跳到主要内容

DeepSeek Harness 的意义，不是 DeepSeek 又多了一个聊天界面。它把模型之外的工具、上下文、权限、执行循环、会话日志和界面拆成可替换插件，让 Agent 的“运行系统”本身成为可实验、可审计、可重组的对象。

先给结论

  1. 这是一个 Harness，当前更像开发者基础设施。 官方定位是开发者预览版，并明确警告后续存在破坏兼容性的变更。
  2. 真正的架构变化是“一切皆插件”。 模型适配器、工具注册表、会话日志、沙箱、审批策略和 Agent loop 都能在配置层替换。
  3. 只追加事件流是更值得长期关注的设计。 它让模型请求、工具调用、结果和上下文注入可以被回放、恢复、分叉和审计。
  4. 现在还不能下“全面领先”结论。 已有实测样本证明它能完成真实任务，也暴露了界面粗糙、配置门槛和插件治理成本。目前没有足够的同条件、可复现对比证明它整体优于 Codex 或 Claude Code。

2026 年 8 月 13 日究竟发布了什么

DeepSeek 在8月13日开放 DeepSeek Harness 开发者预览版，源码使用 MIT 许可证。安装 Node.js 后，开发者可以运行：

1
npx @deepseek-ai/dsh web

它会在本机启动 Web UI，默认地址是 http://127.0.0.1:3080。官方网站和仓库都把它标为“开发者预览”，仓库更直接写明：项目仍在快速迭代，将出现破坏兼容性的变更。

这个限定很重要。开源、可安装和能完成 Demo，都不等于已经适合生产环境。

Harness 是什么

Harness 可以理解为围绕模型搭建的 Agent 运行系统。

模型负责理解和判断下一步；Harness 负责把当前工作材料交给模型，提供工具，控制权限，执行操作，读取结果，然后决定继续、重试还是结束。一个最小流程是：

1
接收目标 → 组装当前信息 → 请求模型 → 调用工具 → 记录结果 → 继续或结束

这就是为什么同一个模型放进不同 Harness，任务完成率、速度、工具使用次数和费用可能不同。模型决定能力上限，Harness 影响这份能力能兑现多少。

DeepSeek 真正改了哪一层

Cordis：只管插件生命周期的底板

DeepSeek Harness 建在 Cordis 插件框架之上。按官方架构文档，Cordis 管理插件加载、卸载、服务依赖、类型化事件和可逆的副作用；它不把某个模型、工具或 Agent loop 写成不可替换的特权核心。

可以把 Cordis 想成一块带规则的接线板：每个模块声明自己提供什么服务、依赖什么服务，插上去时注册能力，拔下来时撤销它带来的注册和副作用。这个类比只用于理解结构；真实机制仍是服务容器、依赖注入、事件分发和资源释放。

Cordis 论文把这两个问题称为时间可组合性和空间可组合性：前者关心组件移除时能否完整撤销副作用，后者关心组件能否声明并动态响应依赖变化。但该论文仍是持续修订的预印本，不应把它直接扩张成“Agent 已经实现自我进化”的产品事实。

四种模式是四套预设，不是四个新模型

模式 官方定位 适合场景 边界
标准模式 完整工具组合 日常开发和通用任务 能力多，上下文和权限管理也更复杂
PTC 模式 让模型生成一段代码，组合多轮工具操作 结构化、多步、可编排任务 可能减少模型往返，实际成本与稳定性仍要用真实任务验证
极简模式 仅保留 shell 与文件编辑工具 最小环境的模型基准测试 它用于控制变量，不是普通用户的功能完整版
创造模式 检查当前运行时，在内存中试验插件并组合新预设 研究 Harness、制作插件或专用 Agent 能创建和试验组件，不等于已证明可以稳定自我进化

会话是事件流，不只是一页对话

DeepSeek Harness 把会话设计成只追加的 SessionEvent 日志。一个轮次里，用户消息、模型请求与输出、工具调用与结果、轮次开始与结束都会成为事件。下一次模型看到的历史，也是从这份日志重新投影出来的。

这种设计有三个直接价值：

  • 可观测： 可以查看 Agent 在哪一步改变了方向，工具实际返回了什么。
  • 可恢复： 失败任务可以从已有事件边界恢复或分叉，不必只看最后的报错。
  • 可审计： 团队能把成本、权限、工具调用和结果联系起来。

它也带来一个管理问题：记录越完整，密钥、内部文件、敏感输出和日志保留策略就越需要被正式治理。“全程留痕”本身不自动等于安全。

同一个模型，Harness 真会改变结果吗

会，但现有数据只能支持这个较弱的结论。

Composio 在8月11日发布了一组 Harness 对比测试，让 DeepSeek V4 Flash 分别运行在 8 种框架里，完成 30 项涉及 Airtable、Gmail、Google Calendar、Google Sheets、GitHub、Slack 和 PostHog 的多步骤任务。Pi 完成 20 项，OMP 完成 17 项；Claude Code、Codex 和 DeepAgents 各完成 16 项；Hermes 完成 15 项，OpenCode 完成 14 项。Prime Agent 在 24 次有效运行中完成 15 项，另有 6 次运行未计入其通过率。

这组数据说明 Harness 是可以被单独优化和评估的变量。它没有测试 DeepSeek Harness，也不能证明 DeepSeek Harness 领先。完整方法、成本与口径限制见本站中文译编：Composio 八大 Agent Harness 实测。

三组独立体验告诉了我们什么

  • 极客公园： 发布当晚安装后，让它重构网站并调用 GitHub API 生成增长曲线，两项任务都完成，当时模型费用不到3元。该报道同时指出界面对非编程用户不够友好，预览版痕迹明显。
  • 量子位： 内测体验里用同一 V4 Flash 比较 DSH 与 Codex，有的视觉任务 Codex 结果更好，有的长任务中 DSH 更愿意继续迭代。这是体验样本，没有给出可复现的统一评测协议。
  • 数字生命卡兹克： 上手稿详细展示了四种模式、轨迹视图和社区插件，结论同样是架构很有趣，当前产品对普通用户仍不友好。

三组样本的共识是：插件化和轨迹日志有辨识度，开发者预览版的产品完成度仍有明显缺口。它们不能支持“已经赢下 Agent 竞争”这类强结论。

哪些说法现在还不能当真

说法 当前判定 原因
DeepSeek Harness 整体优于 Codex 或 Claude Code 未证实 缺少同任务、同配置、可复现的大样本测试
它是“Agent 时代的 Android” 比喻与预测 开放架构已存在，稳定插件生态尚未形成
Agent 可以通过 Cordis 稳定自我进化 研究方向 官方提供了创建与试验插件的机制，但未证明长期安全、稳定、可回归
GitHub Star 高等于生产可用 错误推论 Star 只能表示关注度，不代表成功率、安全性或维护成本
插件多就一定更好 错误推论 插件会扩大依赖、权限、兼容性和供应链治理范围

对不同人的行动建议

普通 AI 用户

不需要为了热度立即迁移。现在更值得记住的是一套新的选型问题：工具权限是否清楚，失败后能否恢复，过程是否可见，单任务成本是否可计算。

开发者

可以现在试，但要使用测试项目、独立工作目录和最小权限，同时预留插件与 API 破坏性变更的迁移成本。不要把主力仓库和生产密钥直接交给预览版。

团队技术负责人

把它当成一个 Harness 研究样本，不是已完成采购验收的产品。测试时至少记录：端到端任务完成率、人工介入次数、失败恢复率、单任务费用、权限弹窗和日志中的敏感数据暴露面。

事实台账

断言 分类 主要依据 可否作为结论
8月13日开放开发者预览版，以 MIT 许可证开源 已证实事实 DeepSeek 官网、官方 GitHub 是
模型、工具、会话、沙箱、存储、循环、调度和 UI 由插件组合 已证实事实 DeepSeek 官网、架构文档 是
Cordis 管理插件、服务依赖、事件和可逆副作用 已证实事实 Cordis 入门与架构文档 是
会话采用只追加事件日志，支持回放、恢复与分叉 已证实事实 DeepSeek 官网、架构文档 是
发布当晚已有媒体完成网站重构与 GitHub API 任务 第三方单次实测 极客公园 只能证明该样本成功
DSH 的长任务表现整体优于 Codex 未证实 个别媒体 Demo，无统一评测协议 否
插件生态将使 DSH 成为“Agent 时代的 Android” 预测 媒体类比与社区热度 否

来源附录

一手来源

交叉来源

本账号判断： 模型决定能力上限，Harness 影响能力兑现率。DeepSeek 这次最重要的尝试，是把这一层从厂商封装的产品内部拿出来，变成开放的组合问题。它值得开发者现在试，值得团队现在测，还不值得被当成已经完成的 Agent 终局。

许可协议

内容遵循来源标注与事实边界；转载时请保留原始信源和本站判断。

分享文章