvector），不喂给任何第三方。用 AI 越久，企业自己的数据资产越厚——这是复利的方向。

2.3 通用底座：任何「有指标 + 有重复动作」的组织都能落地

WorkLoom 是一套通用 Agent 协作底座，不是某个行业的专用系统。 今天大量行业有一个共同的低效结构：企业买了大量平台和工具，员工在十几个系统之间切来切去，大量时间耗在机械化的操作上——查数、对账、抄单、回消息、发内容、回评论；更贵的是，人在机械操作的间隙里还要不断做判断，注意力和决策力被反复切碎。这个结构里的每一件事，AI 能力今天都已经被验证可以承担；缺的不是 AI 能力，而是一个让 AI 进组织、上产线、可问责的容器。

WorkLoom 就是来解这个问题的——行业能力以 Bundle 可插拔方式加载，底座（安全网关 / 事件库 / 围栏 / 审批 / 夜班 / 技能市场 / 组织记忆）与行业无关：

领域	典型数码员工	经营口径产出
服务业门店（餐饮/零售/生活服务）	收益管理、渠道对账、差评处置	营收指标、差评响应时长、价差收敛
社媒营销	选题策划、文案生产、发布排期、互动回复	发布节奏达成率、互动响应时长、线索转化
AI 视频与内容创作	脚本起草、分镜拆解、素材生成、评论处置	产出管线吞吐量、发布准点率、爆款复盘沉淀
销售型电商/门店运营	巡检告警、客服分流、对账守夜	异常发现时长、挽回订单数

bundles/ 下的服务业门店参考实现（收益管理 / 渠道对账 / 差评危机处置三个预制技能随包附赠，新客户约 30 分钟跑通，详见新客户首次接入完整流程）；社媒营销与内容创作领域的 Bundle 在路线图上（见文末）。同一底座复用到新领域时，需要换的只是 Bundle（技能包 + 围栏基线 + 巡检项），底座代码零改动——这也是 H-15 验收断言的硬约束。

三、与通用 AI 办公的本质区别

通用 AI 办公助手（如腾讯 WorkBuddy、阿里千问办公、QoderWork 等）解决的是「帮员工把活干完」——数字化的是个人办公任务。WorkLoom 解决的是「让组织里的人与 AI 一起把生意跑起来」——数字化的是组织经营动作。这不是功能多寡的差别，是品类差别：

维度	通用 AI 办公助手（WorkBuddy / 千问办公 / QoderWork）	WorkLoom 织元
服务对象	服务「人」：个人/员工的桌面提效助手	服务「AI 与组织」：AI 是组织成员，人升格为舰长
数字化对象	个人办公任务：文档、表格、纪要、资料整理	组织经营动作：每一个动作可追责、可审计、可回放
产品形态	桌面客户端 / 个人工作台，一人一助手	企业级 IM 底座：人机混编班组在同一个 workspace 协作
与 IM 的关系	IM 是远程遥控入口（手机发指令指挥电脑）	IM 是本体：消息=事件、审批=原生消息类型
协作粒度	单人任务拆解执行	目标 → 步骤 → 技能装配的组织级流水线，守夜战队 7×24
数据归属	个人账号 / 云端为主	企业本机：数据主权 + RLS 多租户隔离
产出口径	交付文档、表格等个人产物	经营口径：营收、差评响应时长、挽回的订单

一句话：通用 AI 办公让员工的 8 小时更高效；WorkLoom 让企业的 24 小时自动运转。 二者不冲突——员工可以继续用 WorkBuddy 写文档，而 WorkLoom 在组织层把 AI 编成一支可治理、可度量、可归责的数码班组。

四、WorkData 数据大脑：核心底座

WorkData（packages/base/workdata）是 WorkLoom 的核心底座——企业的「数据大脑」与「黑匣子」。九域能力、DeepSeek Harness 运行时、舰桥前端的所有读写，都经由 WorkData 唯一收口。

4.1 三段核心机制

机制	做什么	为什么重要
① 安全网关三段瀑布（gateway）	PII 脱敏 → 围栏预检 → 幂等去重，三段全过才落账	gateway 是唯一写入者，双角色收口——旁路写入在物理上不存在
② 五元事件库（events）	主体/动作/对象/上下文/结果，append-only + SHA-256 哈希链	「模型可见即已记录」：Agent 看到的每一条上下文都已留下不可篡改的痕
③ 组织记忆（memory + recall）	三级作用域（个人/班组/组织）+ pgvector 语义检索 + 来源归因 + 脱敏回流	企业用 AI 的每一天都在积累自己的数据资产，而不是替别人训练模型

4.2 可靠性实证：敢让 Agent 碰生产业务的前提

kill -9 崩溃测试：Agent 执行到一半强制杀进程，重启后沿哈希链重放恢复——25 条事件链逐条校验，零丢失、零重复执行
验链：全量哈希链校验，任何篡改都会断链报警
重放幂等：同一事件流重放 N 次，世界状态必须一致

4.3 数据主权

全部数据存于企业本机 PostgreSQL 17 + pgvector，RLS 行级安全隔离多租户，不上传任何第三方。

五、技能市场：目标如何自动拆解为步骤，步骤如何装配技能

WorkLoom 的**装备库（skills）**就是技能市场：技能分三级——official（随行业 Bundle 官方分发）、team（工作区自建）、industry（脱敏后跨组织共享）。用户可以安装现成技能，也可以用自然语言自建。

5.1 真实案例（示例之一 · 服务业门店）：店长说「差评响应要做到 2 小时内」

店长一句话目标
   │
   ▼ 意图路由（intent）——LLM 分类 + 规则兜底，判定为 Quest（经营目标）
   │
   ▼ 自动拆解为任务卡步骤
   │
   ├─ 步骤 1 差评监测  ── 装配技能 review-crisis（official，行业 Bundle 自带）
   │        └─ 守夜战队 7×24 巡检线上评价渠道，新差评 5 分钟内检出
   │
   ├─ 步骤 2 安抚草稿  ── Agent 基于组织记忆（该客户历史消费记录）起草回复
   │        └─ 调用 WorkData recall 检索相似历史差评的处置经验
   │
   ├─ 步骤 3 舰长审批  ── 围栏判定：对外发送 = review 级 → 审批卡片发给店长
   │        └─ 店长点「同意」，手势写回事件库（校准样本 +1）
   │
   ├─ 步骤 4 回复发布  ── 批准后自动执行，全程留痕进五元事件链
   │
   └─ 步骤 5 复盘沉淀  ── 意识系统（awareness）发现「同类差评每周 ≥3 次」
            └─ 自动建议固化为新技能 → 店长一键确认 → forge 生成技能草稿
                → dry-run 回放最近 10 条历史动作预览效果 → 正式上线

5.1b 同一底座在内容领域：社媒营销负责人说「每天 3 条小红书，评论区 1 小时内必回」

营销负责人一句话目标
   │
   ▼ 意图路由 → Quest 拆解为步骤
   │
   ├─ 步骤 1 选题起草  ── 装配文案技能（team 自建 or industry 上架），
   │        └─ 基于组织记忆（历史爆款复盘）生成 3 条初稿
   ├─ 步骤 2 舰长审批  ── 对外发布 = review 级 → 审批卡片逐条裁决（可改后采纳）
   ├─ 步骤 3 定时发布  ── 触发器按排期执行，全程事件链留痕
   ├─ 步骤 4 评论守夜  ── 守夜战队巡检评论区，常规问题自动草拟回复、
   │        └─ 敏感/投诉类自动升级人工（围栏判定）
   └─ 步骤 5 数据复盘  ── 早八战报汇报曝光/互动/转化，高表现打法经意识系统
            └─ 固化为新技能——团队的「内容手感」从此沉淀在组织记忆里

AI 视频创作同理：脚本起草 → 分镜拆解 → 素材生成 → 发布排期 → 评论处置，每一步都有主体、有授权、有结果、有留痕——内容团队的生产管线就是 Quest 流水线。

5.2 技能市场的安全铁律

安装即绑定围栏，卸载即撤销：技能声明自己能做什么动作，安装时与现有围栏冲突的一律进审批，不静默放行
industry 层上架前必须脱敏（desensitized=true），否则拦截，禁止降级
生产仅签名白名单：首版只认 official + team，其余来源拒绝并留痕
自建技能生效前必须 dry-run：回放真实历史动作预览效果，没有预览留痕就拒绝安装

5.3 零代码自建技能（forge）

用自然语言说清三要素——触发（什么时候做）、步骤（怎么做）、边界（不能做什么）——系统自动生成标准 SKILL.md 技能草稿，进版本管理，同名再生成自动递增版本号。

六、运行时地基：DeepSeek Harness 行业应用最佳实践

WorkLoom 没有重复造 Agent 运行时的轮子，而是站在 DeepSeek Harness（dsh）的肩膀上，把全部工程火力集中在企业级护城河上——这可能是 dsh 发布以来最深入的一次行业化落地。

6.1 双轨架构：地基用 dsh，护城河自研

┌─────────────────────────────────────────────────┐
│  L2  自研九域护城河（WorkData / fence-engine /    │
│       im-channels / inspection / model-router /   │
│       night-shift / review-console / skills /     │
│       bundles / tenancy）                         │
├─────────────────────────────────────────────────┤
│  L1  DeepSeek Harness（vendor/dsh，MIT）          │
│       Agent 运行时地基：loop / 工具 / 模型路由 /    │
│       会话 / 持久化 / 插件（cordis）               │
└─────────────────────────────────────────────────┘

为什么不自研地基？ Agent 主循环、工具调度、模型适配是会快速商品化的通用能力，跟开源社区共建远比闭门造车划算——dsh 由 DeepSeek 团队维护，迭代速度和质量都有保障。为什么九域必须自研？ WorkData、围栏、审计、夜班调度这些能力直接贴着企业的钱和数据，是 WorkLoom 的价值所在，必须完全掌控。

6.2 dsh 的消费方式：seam 精确对接

WorkLoom 通过 packages/runtime 对 dsh 做了一整层 seam 适配，只消费稳定接口：

能力	dsh 组件	WorkLoom 用法
Agent 主循环	dsh-agent-loop	班组执行引擎的底层循环
工具呈现	dsh-agent-tool-presentation	围栏拦截点在工具调用前生效
模型适配	dsh-agent-default-model + model-router	多模型路由：成本/时延/任务类型三维权衡
插件系统	cordis	通道插件（dsh-im）以插件形态挂载
指令体系	dsh-agent-instructions	班组 SOP 注入 Agent 上下文
持久化 seam	dsh session 持久化	事件桥落账到 WorkData 五元事件库

6.3 回馈社区：dsh-im 通道插件

WorkLoom 把 IM 通道适配层抽成了独立的 dsh 插件 vendor/dsh-im（MIT），任何 dsh 应用都可以用它把 Agent 接入 IM 通道——这是我们对 dsh 生态的回赠。

系统架构

五层结构自上而下：体验层（舰桥 Web 端 / IM 通道 / Mac 桌面包）→ 服务层（Hono + tRPC v11，PG 行级安全）→ 能力层（自研九域护城河，WorkData 数据大脑为核心底座）→ 运行时地基（DeepSeek Harness seam 适配）→ 数据层（PostgreSQL 17 + pgvector，五元事件 append-only + hash chain）。

业务闭环

设定航线 → 护栏判定 → 班组执行 → 守夜战队 → 08:30 战报 → 舰长拍板，六节点闭环；「校准写回」与「沉淀」两条回路让每一次协作都让系统更懂这家企业。底部安全底线带（紧急制动 / 黑匣子 / 失败转人工）兜住一切异常。

三分钟启航（Mac 用户）

下载：到 Releases 下载 WorkLoom-macOS.zip（约 208 MB，sha256 随附可校验）。
解压拖入应用程序：首次打开如遇 Gatekeeper 提示，在「系统设置 → 隐私与安全性」点一次「仍要打开」即可——这是唯一一次需要手动授权。
双击 WorkLoom.app：启动器自动完成一切——内嵌 PostgreSQL 17 + pgvector 初始化、数据库迁移、服务拉起、舰桥打开。无需安装任何依赖，无需命令行。

系统要求：macOS 13 Ventura +，Apple Silicon（M 系列）。Intel 版后续推出。

用户文档（随代码一起下载）

文档	适合谁	内容
门店店长使用指南	门店店长 / 门店负责人	下载安装 → 配置 → 日常使用，全程无技术术语
新客户首次接入完整流程	任意行业新客户	从下载到正式使用的通用接入流程（约 30 分钟）
功能清单（用户版）	所有人	全部功能按使用场景分类，业务语言描述
测试套件用例清单	开发者 / AI 助手	371 条场景用例全表（`pnpm suite` 运行时导出）
架构决策记录	开发者	ADR：为什么这么设计（含否决方案论证）
审计记录	开发者 / 安全	六轮审计的问题、根因、修复与门禁实测

开发者快速开始

环境：Node 24 LTS（corepack 自带 pnpm 10）+ PostgreSQL 17 + pgvector 0.8。

git clone https://github.com/geniusdapeng-collab/workloom-im.git
cd workloom-im
corepack enable && pnpm install && cp .env.example .env

# 数据库初始化（建库建扩展即可；migrate 自动创建 app/gateway 双角色并完成授权）
psql -U postgres -c "CREATE DATABASE workloom;"
psql -U postgres -d workloom -c "CREATE EXTENSION vector;"
pnpm db:migrate && pnpm db:seed   # 5 个迁移 + 演示种子（种子幂等可复跑）

# 质量门禁（与 CI ci-gate 完全同口径）
pnpm typecheck         # 全仓类型检查
pnpm test              # vitest 168 例（base 152 + runtime 12 + shared 4）
RUN_DB_TESTS=1 pnpm -C packages/base test   # PG 集成测试（默认 skip）
pnpm db:verify-chain   # 哈希链全库重算（篡改检测）
pnpm suite             # 371 条全场景用例（服务层 344 + HTTP E2E 27）
pnpm demo              # 端到端演示剧本
pnpm doctor            # 环境自检

# 日常开发
pnpm dev               # server(:8787) + web(:5173)，演示登录选「王店长」

真实模型接入（三模式真实运行态，D20）

三种交互模式（ask 问询 / agent 逐步商量 / quest 自主执行）默认以确定性 mock 运行（D4 全流程可跑）；配置真实模型后全链真实化——意图分类（B8）、任务规划（B9）、ask 应答合成三环均走真实模型推理，模型出站强制脱敏（L6.2）：

# .env
LLM_PROVIDER=openai            # 任意 OpenAI 兼容端点（DeepSeek/月之暗面/智谱/OpenAI…）
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_API_KEY=sk-xxx
LLM_MODEL=deepseek-chat

行业化落地经「落地向导」自动化完成（D18/D20）：写 LLM_* 四 env + registerAskFactProvider 注册行业事实面 + 装载行业 bundle（六槽），代码零改动即真实运行。

仓库结构：apps/{server, web, site, desktop} + packages/{shared, db, base, runtime} + bundles/（行业包）+ vendor/{dsh, dsh-im}，pnpm monorepo。核心底座：packages/base/workdata（WorkData 数据大脑）。371 条场景用例清单见 docs/SUITE.md；CI 门禁（每次 push 全量执行上述全部检查）见 .github/workflows/ci.yml。

安全设计

数据主权：local-first，全部业务数据存于企业本地 PostgreSQL，RLS 行级安全隔离多租户
WorkData 五元事件库：append-only + hash chain，审计不可篡改
围栏三级授权：自动 / 审批 / 禁止，碰钱碰数据的动作默认需人工批准
一键紧急制动：塔台随时可暂停全场 Agent
依赖合规：vendor 内 dsh / dsh-im 均为 MIT，主仓库 Apache-2.0

路线图

✅ 当前：Mac 桌面包一键启航 + 官网 + CI 质量门禁（371 场景用例 + 哈希链验证，每次 push 全量执行）
🔜 Intel Mac 包 / Windows 包
🔜 技能市场 industry 层开放（脱敏审核流水线 + 跨组织安装）
🔜 更多领域 bundles（社媒营销、AI 视频与内容创作、餐饮、零售、物业）
✅ dsh 0.1.1-rc.1 已集成（subagent Codex / Claude Code 按需安装；E6 dsh-gate 门禁全绿）
🔜 dsh 上游新版本持续跟进（任何新版本含预发布即升 + seam 兼容回归）

致谢

DeepSeek Harness — Agent 运行时地基（MIT）
pgvector — 组织记忆的语义检索
Hono / tRPC / React / Vite — 优秀的工程基座

Navigation Menu

WorkLoom 织元 · DeepSeek Harness 企业级 Agent IM

🌐 官网 · Official Website：workloom.ok.kimi.link

这是什么

⚡ 给 AI 助手的 60 秒速览（开发者/Agent 上手指引）

一、行业创新：首款企业级专业 Agent IM

1.1 企业引入 AI 的五道断层

1.2 AI 原生：第一公民不是消息，而是「可追责的动作」

1.3 IM 本体正名：为什么底座是 IM

1.4 人机共存的新形态：人只做三件事

二、业务模式创新：给老板一座太空驾驶舱

2.1 太空驾驶舱六条公理

2.2 业务价值的三个「不再是」

2.3 通用底座：任何「有指标 + 有重复动作」的组织都能落地

三、与通用 AI 办公的本质区别

四、WorkData 数据大脑：核心底座

4.1 三段核心机制

4.2 可靠性实证：敢让 Agent 碰生产业务的前提

4.3 数据主权

五、技能市场：目标如何自动拆解为步骤，步骤如何装配技能

5.1 真实案例（示例之一 · 服务业门店）：店长说「差评响应要做到 2 小时内」

5.1b 同一底座在内容领域：社媒营销负责人说「每天 3 条小红书，评论区 1 小时内必回」

5.2 技能市场的安全铁律

5.3 零代码自建技能（forge）

六、运行时地基：DeepSeek Harness 行业应用最佳实践

6.1 双轨架构：地基用 dsh，护城河自研

6.2 dsh 的消费方式：seam 精确对接

6.3 回馈社区：dsh-im 通道插件

系统架构

业务闭环

三分钟启航（Mac 用户）

用户文档（随代码一起下载）

开发者快速开始

真实模型接入（三模式真实运行态，D20）

安全设计

路线图

致谢

License

FilesExpand file tree

workloom-base-README.md

Latest commit

History

workloom-base-README.md

File metadata and controls

WorkLoom 织元 · DeepSeek Harness 企业级 Agent IM

🌐 官网 · Official Website：workloom.ok.kimi.link

这是什么

⚡ 给 AI 助手的 60 秒速览（开发者/Agent 上手指引）

一、行业创新：首款企业级专业 Agent IM

1.1 企业引入 AI 的五道断层

1.2 AI 原生：第一公民不是消息，而是「可追责的动作」

1.3 IM 本体正名：为什么底座是 IM

1.4 人机共存的新形态：人只做三件事

二、业务模式创新：给老板一座太空驾驶舱

2.1 太空驾驶舱六条公理

2.2 业务价值的三个「不再是」

2.3 通用底座：任何「有指标 + 有重复动作」的组织都能落地

三、与通用 AI 办公的本质区别

四、WorkData 数据大脑：核心底座

4.1 三段核心机制

4.2 可靠性实证：敢让 Agent 碰生产业务的前提

4.3 数据主权

五、技能市场：目标如何自动拆解为步骤，步骤如何装配技能

5.1 真实案例（示例之一 · 服务业门店）：店长说「差评响应要做到 2 小时内」

5.1b 同一底座在内容领域：社媒营销负责人说「每天 3 条小红书，评论区 1 小时内必回」

5.2 技能市场的安全铁律

5.3 零代码自建技能（forge）

六、运行时地基：DeepSeek Harness 行业应用最佳实践

6.1 双轨架构：地基用 dsh，护城河自研

6.2 dsh 的消费方式：seam 精确对接

6.3 回馈社区：dsh-im 通道插件

系统架构

业务闭环

三分钟启航（Mac 用户）

用户文档（随代码一起下载）

开发者快速开始

真实模型接入（三模式真实运行态，D20）

安全设计

路线图

致谢

License