模型只是一半——读懂 DeepSeek Harness
先看一个数字。
一位开发者只改了 AI 编辑代码时用的文件改写格式——从常见的「找到这段、替换成那段」，换成一种带行号锚点的格式。模型没换，提示词没重写，参数没调。同一个模型（Grok Code Fast 1）在同一批任务上的成功率，从 6.7% 跳到 68.3%。
十倍。比过去两年里大多数模型升级带来的提升都大。
Cursor 团队报告过类似的事：同一个模型，配上不同的外围系统，同一套评测能跑出 46% 和 80% 两个分数。
这个"外围系统"，2026 年有了一个统一的名字：harness。而 8 月中旬，DeepSeek 把自己的 harness 整套开源了出来，还附了一篇八十多页的编程语言理论论文。这篇文章就想把这两件事讲清楚：harness 到底是什么，DeepSeek 这一步在下什么棋，以及——你该不该跟。
一、Harness 是什么：Agent = Model + Harness
先破一个常见的误解。很多人以为 Claude Code、Cursor、Codex 这类工具的强大，来自它们背后的模型。模型只是一半。
语言模型本身其实很"残疾"：它无状态（每次对话都从零开始，不记得上次干了什么）、只会吐文字（它不能真的读文件、跑命令、改代码，它只能"说"出想读什么）。要让它变成一个能自己干活好几个小时的 agent，中间必须有一层东西，负责：
模型输出「我要读 src/main.py」，harness 真的去读，把内容塞回去。工具的定义、调用、结果回传，全是 harness 的活。
上下文窗口是有限的。放什么、不放什么、什么时候压缩历史、怎么把几十万行代码库变成几千 token 的线索——这是 harness 最见功力的地方。
跨轮次的记忆、任务清单、已经试过哪些死路。模型自己不记，harness 替它记。
模型会编造不存在的工具、会把失败说成成功、会格式写错。harness 要能检测、重试、纠正，而不是整个任务崩掉。
沙箱、权限、需要人工确认的高危操作、执行日志。让它能干活，又不至于把你的生产库删了。
2026 年流行起来的说法把这件事压缩成一个公式：
Agent = Model + Harness
模型决定这个 agent 的能力上限；harness 决定它实际能发挥出多少。 —— 2026 年流传的共识说法
打个不太严谨但好懂的比方：模型是发动机，harness 是车的其余部分——变速箱、悬挂、刹车、仪表盘。发动机马力再大，配一副烂底盘和没有刹车，跑不快也跑不远。开头那个十倍的差距，本质上就是换了个变速箱。
先搞懂几个词
这个领域术语很密，而且不少是今年才定型的。花一分钟过一遍，后面就顺了：
- Harness（驾驭层 / 挽具）
- 包在模型外面的整套软件基础设施：工具调度、记忆、状态、沙箱、上下文管理、错误处理、反馈回路。原意是套在马身上的挽具——马提供力量，挽具决定这股力量往哪使。
- Scaffold（脚手架）
- 基本同义，更早的叫法，偏指"临时搭一个架子让模型能干活"。harness 这个词赢了，因为它暗示的是长期工程件，不是临时搭建。
- Agent Loop（智能体主循环）
- harness 的心脏：把上下文发给模型 → 拿到模型想做的动作 → 执行 → 把结果塞回上下文 → 再发给模型，循环直到任务完成。绝大多数 agent 产品的差异都藏在这个循环的细节里。
- Guides / Sensors（前馈 / 反馈）
- Thoughtworks 提出的一种拆法：Guides 是动手之前引导模型的东西（系统提示词、工具说明、规范文件）；Sensors 是动手之后观察结果的东西（测试、类型检查、lint、报错信息）。好的 harness 两头都要硬。
- Inner / Outer Harness（内层 / 外层）
- 同样出自 Thoughtworks：内层是模型厂商自己给你的（Claude Code 内置的那套），外层是你自己搭的（你写的 CLAUDE.md、你配的 MCP、你的 CI 钩子）。你能控制的通常是外层。
- Context Engineering（上下文工程）
- Prompt engineering 的继任者。不只是"把提示词写好"，而是系统性地决定每一轮塞什么进上下文窗口。它是 harness 工程的一个子集。
二、这个词为什么突然火了
Harness 作为通用术语，是今年初才立起来的。2026 年 2 月，Mitchell Hashimoto（HashiCorp 创始人）写了篇博客，讲他的做法：agent 每犯一次错，他不去改提示词，而是去改环境——让那个错误在结构上不可能再犯。同期 Vivek Trivedy 的《Anatomy of an Agent Harness》从 Agent = Model + Harness 这个公式出发，把组件一个个拆开。之后 OpenAI 的工程报告、Thoughtworks、LangChain、Anthropic 的文章接力，把这个词推成了行业默认语汇。
它之所以能立住，是因为它命名了一个真实存在、但此前没人正视的问题：我们一直在拿模型互相比较，但每个分数其实是模型和 harness 共同产生的。
今年有篇论文的标题就是这个意思：《Stop Comparing LLM Agents Without Disclosing the Harness》（别再不公开 harness 就比较 agent 了）。作者们指出，几乎没有一份基准报告会完整披露评测时用的 harness，而不同 harness 造成的分数波动，常常大过新模型宣称的提升幅度。他们提议把 harness 规格纳入强制披露项——就像论文要写清实验条件一样。
一个实用推论：当你觉得手上的 AI 编程工具"变笨了"，先别急着换模型。绝大多数情况下，问题出在 harness——上下文塞了太多噪音、工具描述含糊、错误没被兜住。先修 harness，再换模型，投资回报率高得多。
还有个有意思的反向发现：Cursor 团队复盘自己 2024 到 2026 的演进时提到，早期他们往上下文里塞大量静态信息和护栏（目录结构、lint 报错、类型检查结果），到 2026 年大部分都被删掉了，只保留"操作系统、git 状态、当前打开的文件"这类便宜又高价值的元信息，其余改成让模型自己按需去查。
也就是说：模型越强，harness 应该越薄。今天有用的护栏，半年后可能就是拖后腿的噪音。这条规律，在下面评价 DeepSeek 的方案时会再出现一次。
三、DeepSeek Harness：一切皆插件
8 月 13–14 日，DeepSeek 开源了 DeepSeek Harness（命令行叫 dsh），MIT 许可，一行命令就能跑起来：
npx @deepseek-ai/dsh web
它的口号只有一句：Everything is a Plugin（一切皆插件）。
这句话在别处通常是营销词，但在 dsh 里它相当彻底。模型、工具、技能、会话、沙箱、文件系统、用户界面——全是插件。连 agent 主循环本身都是插件，可以整个换掉。官方的说法叫"无特权内核"：内核不比任何一个组件更高一等，所有东西都可替换。
它还有几个挺有性格的设计：
dsh 能调用 Claude Code、Codex CLI 当作自己的 subagent。它不假设你只用 DeepSeek 的模型，官方支持约 40 家模型供应商。这在当下是个鲜明的姿态。
这是写进架构里的保证，不是"最佳实践建议"。会话日志只追加不修改，整个执行过程可审计、可重放。
运行时显式呈现每个步骤——模型想了什么、调了什么工具、拿到什么结果。相对于闭源 agent 的黑盒体验，这是它最直接的卖点。
仓库里带着 1,386 份架构决策记录（ADR）和约 17 万行文档，并且在 CI 里校验文档与代码是否一致。团队用它自己开发它自己。
四、底座 Cordis：一个来自聊天机器人框架的内核
dsh 最值得说的部分，其实不在 dsh 里，而在它的底座 Cordis。这里有个很反直觉的来历。
Cordis 不是为 AI 造的。它是 Koishi 的插件内核——一个跨平台的开源聊天机器人框架，名字取自东方 Project 的角色，由开发者 shigma 创建，在中文开源社区里跑了四年，沉淀了四千多个社区插件。
换句话说：DeepSeek 没有从零造一套 agent 运行时，而是拿了一套已经被四千个插件、四年生产环境验证过的动态插件系统，把它抬进了 AI agent 领域。
同时发布的还有一篇八十多页的论文——《A Programming Paradigm for Spatiotemporal Composability》（时空可组合性的编程范式），作者来自北京大学与 DeepSeek。它做的事是给 Cordis 的设计补上形式化的数学基础。听起来很学院派，但它要解决的问题非常实在：
怎么让一个正在运行的系统，安全地装上和拔掉零件，既不用重启，也不留下垃圾？
论文把这件事拆成两个维度，这是全文最核心的两个概念：
组件对系统做的每一个改动，都必须同时提供它的逆操作。运行时把这些逆操作按顺序记下来，卸载组件时倒着执行一遍，系统精确回到装它之前的状态。
大白话：拔掉插件像拔 U 盘，不留残留文件、不留幽灵监听器、不用重启。
普通的"效应（effect）"问的是「我改了什么」；"协效应（coeffect）"问的是「我需要什么」。组件声明自己的依赖，运行时持续盯着：依赖齐了就自动激活它，依赖没了就自动停用它。
大白话：插件之间的依赖不用你手工排顺序，谁该醒、谁该睡，运行时自己算。
两者合起来，就是"时空可组合性"——系统可以在运行中重新配置自己。这也是为什么有报道把 dsh 描述成"自我演化 agent 的运行时"：一个能在不重启的前提下增删自身能力的框架，理论上可以让 agent 修改自己的工具集。
值得注意的是，这套东西在 AI 之外的领域已经跑通过了。它不是一个为了发论文而造的理论，而是一个跑了四年之后被反过来形式化的工程实践。在 AI 圈普遍"先发布再说"的氛围里，这个顺序反倒挺少见。
五、这步棋在下什么
把视角拉远，DeepSeek 这一步的战略意图相当清楚。
过去两年，AI 公司主要在两个维度上竞争：模型有多聪明，以及 token 有多便宜。DeepSeek 在第二个维度上一直是最凶的那个。但 harness 是第三个维度，而且是一个正在悄悄变成护城河的维度——Claude Code、Codex 这类产品的粘性，很大程度上来自 harness 和模型的联合调优，而不是模型单独的分数。
面对这条护城河，有两种打法：
把 harness 和自家模型紧紧绑在一起，联合优化到极致，harness 本身作为闭源产品或订阅入口。体验好，但用户被锁定，内部是黑盒。
把 harness 开源、做成模型中立的公共基础设施，明确支持竞争对手的模型甚至把对手的工具当子代理。放弃 harness 本身的商业化，换取生态位和真实任务数据。
DeepSeek 的主张可以概括成一句话：agent 的能力不在某个神秘的内核里，而在一组可组合、可替换的工程组件里。这是一次主动的"祛魅"——如果 harness 是公共标准而不是商业秘密，那么护城河就重新回到模型本身，而那正是 DeepSeek 想比的地方。
市场反应很直接：仓库在发布后两天内涨到九万星量级（各来源统计口径略有出入，但数量级一致），已经逼近 Claude Code 和 Codex CLI 这类成名已久的项目。据 SCMP 报道，DeepSeek 今年 3 月才专门组建了 harness 团队——从组队到开源，不到半年。
六、冷静的一面
热度归热度，如果你在考虑真拿它干活，下面这些必须先知道。
官方标注 developer preview，README 里直接大写警告「会有破坏兼容性的变更」。版本号还在 v0.1.0-rc 阶段。这不是免责套话，是字面意思。
有第三方实测称，dsh 单次未命中缓存的输入约 4.7 万 token，而极简派 harness 只要约 4500——相差约十倍。还发现了工具间同步文件时重复注入指令集的 bug。这是单一来源的实测，未经广泛复现，但方向值得警惕。
「一切皆插件」的价值取决于有多少插件。有评测者实际尝试了 5 个第三方插件，全部失败；数十项第三方兼容性声明也大多待验证。生态需要时间，而 API 还在破坏性变更中。
同期发布的 DeepSeek V4-Pro，不同来源引用的 SWE-bench 分数彼此矛盾，独立评测与厂商自评差距巨大，目前缺乏可靠的第三方复现。这件事本身恰好是本文的注脚：不公开 harness 的基准分数，参考价值有限。
更根本的争议在于设计哲学。批评者认为，Cordis 这套可逆效应 + 协效应的运行时，解决的是绝大多数开发者一辈子碰不到的问题——热插拔、运行时自我重构，听起来很美，但复杂度的代价是所有人一起付的，收益却只有做基础设施和多智能体研究的人拿得到。用一个流传的说法：为了蘸一口醋，包了一整盘饺子。
这就回到了前面 Cursor 那条规律：模型越强，harness 应该越薄。dsh 选择的方向恰恰相反——它赌的是 harness 会越来越厚、越来越像一个操作系统。所以真正的问题不是"dsh 能不能用"，而是：
Agent 需要的是一个操作系统，还是一把小而锋利的刀？
这个问题现在没有答案，只有下注。
七、所以你该做什么
抛开 DeepSeek 这个具体产品，harness 这个概念对任何在用 AI 干活的人都有直接的实用价值。三条务实建议：
下次觉得 AI 表现差，先查这几件事：上下文里是不是塞了大量无关内容？工具描述是不是模糊？失败时有没有清晰的报错回到模型？这几项的改善空间，通常远大于换个模型。
项目里的 CLAUDE.md、MCP 配置、可跑的测试、清晰的报错信息——这些就是你的外层 harness。它们不是文档，是 agent 的输入。每次 agent 犯错，改环境而不是改口头提醒，让那个错在结构上不可能再犯。
Cursor 的经验：模型升级后，回头审视你加过的规则和上下文注入，把过时的删掉。harness 不是只增不减的账本，臃肿的 harness 会主动拖慢一个更聪明的模型。
至于 dsh 本身：如果你在做 agent 基础设施、多智能体编排、或者需要一个完全可审计可替换的运行时，值得现在就去读它的架构文档——那 1,386 份 ADR 本身就是一份罕见的公开教材。如果你只是想要一个稳定顺手的编程助手，观察三到六个月，等生态和 API 都稳下来再说。
一句话总结：2026 年 AI 应用的真正分水岭，正在从"用哪个模型"转向"怎么把模型装进一套系统里"。DeepSeek 把自己的那套系统连同理论基础一起摊开在桌上——这件事的意义，可能比这套系统本身好不好用要大得多。
Cordis 论文《A Programming Paradigm for Spatiotemporal Composability》 · github.com/cordiverse/paper
《Stop Comparing LLM Agents Without Disclosing the Harness》 · arXiv:2605.23950
Agent harness 词条 · Wikipedia
另参考 SCMP、The New Stack、TechNode、36Kr 等报道及多篇独立评测。文中所引数据均标注了来源性质，第三方单次实测结果未经广泛复现。