de-run — 把华为 DevEco Code 变成任意 Harness 的子 Agent

English | 简体中文

de-run — 把华为 DevEco Code 变成任意 Harness 的子 Agent

登录华为账号就有免费模型——主 Agent 负责指挥，deveco 子 Agent 负责干活，不花一分钱模型费。

它解决什么问题

主 Agent 的大脑（上下文）是最昂贵的资源，但一个真实的工程任务里，绝大部分 token 花在"读"上：读几十万字的鸿蒙文档、通读一个陌生仓库、翻日志找线索。把这些活交给主 Agent 自己干，上下文分分钟被塞爆，后面的推理质量随之崩坏。

而原生 deveco run 只解决"跑一次"，不解决主 Agent 真正需要的三件事：并行调度、结构化汇总、可靠的续跑。

de-run 是一层薄薄的适配器，坐在主 Agent 和华为 DevEco Code（deveco）之间：

你给出若干「工作区目录 + 提示词」，它并行派发给独立子 Agent（≤6 个）；
子 Agent 的搜索、读码、思考都在隔离上下文里完成，读再多也不占你的脑容量；
全部结束后返回结构化汇总（session ID / 按工具统计的动作次数 / tokens / 最终报告）；
--session 续跑同一个子 Agent，保持它的记忆，让你做多轮主从迭代。

底层是华为官方的 DevEco Code（deveco）——面向 HarmonyOS 开发的 AI Agent，基于 OpenCode 扩展。登录华为账号即送免费 GLM-5.1 通道（单账号 50 次/分钟，无需自己的 API key），还内置鸿蒙官方开发能力：ArkTS 语法检查、HarmonyOS 离线文档、编译构建、真机/模拟器运行。

隐私与成本：de-run 本身不联网、不采集任何数据，只做本地进程调度与结果汇总。模型请求发往华为官方通道（或你在 deveco.jsonc 里自配的 provider）。免费额度内，模型成本为零。

姊妹项目：oc-run（把 OpenCode 1.x 当子 Agent，模型自由）、oc-run2（OpenCode 2 版）。三者用法完全一致，按需选用。

✨ 功能

🆓 零成本模型：登录华为账号即用免费 GLM-5.1，不用自己的 API key，不绑定付费供应商——「token 外包」这件事第一次真正免费
🎛️ 模型可换：deveco 兼容 opencode 配置格式（deveco.jsonc），可接第三方 provider，--model provider/model 任意切
⚡ 并行派活：一次最多 6 个子 Agent 同时干活，各自独立工作目录与提示词
📊 自动汇总：每个子 Agent 的 session ID、动作次数（按工具分组）、最终报告、tokens，一目了然
🔁 可靠续跑：--session 续跑同一子 Agent，保持它的记忆，按报告循环指挥直到达标（绕开 deveco 0.1.10 的 --attach / --session 缺陷，见下）
🔎 跨项目历史：--sessions 列出所有项目的 session（直读 deveco 的 SQLite）
🏗️ 鸿蒙官方工具链：子 Agent 天然会 arkts_check、build_project、start_app、hdc_log、verify_ui（需 DevEco Studio ≥6.1，装在 /Applications 自动识别）
🧩 任意环境可跑：内置探测，PATH 精简环境（cron / 脚本 / Agent 子进程）也能找到 deveco
📦 零依赖：单个 Python 文件，纯标准库（argparse / subprocess / concurrent.futures / sqlite3 / urllib），无第三方包

🚀 快速开始

方式一：面向 AI Agent（一键安装，推荐）

把下面这段提示词直接复制给你的本地 AI Agent（ZCode / Claude Code / Codex 等），它就能自动完成安装：

请帮我安装 de-run skill（GitHub: https://github.com/RayMorTwinkle/de-run）。

背景：de-run 让任何主 Agent（ZCode/Claude Code/Codex 等）都能把本机的华为 DevEco Code（deveco）当子 Agent 指挥——并行派活、自动汇总报告、--session 续跑，且**登录华为账号即可免费用 GLM-5.1 模型，无需自己的 API key**。
它依赖本机已安装的 deveco CLI（npm i -g @deveco/deveco-code，需 Node.js 22+）、已完成 `deveco auth login`（华为账号登录，免费模型通道的前置条件）和 python3。

安装步骤：
1. 下载并解压（如果 ~/.agents/skills/de-run-subagent 已存在则先跳过，直接验证）：
   curl -L -o /tmp/de-run.zip https://github.com/RayMorTwinkle/de-run/archive/refs/heads/main.zip
   unzip -o /tmp/de-run.zip -d /tmp/ && mv /tmp/de-run-main ~/.agents/skills/de-run-subagent
   说明：~/.agents/skills/ 是多个 AI 工具共用的 skill 目录；如果你的平台用别的目录
   （如 Claude Code: ~/.claude/skills/，OpenCode: ~/.config/opencode/skills/），装到对应目录即可。
2. 验证 skill 结构：确认 ~/.agents/skills/de-run-subagent/SKILL.md 和 scripts/de-run.py 存在。
3. （可选但推荐）把 de-run 命令放进 PATH，方便直接调用：
   ln -sf ~/.agents/skills/de-run-subagent/scripts/de-run.py ~/.local/bin/de-run
4. 检查 deveco 环境：deveco --version 应输出版本号；deveco providers list 应显示已登录的华为账号凭据。
   若未安装 deveco，先 `npm i -g @deveco/deveco-code`（需 Node.js 22+）；
   若未登录，提示用户在自己的终端执行 `deveco auth login`（交互式华为账号登录）。
5. 验证命令：de-run --help 应输出中文使用说明；若 PATH 里没有，用 python3 ~/.agents/skills/de-run-subagent/scripts/de-run.py --help。
6. 端到端测试：de-run --sessions 3 应列出最近 3 个 session（跨所有项目）。
7. 向用户确认安装成功，并简述 de-run 的能力：并行派活 / 续跑（--session）/ 跨项目历史（--sessions）/
   免费 GLM-5.1（50 次/分钟）/ 鸿蒙开发能力（可选，需 DevEco Studio ≥6.1）。

方式二：面向人类用户

git clone https://github.com/RayMorTwinkle/de-run.git
# 或下载 zip: https://github.com/RayMorTwinkle/de-run/archive/refs/heads/main.zip

安装 deveco 并登录：

npm install -g @deveco/deveco-code   # 需 Node.js 22+
deveco auth login                    # 华为账号登录（交互式，送免费 GLM-5.1）

将 de-run 目录放入智能体的 skill 目录并重命名为 de-run-subagent（Claude Code: ~/.claude/skills/；OpenCode: ~/.config/opencode/skills/；通用共享: ~/.agents/skills/）——skill 目录名须与 SKILL.md 的 name 一致

（可选）软链命令到 PATH：

ln -s "$(pwd)/de-run/scripts/de-run.py" ~/.local/bin/de-run

环境要求：macOS 或 Windows（deveco 目前无 Linux 版）、Python 3.9+、Node.js 22+（装 deveco 用）。de-run 本身零第三方依赖。鸿蒙编译能力另需 DevEco Studio ≥6.1。

🖥️ 使用

# 单个任务（阻塞执行，跑完输出汇总）
de-run --dir /path/to/project --prompt "分析这个项目的技术栈"

# 多个任务：工作目录与提示词一一对应（主用法，并行度默认 6、上限 6）
de-run --dir /path/A --prompt "分析项目A" --dir /path/B --prompt "分析项目B"

# 只给 1 个提示词 = 广播到所有目录
de-run --dir /path/A --dir /path/B --prompt "用中文简述这个项目"

# 批量任务文件（每任务自定义 dir / prompt / title）
de-run --tasks tasks.json   # [{"dir": "...", "prompt": "...", "title": "..."}, ...]

# 续跑：接着某个 session 的上下文继续跑
de-run --sessions                                  # 查看历史 session（跨所有项目）
de-run --dir /path/A --session ses_xxx --prompt "继续上次的分析"

# 模型切换（仅当你在 deveco.jsonc 配了第三方 provider 时）
de-run --dir /path/A --prompt "..." --model volcengine/glm-5.3

# 机器可读输出（给 LLM / 脚本消费）
de-run --dir /path/A --prompt "..." --json

参数一览

参数	说明	默认
`--dir <path>`	工作区目录，可重复指定	—
`--prompt <text>`	提示词，可重复；与 `--dir` 按出现顺序一一对应；只给 1 个时广播到所有目录	—
`--session <id>`	续跑指定 session（可重复，须以 `ses_` 开头），按顺序配对前几个任务；不可与 `--tasks` 同用	—
`--sessions [N]`	列出最近 N 个 session（跨所有项目）后退出；`--json` 输出 JSON	`15`（clamp ≤ 10000）
`--tasks <file>`	批量任务 JSON（数组，或 `{"tasks":[...]}`）；与 `--dir/--prompt` 二选一	—
`--max-parallel <N>`	最大并行数，硬上限 6，超出仅告警并按上限执行	`6`
`--model <p/m>`	指定模型，格式 `provider/model`	`deveco/GLM-5.1`
`--timeout <sec>`	单任务超时秒数（超时按进程组 SIGTERM → 5s → SIGKILL 清理）	`900`
`--json`	汇总输出为 JSON（含 `summary` 与逐任务 `tasks`）	人类可读表格
`--truncate <n>`	人类可读输出中每条结果的最大字符数	不截断（全文）

图片 / 文件输入：读图或附带文件无需额外参数——把文件路径写进提示词，子 Agent 会自行读取；也可用 deveco run 原生 -f/--file 传附件。

📄 输出示例（人类可读）

de-run 汇总 · 2 个任务 · 并行度 2 · 成功 2/2
────────────────────────────────────────────────────────────────────────
✅ [1] projectA
    session: ses_f7c0ada77ffeCFuvNs5qigdgC6
    动作:   5 次 (glob×1 · grep×2 · read×2)
    tokens: 41,236
    结果:   该项目使用 Python 3.12 + FastAPI …

✅ [2] harmonyos-app
    session: ses_f7c0b1e9dffeKq2wMn8stCfWX
    动作:   9 次 (arkts_check×1 · build_project×2 · read×6)
    tokens: 88,914
    结果:   ArkTS 检查通过，已生成 HAP：build/default/outputs/default/entry-default-signed.hap

总耗时: 47.3s

🏗️ 架构

系统总览

主 Agent 通过 CLI 进入 de-run；任务被展开后交给线程池，每个任务是一个独立的 deveco run 子进程；结果统一汇总回主 Agent。--session 续跑时另行懒启动一个 headless deveco serve。

flowchart TB
  MAIN["主 Agent<br/>ZCode / Claude Code / Codex …"]

  subgraph DR["de-run（scripts/de-run.py · 纯 Python 标准库）"]
    CLI["parse_args()<br/>--dir / --prompt / --tasks / --session"]
    BUILD["build_tasks()<br/>展开为 [{dir, prompt, title}]"]
    POOL["ThreadPoolExecutor<br/>workers = min(--max-parallel, 6, N)"]
    SUM["summarize()<br/>print_human() / --json"]
  end

  subgraph WORKERS["子 Agent 进程（独立目录 / 独立上下文）"]
    A["deveco run --auto<br/>子 Agent A"]
    B["deveco run --auto<br/>子 Agent B"]
    C["…（≤6）"]
  end

  SERVE["deveco serve --port &lt;free&gt;<br/>（仅续跑时懒启动）"]
  DB["~/.local/share/deveco/deveco.db<br/>（--sessions 只读直查）"]

  MAIN -->|"de-run --dir … --prompt …"| CLI
  CLI --> BUILD --> POOL
  POOL -->|"Popen(start_new_session=True)"| A
  POOL --> B
  POOL --> C
  A -->|"JSONL 事件流"| SUM
  B --> SUM
  C --> SUM
  POOL -. "resume_via_http()" .-> SERVE
  MAIN -. "--sessions" .-> DB
  SUM -->|"session / 动作 / tokens / 报告"| MAIN

任务构建与广播逻辑

build_tasks() 是纯函数式的参数展开：--tasks 与 --dir/--prompt 互斥；--prompt 数量为 1 时广播，等于 --dir 数量时一一对应，其它情况直接报错。

flowchart TB
  START["parse_args()"] --> SESS{"--sessions?"}
  SESS -->|是| LIST["list_sessions(N)<br/>默认 15，clamp ≤ 10000"]
  SESS -->|否| TASKS{"--tasks?"}
  TASKS -->|是| FILE["读取 JSON<br/>数组 或 {tasks:[…]}<br/>每项需 dir + prompt"]
  TASKS -->|否| CNT{"--prompt 数量?"}
  CNT -->|"1 个"| BROAD["广播：1 prompt × 全部 --dir"]
  CNT -->|"== --dir 数量"| PAIR["一一对应 zip(dir, prompt)"]
  CNT -->|"其它"| ERR["报错：数量不匹配"]
  FILE --> SESS2{"--session?"}
  BROAD --> SESS2
  PAIR --> SESS2
  SESS2 -->|"按顺序配对前 N 个任务<br/>须以 ses_ 开头"| W["workers = min(max-parallel, 6, N)"]
  SESS2 -->|无| W

单任务执行时序

每个任务都是一次 deveco run --format json，de-run 解析其 stdout 的 JSONL 事件流。超时按进程组清理，单个任务失败不影响其它任务。

sequenceDiagram
  autonumber
  participant M as 主 Agent
  participant D as de-run
  participant E as ThreadPoolExecutor
  participant V as deveco run（子进程）

  M->>D: de-run --dir P --prompt "…"
  D->>D: ensure_deveco() 探测 PATH
  D->>E: submit(run_task)
  E->>V: Popen(deveco run --dir P --format json --title … --auto <prompt>)<br/>start_new_session=True
  V-->>E: stdout: JSONL 事件流
  Note over V,E: tool_use / text / step_finish
  E->>E: summarize()<br/>按工具计数 · 取末条 text · 累加 tokens
  alt 超时（--timeout）
    E->>V: killpg(SIGTERM)
    E->>V: 5s 未退 → killpg(SIGKILL)
  end
  E-->>D: {session_id, actions, tokens, final_result}
  D-->>M: 汇总表 / --json

续跑：`deveco serve` + HTTP API 时序

deveco 0.1.10 的 deveco run --attach 事件回传损坏、原生 deveco run --session 又会挂起。de-run 的续跑因此改走 deveco serve 的 HTTP API：批次内复用同一个 serve，就绪探测后 POST /session/:id/message。

sequenceDiagram
  autonumber
  participant D as de-run
  participant S as deveco serve（headless）
  participant A as HTTP API

  Note over D,S: 仅当存在 --session 时启动；整批复用同一 serve
  D->>D: find_free_port() → 127.0.0.1
  D->>S: Popen(deveco serve --port P --print-logs)
  loop 最多 30 × 1s
    D->>A: GET /health
    A-->>D: 200（HTML）→ 视为就绪
  end
  D->>A: POST /session/:id/message<br/>{providerID, modelID, parts:[{type:text, text:prompt}]}
  A-->>D: {info:{sessionID, tokens, finish}, parts:[…]}
  D->>D: status = finish ∈ {stop, length, tool-calls}
  Note over D,S: 批次结束 finally → stop_serve() killpg

失效安全：run_task() 里任何异常都只会把该任务标记为 error（_task_error() 统一字段结构），不会中断整批；stop_serve() 在 finally 中执行，保证子进程不残留。

`--sessions` 数据来源

deveco 的 db 子命令没有 JSON 输出，不易解析。de-run 于是只读直查 deveco 的 SQLite，跨项目列出全部 session。

flowchart LR
  CMD["de-run --sessions [N]"] --> PATH["deveco_db_path()"]
  PATH -->|"优先"| Q1["deveco db path<br/>(30s 超时)"]
  PATH -->|"兜底"| Q2["~/.local/share/deveco/deveco.db"]
  Q1 --> OPEN["sqlite3.connect(file:…?mode=ro)"]
  Q2 --> OPEN
  OPEN --> SQL["SELECT id, title, directory, time_updated, model<br/>FROM session<br/>WHERE time_archived IS NULL<br/>ORDER BY time_updated DESC LIMIT N"]
  SQL --> OUT["跨项目 session 列表<br/>model 字段按 JSON 解析取 .id"]

续跑时的模型 / provider 解析

--model 遵循 provider/model 约定；续跑时被拆成 providerID 与 modelID 放进 HTTP 请求体。

flowchart TB
  M["--model 参数"] --> Q{"含 / ?"}
  Q -->|"是 provider/model"| P1["providerID = 前段<br/>modelID = 后段"]
  Q -->|"否（只有 model）"| P2["providerID = deveco<br/>modelID = 入参"]
  NO["未传 --model"] --> DEF["DEFAULT_RESUME_MODEL<br/>= deveco/GLM-5.1"]
  P1 --> REQ["POST /session/:id/message"]
  P2 --> REQ
  DEF --> REQ
  REQ --> FREE["华为官方免费通道<br/>50 次/分钟"]
  REQ -. "deveco.jsonc 配第三方 provider" .-> THIRD["第三方 provider<br/>--model 切换"]

🏗️ 鸿蒙开发场景

deveco 是华为鸿蒙官方 AI Agent，子 Agent 继承其全部鸿蒙能力。给子 Agent 环境装好 DevEco Studio（≥6.1；装在 /Applications 自动识别，或设 DEVECO_HOME 指向安装目录）后：

# 语法检查 + 修复 + 编译一条龙
de-run --dir /path/to/harmonyos-project --prompt "运行 ArkTS 语法检查并修复错误，然后编译出 HAP，回报产物路径"

# 并行审查多个模块
de-run --dir /path/A --prompt "审查这个模块的性能问题" --dir /path/B --prompt "审查这个模块的性能问题"

# 查鸿蒙文档（deveco 内置离线文档检索，免联网）
de-run --dir /path/to/project --prompt "搜索 deveco docs 里关于后台任务的指南并总结要点"

子 Agent 会自行调用 deveco 内置的 arkts_check / build_project / start_app / hdc_log / verify_ui 等工具，或使用 deveco 内嵌命令行（create/build/docs/skills/emulator 全套）。

🧠 推荐用法（给 LLM 的编排建议）

token 外包（单轮）——大量读、简洁报：派临时子 Agent 去读海量资料（网页/代码/文档），回报只要简洁结论 + 来源。子 Agent 独立上下文，读再多也不占你的上下文；GLM-5.1 免费，成本可忽略。
主从循环（多轮）——强模型指挥弱模型：用 --session 续跑同一子 Agent（保持记忆），按每次回报决定下一轮，循环直到结果达标。两条铁律：
- 任务描述要详细：子 Agent 没有你的全局视野，prompt 就是它的世界
- 回报格式要明确：你只能看到报告/最后发言——回报至少包含 结论 + 来源 + 不确定性 + 未完成项 + 关键函数或举措

两种用法均可并行（一次派多个，≤6）、可异步（借宿主环境如 ZCode / Claude Code 的后台任务机制，完成自动通知）。

📂 目录结构

de-run/                      # 仓库名；作为 skill 安装时重命名为 de-run-subagent
├── SKILL.md                 # 面向 AI 智能体的 skill 定义（name: de-run-subagent）
├── README.md                # 简体中文说明文件（主文档）
├── README_en.md             # 英文说明文件
├── LICENSE                  # MIT
├── de-run.svg               # 图标（白环 + 三阶蓝速度线）
├── scripts/
│   └── de-run.py            # 主脚本（纯 Python 标准库，零依赖）
└── examples/
    └── tasks.example.json   # 批量任务文件模板

🔧 技术细节

关键常量（scripts/de-run.py）：

常量	值	含义
`PROG`	`"de-run"`	程序名（帮助/报错前缀）
`DEFAULT_MAX_PARALLEL` / `MAX_PARALLEL_LIMIT`	`6` / `6`	默认并行度 / 硬上限
`DEFAULT_TIMEOUT`	`900`	单任务超时（秒）
`DEFAULT_RESUME_MODEL`	`"deveco/GLM-5.1"`	续跑默认模型

子 Agent 调用命令（run_task() 拼装）：

deveco run --dir <dir> --format json --title <title> --auto [--model <provider/model>] <prompt>

--auto 自动批准权限（等价 opencode 的 --dangerously-skip-permissions）——只读分析类任务请勿让子 Agent 改文件。
子进程以 start_new_session=True 启动，超时用 killpg(SIGTERM) → 5s → killpg(SIGKILL) 清理整棵进程树。

事件流 schema（summarize() 解析 deveco run --format json 的 JSONL，与 opencode 完全一致）：

事件 `type`	提取字段	用途
任意含 `sessionID`	`ev["sessionID"]`	取首个出现的 session ID
`tool_use`	`part["tool"]`	按工具名计数（`Counter`）
`text`	`part["text"]`	收集文本，末条作为 `final_result`
`step_finish`	`part["tokens"]["total"]`	累加为总 `tokens`

任务 status 判定：exit_code == 0 且拿到 session_id → ok，否则 failed。

汇总字段（每个任务）：title / dir / status / session_id / actions（工具→次数）/ total_actions / final_result / tokens / exit_code / stderr_tail（stderr 末尾 500 字符）。

续跑 HTTP 协议（resume_via_http()）：

请求：POST {serve_url}/session/{session_id}/message，体为 {"providerID":…, "modelID":…, "parts":[{"type":"text","text":prompt}]}；
响应：{"info": {"sessionID", "tokens", "finish"}, "parts": [...]}；
成功判定：info.sessionID 存在且 info.finish ∈ {stop, length, tool-calls}。

serve 生命周期（get_serve() / stop_serve()）：懒启动、进程组独立、全局复用（_serve_proc / _serve_url / _serve_lock）；serve 中途崩溃会自动重置并在下次重启；就绪判定是 GET /health 返回 200（HTML 页），最多轮询 30 × 1s。

--sessions SQL：

SELECT id, title, directory, time_updated, model
FROM session
WHERE time_archived IS NULL
ORDER BY time_updated DESC
LIMIT N   -- clamp: max(0, min(N, 10000))

以只读 URI 打开：sqlite3.connect(f"file:{db_path}?mode=ro", uri=True, timeout=10)。session.directory 即工作目录（deveco.db 无 project/worktree 关联表，schema 与 opencode.db 不同）。

ensure_deveco() 探测路径：先 shutil.which("deveco")；落空则依次扫描 ~/.npm-global/bin、/opt/homebrew/bin、/usr/local/bin、~/.local/bin、~/.bun/bin，命中后把该目录前置注入 PATH。os.path.isfile() 会自动过滤悬空软链。

凭据位置：deveco auth login 的凭据存于 ~/.local/share/deveco/auth.json；未登录时 deveco run 直接失败。

JSON 输出结构（--json）：

{
  "summary": {"total": 2, "parallel": 2, "ok": 2, "elapsed_sec": 47.3},
  "tasks": [{"title":"…","dir":"…","status":"ok","session_id":"ses_…",
             "actions":{"read":6,"grep":2},"total_actions":8,
             "final_result":"…","tokens":41236,"exit_code":0,"stderr_tail":""}]
}

人类可读输出：头部 de-run 汇总 · N 个任务 · 并行度 W · 成功 X/N，逐任务带状态图标（ok ✅ / failed ❌ / timeout ⏱ / error ⚠️）、session、按工具排序的动作统计、tokens、结果或错误摘要，结尾输出总耗时。

❓ 常见疑问

为什么不用原生 deveco run 直接跑？ 原生命令只解决"跑一次"；de-run 补上三件主 Agent 真正需要的事：上下文隔离（子 Agent 读几十万 tokens 资料，你的上下文一滴不占）、并行调度 + 结构化汇总（一次派 6 个，统一收报告）、绕开上游缺陷的可靠续跑（见下）。

"免费 GLM-5.1" 是怎么回事？ deveco（DevEco Code）是华为官方工具，用华为账号登录后官方免费提供 GLM-5.1 模型通道，单账号限 50 次/分钟——这是官方通道，不需要你自己申请 API key 或充值。配额内完全零成本；需要更高吞吐时可在 deveco.jsonc 配置第三方 provider，再用 --model 切换。

de-run 和 oc-run / oc-run2 什么关系？

	de-run	oc-run	oc-run2
底层子 Agent	华为 DevEco Code（`deveco`）	OpenCode 1.x（`opencode`）	OpenCode 2 beta（`opencode2`）
模型	华为账号免费 GLM-5.1（50 次/分钟）+ 可换	模型自由（自带 provider）	模型自由 + `--variant`
鸿蒙工具链	内置（ArkTS 检查/编译/真机）	无	无
续跑 `--session`	`serve` + HTTP API 绕行	`serve` + attach 绕行	原生支持
`--sessions`	只读直查 `deveco.db` SQLite	直查 `opencode.db`	官方 API
花费统计	仅 tokens（免费无花费）	无	tokens + cost（美元）
CLI 接口	三者完全一致（命令名不同）	同	同

三者可共存，按任务选工具：零成本外包 + 鸿蒙开发选 de-run；已有 opencode 配置、要任意模型选 oc-run / oc-run2。

de-run、de-run-subagent、仓库名是什么关系？ 命令叫 de-run，skill 名叫 de-run-subagent（skill 目录名与 SKILL.md 的 name 一致），GitHub 仓库名 de-run。装好 skill 后，用命令、用 skill 触发都指向同一个工具。

子 Agent 会乱改我的文件吗？ deveco run 自动携带 --auto（自动批准权限），这是派活场景的默认需求。只读分析类任务请在提示词里明确约束（"只分析，不要修改任何文件"）。

高并行会互相干扰吗？ 每个任务独立进程、独立目录、独立 session；但 deveco serve（仅续跑时）是批次内共享的。免费通道限 50 次/分钟，高并发批量建议 --max-parallel 2~3。

⚠️ 已知限制

deveco 0.1.10 的 run --attach 事件回传损坏（回复已生成但事件流只吐 step_start）：de-run 的续跑改为 deveco serve + HTTP API 直连（POST /session/:id/message），已实测稳定；deveco 后续版本修复后不受影响
原生 deveco run --session 非交互续跑会挂起：de-run 不使用该路径
卡死 / spinning 的 deveco TUI 会阻塞 deveco serve 启动（占用 SQLite 锁）：批量派活前先关掉卡住的 deveco 交互窗口
免费通道限速：50 次/分钟/账号，高并发批量建议 --max-parallel 2~3
平台：deveco 目前提供 macOS（Apple Silicon / Intel）与 Windows 版本，暂无 Linux
deveco db 无 JSON 输出：de-run 的 --sessions 因此直接以只读方式查询 ~/.local/share/deveco/deveco.db

📄 License

MIT

🙏 致谢 / Credits

底层能力来自华为官方的 DevEco Code（deveco） 与 DevEco Studio，本项目不修改其本体，仅做本地调度适配。
scripts/de-run.py 由姊妹项目 oc-run（opencode → deveco）移植而来，事件流 schema 与 opencode 一致——这也是为什么三兄弟的 CLI 接口能保持完全统一。
图标、README（中英双语）与架构图为本项目自制。

_{de-run · 主 Agent 动嘴，deveco 动手，华为账号买单}

Navigation Menu

Repository navigation

About

Repository files navigation

de-run — 把华为 DevEco Code 变成任意 Harness 的子 Agent

它解决什么问题

✨ 功能

🚀 快速开始

方式一：面向 AI Agent（一键安装，推荐）

方式二：面向人类用户

🖥️ 使用

参数一览

🏗️ 架构

系统总览

任务构建与广播逻辑

单任务执行时序

续跑：`deveco serve` + HTTP API 时序

`--sessions` 数据来源

续跑时的模型 / provider 解析

🏗️ 鸿蒙开发场景

🧠 推荐用法（给 LLM 的编排建议）

📂 目录结构

🔧 技术细节

❓ 常见疑问

⚠️ 已知限制

📄 License

🙏 致谢 / Credits

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
examples		examples
scripts		scripts
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
README_en.md		README_en.md
SKILL.md		SKILL.md
de-run.svg		de-run.svg

Latest commit

History

Folders and files

Repository files navigation

de-run — 把华为 DevEco Code 变成任意 Harness 的子 Agent

它解决什么问题

✨ 功能

🚀 快速开始

方式一：面向 AI Agent（一键安装，推荐）

方式二：面向人类用户

🖥️ 使用

参数一览

🏗️ 架构

系统总览

任务构建与广播逻辑

单任务执行时序

续跑：deveco serve + HTTP API 时序

--sessions 数据来源

续跑时的模型 / provider 解析

🏗️ 鸿蒙开发场景

🧠 推荐用法（给 LLM 的编排建议）

📂 目录结构

🔧 技术细节

❓ 常见疑问

⚠️ 已知限制

📄 License

🙏 致谢 / Credits

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

续跑：`deveco serve` + HTTP API 时序

`--sessions` 数据来源