国产大模型DeepSeek正从模型层进一步延展至更深的Agent基础设施层，智能体框架的真实面貌也逐渐清晰。

8月13日，DeepSeek Harness v0.1（简称DSH）开发者预览版正式面向全球开发者开放测试，并同步以MIT协议开源代码。项目上线后，迅速在X等社交平台引发开发者广泛讨论；不到24小时内，便在开发者社区GitHub斩获超过7万颗星。

近期，DeepSeek新品发布节奏明显提速，而Harness正是这一轮更新中关注度颇高的重点。8月13日凌晨，DeepSeek V4 Pro正式发布，新版本重点增强了Agent能力。也在同一天，DeepSeek还同步宣布，随着DeepSeek V4全系列正式版模型上线，API价格将进行上调，并开始实施峰谷分时定价。

如果说模型决定了AI“能做什么”，那么Harness就是决定AI“如何把事情做成”的关键基础设施。随着AI从聊天问答逐步迈向能够自主调用工具、编写代码、操作文件并完成复杂工作流的Agent阶段，Harness的重要价值也愈发突出。

从模型到Agent：DeepSeek如何定义Harness？

所谓Harness，是围绕大语言模型搭建的一整套软件支撑框架，目标是帮助AI Agent管理并执行更复杂的任务。简单理解，它就是让一个大模型真正具备Agent运行能力所需的完整系统。

DSH团队将模型比作“Agent的灵魂”，而Harness则“赋予Agent理解环境、调用工具，并在真实场景中持续运行的能力”。

团队表示，DSH采用“一切皆插件”的设计理念：“我们采用插件式开放架构来构建Agent Harness：模型、工具、技能、会话、沙箱、存储、循环、调度、UI等所有Agent能力均由插件组合而成，可自由替换、灵活重组。”

这意味着，DSH并不只是为DeepSeek模型简单套上一层工具，而是尝试将Agent运行所需的各个关键环节拆解为可动态组合的模块。

目前，OpenAI、Anthropic等AI前沿实验室也都在打造各自的Harness，以提升AI在编程以及其他工作场景中的效率与能力。

不同之处在于，OpenAI的Codex和Anthropic的Claude Code更偏向面向软件开发场景的AI Agent，能够理解代码库、调用工具、修改代码，并完成复杂的软件工程任务。相比之下，DeepSeek此次推出的Harness则进一步向底层延伸，直接触及Agent工程架构层。

有开发者在X平台总结称，DSH能够将DeepSeek模型、工具、文件系统、沙箱、Agent循环等模块全部模块化，同时还能记录、回放并修改Agent完整的运行过程。由此，DeepSeek不再只是“一个模型”，而开始演变为一个可自由组装、持续迭代的Agent运行平台。

DSH采取“一切皆插件”的设计思路，引发社区讨论。来源：X平台

这种设计也与DSH背后的核心组件Cordis密切相关。DeepSeek与北京大学近日联合发布论文《A Programming Paradigm for Spatiotemporal Composability》（《一套处理时空可组合性的编程范式》），进一步阐释了这套架构背后的技术基础。

作为负责DSH插件加载、卸载及依赖关系管理的核心，Cordis提供了一套动态组合机制。经过Context管理的组件可以被动态加载和卸载，同时还能自动回收其所管理的副作用。

值得注意的是，这套设计并不只停留在论文或实验室阶段。根据论文介绍，相关方案已经在Koishi聊天机器人框架中运行四年，目前已有超过4000个社区插件在生产环境中得到验证。

在X平台上，许多网友用“overwhelming（压倒性的）”来形容这篇论文。有开发者表示，这篇论文提出了一种新的编程模型：一个组件不仅要告诉系统“我需要什么”，还需要明确“我会改变什么”。系统在运行时可以据此自动激活相应依赖，而当组件退出时，又能撤销此前产生的影响。

早期体验者：想法很酷，但仍有明显短板

DSH开放测试后，很快吸引了一批开发者进行实际上手体验。

知名开发者、Flask框架创始人Armin Ronacher评价称，DSH展现出“很多很酷的想法”。他表示自己非常喜欢其中的设计，“确实让我重新思考了我们在产品中进行Harness重构的方式”。

还有开发者将不同Harness的实战效果进行了直接对比：同样是一名用户、同样一套任务——使用DeepSeek V4 Flash制作一个基于Three.js的滑沙游戏，并分别放到DSH、Reasonix和Codex中运行。结果非常直观，单看最终呈现效果，DeepSeek V4 Flash搭配DSH的表现最好。

网友测试DSH。来源：X平台

一名Reddit用户则认为，Harness的架构理念相当前沿，其最大优势在于能够把DeepSeek模型的能力释放到当前可达到的较高水平。不过，DSH的问题也很明显：Agent完成单个任务可能耗时较长，而且Token消耗偏大，“仍有很多优化空间”。

体验者总结DSH的优缺点。来源：Reddit

另有早期使用者提到，DSH当前的使用体验仍较为复杂，包括Skills加载机制、插件说明、CLI使用方式等方面都存在一定学习门槛。换句话说，DSH的技术架构似乎走在了产品体验前面。

从更宏观的角度来看，DSH真正引发行业关注的，是它所代表的竞争方向。

美国科技媒体VentureBeat认为，DSH显示出DeepSeek的竞争重点正从“模型层”向“Agent基础设施层”进一步上移。

随着越来越多模型通过标准化接口对外提供服务，未来开发者可以相对容易地在不同模型之间切换和替换。相比之下，Agent的Harness决定了它如何推理、如何调用工具、如何修改软件、如何管理文件，以及如何贯穿整个工作流，因此其替换成本很可能要高得多。