WorkLoom 织元 · DeepSeek Harness 企业级 Agent IM

• 🖥 三端应用(开箱即看):PC 端 · B 端工作台 · 移动端 · B 端高保真 · 移动端 · C 端 AI 服务前台
• 🏨 行业 Bundle(垂直能力包):bundles/hotel/
• 🖐 操作电脑能力(本仓自带 · 可装生产工作站):computer-use 三层感知(65 动作) · HTTP 远程驱动 + MCP server
• 🤖 AI 自动化引擎(系统内置能力):围栏 DSL 引擎 · 技能保鲜环(下行分发) · L2 编排(ASK/QUEST) · 夜班自动运行 · 模型路由 · 五元事件 + RLS 隔离 等 10 项
• ✅ 验证与质量(工程纪律):一键安装(bootstrap) · 主测试套件 · 发布门禁 · 五元事件验链 · Agent 能力巡游 · 环境自检
• 🎁 演示与交付资产:高保真演示页 ×ばつ6 · 官网静态站 · 自带技能 ×ばつ4 · 能力导览 PPT · Mock 数据体系

📖 完整能力导览(含截图与体验路径):docs/capabilities.auto.md | 🤖 AI Agent 入口:AGENTS.md | 🎯 首启必跑:pnpm preview:all

• 这是什么
• 实机运行截图
• 五分钟跑起来
• 核心创新:首款企业级专业 Agent IM
• 业务模式:给老板一座太空驾驶舱
• 与通用 AI 办公的本质区别
• 核心能力
• 系统架构与业务闭环
• 开发者与 AI Coding Agent 指引
• 安全设计
• 文档索引
• 路线图

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。

• 适用: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)。

以下截图全部来自本仓库一键拉起的真实模拟运行态(pnpm preview:all:种子演示数据 + 离线确定性模型,页面顶部琥珀色横幅为刻意的运行态标识),非设计稿。

经营主页 · 经营剧场:数字CEO 与员工卫星群、待决策请示、实况字幕流
_{经营主页(/)· 经营剧场:数字CEO 晨报、员工卫星群、待决策请示、实况字幕流,全部由事件实时驱动}

审批中心 夜班中心
_{审批中心(P4 · 决策收件箱,推进/校准/制动三手势)| 夜班中心(P9 · 夜班值守班组频道与峰谷计量)}

董事长视图 · 数字CEO 技能中心
_{董事长视图(P21 · 数字CEO 授权/裁决/评议/汰换)| 技能中心(P6 · 技能市场与自建技能)}

移动 B 端 · 经营主页 移动 B 端 · 服务前台战报 移动 C 端 · AI 服务前台对话
_{移动 B 端经营主页(数据与 PC 同源)| 移动 B 端服务前台掌上战报 | C 端 AI 服务前台(住客真实问答)}

⚠️ 强制约定:首次启动必须执行 pnpm preview:all,否则视为未完成环境初始化。 一键拉起三端全貌并自动固化 Mock 模拟数据(无需任何真实后端/密钥):

pnpm setup && pnpm preview:all
# pnpm setup = 一键安装:环境检查 → .env → 依赖 → PG 数据库 → 迁移种子 → 可选「操作电脑」桌面栈(幂等)

• Mock 数据口径见 mock/README.md;验收清单见 PREVIEW_CHECKLIST.md
• 日常开发 pnpm dev 只起 PC 端(server:8787 + web:5173),保持开发习惯

1. 下载:到 Releases 下载 WorkLoom-macOS.zip(约 208 MB,sha256 随附可校验)。
2. 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。
3. 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、工作台打开。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。

db:seed 完成即进入一个「忠实客户高频重度使用」的全模拟运行态:经营剧场(默认首页 /,等距 2.5D 数字职场里员工打字/踱步/举手/庆祝全由事件实时驱动)有数字CEO 晨报、员工卫星群、待决策请示、实况字幕流,全部为演示种子数据 + 内置确定性模型(零外部依赖)。

接入真实数据走落地向导(/onboarding,点击横幅「接入真实数据 →」):1 环境自检(自动)→ 2 真实大模型(DeepSeek/Kimi/智谱/OpenAI 预设一键填,真实试调通过才落盘,保存即全链生效免重启)→ 3 经营主体 → 4 启用真实模式(横幅熄灭,全程五元事件留痕)。ask 问询另支持联网实时检索事实面(ASK_WEB_SEARCH=1,Bing RSS,keyless),与库内实时数据合并供模型合成。

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

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:

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:

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:

在 WorkLoom 组织的协作里,人类从「操作者」升格为「主理人」,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、夜班值守、写战报——交给 Agent 班组。

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。

• 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。

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:

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。

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:

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。

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、工作台前端的所有读写,都经由 WorkData 唯一收口。

WorkData 数据大脑 · 核心底座架构

三段核心机制:

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(pnpm db:verify-chain)
• 重放幂等:同一事件流重放 N 次,世界状态必须一致

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。

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。

真实案例(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)
 │ └─ 夜班班组 ×ばつ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 主理人审批 ── 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

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 主理人审批 ── 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 评论夜班巡检 ── 夜班班组巡检评论区,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。

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

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。

积分是货币,模型是生产资料,路由是资源配置机制,数字员工是新型劳动编制。 底座内置完整的模型路由与商业化积分体系,行业差异全部经 bundle 配置注入,底座代码零改动:

• 国产三档模型池:L1 轻量档 ×ばつ(DeepSeek-V4-Flash / GLM-5.3-Flash / Qwen3.8-Flash)· L2 中坚档 ×ばつ(DeepSeek-V4-Pro / GLM-5.2 / MiniMax M3)· L3 旗舰档 ×ばつ(GLM-5.3 / Kimi K3 / Qwen3.8-Max),每档三家互备降级链(L6.1 禁止静默换模型,全程事件留痕)
• 场景路由表(bundle 第7装配槽 model-policy.yml):行业场景 → 默认档位/降级语义/计费归属,非阻断校验、草稿自带骨架;新行业五要素填充即继承底座路由策略
• 三档套餐映射:智享版整体压一档 / 标准版标准混合 / 智能版简单任务也保底 L2——差异是默认映射不是功能墙,任何档可经升级重答触达 L3
• 真实积分计量与三池账本:1 积分 = 1,000 tokens(L2 基准),谷时 22:00–08:00 ×ばつ0.2;赠送(30 天)/加油包(180 天)/本金(不过期)三池先扣先到期;账单 = 事件投影不重算(L6.3);售前体检 bill_to: platform 平台承担成本
• 反馈环:AI 生成卡片 👍/👎 → 点踩升一档免费重答(24h 限免 1 次)→ model.feedback 事件回流 → 路由质量周报(升级率 >15% 场景建议上调默认档,接入 CEO 晨报风险栏)
• 多模态生成池:视频渲染异步任务制(submit→task_id→poll→回填),Seedance → 可灵 → 即梦三供应商降级链;渲染额度台账(套餐秒数配额 + G8 前置预算闸)
• 轻量复杂度分类:自由输入场景规则启发式定档(短问句→L1 / 分析归因→L3),可挂 L1 分类器复核(单次 ~0.2 积分)
• 降级语义行业化:downgrade(降档重答)/ passthrough-disclose(金融:宁可不答不可错答)/ queue(谷时排队)/ rule-template(确定性兜底)

商业化换算:加油包五档 450→13,800 元(单积分 0.090→0.069 元递减);定价锚定「一个基础员工的月薪 = 一支自主经营的 AI 团队」。

为什么有它:数字员工解决的是「手」的问题,没解决「脑」的问题——员工越强,老板越忙。人类 CEO 的三件事是做决策、带团队、向董事会汇报,数字CEO 把这三件事机器化:它统领全部数字员工、对经营结果负责,人类(董事长)只做「提目标、听汇报、批少数决策」。

三大职责:

• 做决策:三级分流——微决策规则直通 <1s / 常规单模型推理 / 重大决策六步深度管线(情报→案例回忆→多方案→红队对抗→影响预估→Memo Pro);决策日记 + 命中率回测,命中率数据驱动授权扩缩
• 带团队:员工绩效档案六指标 → 周度评议(表扬/关注/辅导)→ 辅导改善→汰换重生(诊断书+新员工设计方案→董事长批→旧停新上,基因重组)
• 向董事会汇报:晨报/周会/月度董事会包(五段式含宪章修订提案)IM+App 双通道;赞/踩反馈入组织记忆

运行机制:

• 默认关闭:启用须经六步深度授权(风险揭示/逐项确认/边界设定/试用计划/身份核验/签署留痕),见 docs/CEO-RISK-DISCLOSURE.md
• 影子→试用→正式:影子期模拟决策不执行(dry_run 留痕),试用期自治边界自动降一档,到期不自动续期
• 五级审批路由:L2 公司CEO 裁决 / L3 集团CEO / L4 董事长请示,Decision Memo 依据链强制
• 自治熔断:KPI 跌破宪章下限自动收紧授权一档

经营剧场:打开系统首页(/)即是经营剧场——「织元体」全息数字CEO 与员工卫星群站在舞台中央(纯 SVG+Canvas 零素材),晨报它主动讲、请示它举着等你批、聊天框三模式真实路由;董事长不说话,剧场照常运转。P1–P21 成为剧场的「镜头」:剧场管感觉,工作台管操作。

演示:pnpm db:seed 后 pnpm dev → 首页即剧场(云栖已有一位试用期中的公司CEO);P21 董事长视图体验授权/裁决/评议/汰换全流程。

夜班锚的从来不是「AI 的工作时间」——AI 本来就 24 小时全勤——而是**「人的离线时间」。它是人类免打扰时段的系统运行模式**,底座内置四层实质:

1. 触达上免打扰——非 P0 不叫人,全部聚合为清晨决策包(什么事配得上叫醒人,由系统先把关)
2. 权限上自降级——夜间仅白名单动作自治、高危审批超时升级而非自动放行,人不在线时系统自己把权力收小
3. 业务高峰窗口由行业 Bundle 定义——酒店=夜班接待与无人店断点、电商=欧美日间跨时区、社媒=流量晚高峰排期
4. 成本上是洼地——批量任务在谷时算力窗口执行(费率 ≤20%)

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。

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。

dsh 的消费方式:seam 精确对接(packages/runtime 只消费稳定接口):

回馈社区: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。

WorkLoom 系统架构

五层结构自上而下:体验层(工作台 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)。

WorkLoom 业务核心闭环

设定航线 → 护栏判定 → 班组执行 → 夜班班组 → 08:30 战报 → 主理人拍板,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。

AI Coding Agent:进仓先读 AGENTS.md 与 .ai-prompt;全量能力清单见 docs/capability-map.md;一键能力自检 pnpm agent:tour;浏览器自动化指南 docs/agent-computer-guide.md。 🖐 操作电脑能力(本仓自带 · 可装生产):packages/base/computer-use/ 65 动作三层感知,pnpm computer:preflight && pnpm computer:smoke 即验;专用工作站一键安装 + HTTP/MCP 远程驱动见 docs/computer-use-production.md。

环境:Node 24 LTS(corepack 自带 pnpm 10)+ PostgreSQL 17 + pgvector 0.8(docker compose up -d postgres 一条命令就绪)。

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——
# 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 # 17 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)

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。

底座为行业落地定义标准旅程——新客户从「质检模式(Audit-Only)」起步:只读接入数据源 → 快照快扫(15–30 分钟当场出《快速体检报告》,由 @workloom/audit-core 引擎 + 行业分析器算出真实发现)→ 持续体检(1–2 周)→ 影子模式(3 天)→ 正式托管。围栏纪律:体检期一切写操作物理 block(行业包 audit-only patch),检项由行业 Bundle 定义。

• 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(往 scripts/suite.ts 加用例优先于新建测试文件)
• 改完代码必须跑 pnpm suite;发布前必须跑 pnpm release:gate(未全过禁止发布,见 docs/release-checklist.md)
• UI 改动必须用浏览器能力实际打开页面截图核对,禁止「改了就算完成」
• 改了能力面(脚本/包/技能/演示页)必须跑 pnpm capabilities 重新生成人类版导览

• 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

• ✅ 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)
• ✅ v1.10 自我进化飞轮 P0(D24):反馈 → 记忆 → 行为校准(偏好注入主链路 / 记忆提炼器 / 进化积分卡 / P23 组织记忆中心)
• ✅ dsh 0.1.2-rc.1 已集成(subagent Codex / Claude Code 按需安装;E6 dsh-gate 门禁全绿)
• 🔜 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 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)

• 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

Apache-2.0 © WorkLoom 织元。vendor/dsh 与 vendor/dsh-im 遵循其各自 MIT 许可。