Câu trả lờiĐã xuất bản18 nguồn
DeepSeek V4 Pro và Harness: Vì sao “bộ khung vận hành” có thể quan trọng hơn mô hình?
Ngày 13/8/2026, DeepSeek công bố V4 Pro và Harness v0.1—một bản xem trước dành cho nhà phát triển, không phải sản phẩm coding agent hoàn thiện. Harness xây dựng trên Cordis với triết lý “mọi thứ là plugin”, cho phép thay thế mô hình, công cụ, bộ nhớ, vòng lặp agent, lưu trữ, sandbox và giao diện.
Đăng bởiBiên tập bằng GPT-5.6 LunaHình ảnh được tạo bằng GPT Image 1.5
Câu trả lời nghiên cứu
Bài học chính
- Ngày 13/8/2026, DeepSeek công bố V4 Pro và Harness v0.1—một bản xem trước dành cho nhà phát triển, không phải sản phẩm coding agent hoàn thiện.
- Harness xây dựng trên Cordis với triết lý “mọi thứ là plugin”, cho phép thay thế mô hình, công cụ, bộ nhớ, vòng lặp agent, lưu trữ, sandbox và giao diện.
- Trong thử nghiệm của Composio, cùng một mô hình DeepSeek V4 Flash đạt 129 lần thành công trên 240 lượt chạy; các harness hoàn thành từ 14 đến 20 trong 30 tác vụ.
- Nhật ký phiên chỉ được nối thêm và các công cụ Trajectory có thể hỗ trợ kiểm thử, khôi phục, phân nhánh và phát triển AI có sự hỗ trợ của AI—nhưng chưa chứng minh Harness tự học liên tục một cách đáng tin cậy.
Prompt AI
openai.comCreate a landscape editorial hero image for this Studio Global article: What were DeepSeek’s August 13, 2026 announcements of the official DeepSeek V4 Pro and the MIT-licensed developer preview of DeepSeek Harnes. Article summary: On August 13, DeepSeek paired the official release of DeepSeek V4 Pro—its agent-work-oriented flagship—with Harness v0.1, an MIT-licensed, source-available developer preview for people building agent runtimes rather than. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Ngày 13/8/2026, DeepSeek phát hành hai thứ ở hai tầng khác nhau của hệ sinh thái AI: DeepSeek V4 Pro, mô hình chủ lực được định hướng mạnh cho các tác vụ kiểu agent, và DeepSeek Harness v0.1, bản xem trước dành cho nhà phát triển muốn xây dựng hoặc tùy biến runtime của agent. 32
20
Thông điệp đáng chú ý không chỉ nằm ở việc DeepSeek ra mắt một mô hình mới. Trong quy trình làm việc thực tế, mô hình luôn hoạt động bên trong một hệ thống cung cấp ngữ cảnh, công cụ, bộ nhớ, quyền thực thi, cơ chế khôi phục lỗi và phương pháp đánh giá. Kết quả từ Composio cho thấy lớp hạ tầng bao quanh này có thể làm thay đổi đáng kể cả tỷ lệ thành công lẫn chi phí, ngay cả khi mô hình nền giữ nguyên. 3
Hai công bố trong ngày 13/8
DeepSeek ra mắt phiên bản chính thức của V4 Pro cùng Harness v0.1. Harness được phân phối dưới tên lệnh dsh và hướng đến các nhà phát triển xây dựng agent harness—tức lớp runtime biến một mô hình ngôn ngữ thành hệ thống có thể sử dụng công cụ và xử lý công việc nhiều bước—chứ chưa được giới thiệu như một sản phẩm hoàn thiện dành cho người dùng cuối để thay thế Claude Code hay Codex. 32
20
Việc chọn giấy phép cũng có ý nghĩa. Bản xem trước dành cho nhà phát triển được phát hành theo giấy phép MIT, cho phép cộng đồng kiểm tra, sửa đổi và mở rộng mã nguồn. Tài liệu của dự án mô tả một kiến trúc không phụ thuộc vào một mô hình duy nhất, để nhà phát triển có thể làm việc với nhiều nhà cung cấp mô hình thay vì bị khóa vào một hệ sinh thái đơn lẻ. 22
28
Vì sao kết quả của Composio khiến Harness trở nên đáng chú ý?
Composio đã đưa cùng một mô hình DeepSeek V4 Flash chạy qua tám agent harness trên 30 tác vụ nhiều bước. Trong tổng số 240 lượt chạy, có 129 lượt thành công, tương đương tỷ lệ 53,8%. Chỉ sáu trong 30 quy trình được hoàn thành thành công bởi tất cả các harness. 3
Khoảng cách giữa các hệ thống khá lớn:
- Pi Agent hoàn thành 20/30 tác vụ.
- Oh My Pi hoàn thành 17/30.
- Claude Code, Codex và DeepAgents cùng đạt 16/30.
- Hermes Agent đạt 15/30.
- OpenCode đạt 14/30.
Chi phí ước tính cho mỗi tác vụ thành công cũng khác nhau. Composio ghi nhận mức khoảng 0,195 USD với Claude Code, 0,081 USD với Codex và 0,045 USD với DeepAgents. Pi Agent được báo cáo ở mức 0,028 USD, dù các con số cần được đọc cùng phương pháp thử nghiệm và cách vận hành khác nhau của từng runtime. 3
Đây không phải bảng xếp hạng tuyệt đối cho mọi sản phẩm agent. Tuy nhiên, kết quả này ủng hộ một kết luận hẹp nhưng quan trọng: benchmark của riêng mô hình không thể mô tả đầy đủ hiệu năng của agent. Đơn vị so sánh thực tế ngày càng là cấu hình mô hình kết hợp harness.
Nói cách khác, câu hỏi không còn chỉ là “mô hình nào mạnh hơn?”, mà còn là “mô hình đó được đặt trong hệ thống vận hành nào?”.
Harness được thiết kế để làm gì?
Harness xây dựng trên Cordis—một framework trong đó các năng lực của runtime được cung cấp thông qua plugin. Tài liệu kiến trúc của DeepSeek cho biết bộ chuyển đổi mô hình, kho công cụ, nhật ký phiên và vòng lặp agent đều là những thành phần có thể thay thế. 17
Các ranh giới plugin được mô tả gồm:
- bộ chuyển đổi mô hình và nhà cung cấp;
- công cụ và kỹ năng;
- phiên làm việc và hệ thống lưu trữ;
- sandbox và môi trường thực thi;
- lịch tác vụ và điều phối subagent;
- vòng lặp agent; và
- giao diện người dùng.
Thiết kế này tách mô hình ngôn ngữ khỏi phần máy móc biến một câu trả lời thành quy trình làm việc liên tục. Vì vậy, nhà phát triển có thể thay đổi cách agent tập hợp hoặc nén ngữ cảnh, gọi công cụ, lưu trạng thái, thử lại khi gặp lỗi hay trình bày kết quả mà không phải viết lại toàn bộ runtime. 17
20
Cụm từ “mọi thứ là plugin” vì thế không chỉ nói về cách đóng gói phần mềm. Nó đưa lớp harness—lớp nằm giữa mô hình và môi trường làm việc—vào trung tâm của hoạt động thử nghiệm.
Nhật ký có thể truy vết: nền tảng cho việc cải tiến
DeepSeek cho biết Harness ghi lại những gì mô hình nhìn thấy và thực hiện trong một nhật ký phiên chỉ được nối thêm. Nhật ký bao gồm prompt hệ thống, quá trình suy luận, lệnh gọi và kết quả từ công cụ, lịch điều phối subagent cũng như các lần đưa ngữ cảnh vào hệ thống. Chế độ Trajectory cho phép kiểm tra dòng sự kiện; các thao tác tiếp tục, phân nhánh, tìm kiếm và phát lại đều dựa trên cùng một bản ghi. 22
Với nhà phát triển, cách làm này đem lại một số lợi ích:
- Dễ tìm lỗi: Có thể xem thất bại như một chuỗi thay đổi ngữ cảnh và hành động, thay vì chỉ nhìn vào câu trả lời cuối cùng.
- Có thể tái lập: Một quy trình có thể được phát lại hoặc khôi phục để so sánh sau khi prompt, công cụ hay plugin thay đổi.
- Thử nghiệm theo nhánh: Nhà phát triển có thể tách một trajectory để kiểm tra chiến lược khác mà không xóa phiên gốc.
- Tạo dữ liệu đánh giá: Các trajectory thành công và thất bại có thể trở thành dữ liệu để kiểm thử công cụ, prompt, chính sách hoặc vòng lặp agent mới.
Những khả năng này có thể tạo thành một vòng lặp cải tiến liên tục: chạy tác vụ, kiểm tra trajectory, xác định lỗi, sửa plugin, chạy lại và lưu kết quả. Tuy nhiên, hệ thống có khả năng ghi và phát lại trajectory không tự động đồng nghĩa với một hệ thống tự học. Bằng chứng hiện có cho thấy Harness là nền tảng có thể kiểm toán để phát triển lặp lại, chứ chưa chứng minh khả năng tự cải thiện tự động một cách đáng tin cậy. 22
Bộ nhớ và “tự tiến hóa” cần được nhìn nhận thận trọng
Hệ sinh thái xung quanh Harness đã xuất hiện các dự án bên thứ ba quảng bá bộ nhớ dài hạn xuyên phiên và khả năng tự tiến hóa trong nền. 18
19
Các dự án này cho thấy kiến trúc plugin có thể tiếp nhận bộ nhớ bền vững, lịch sử dự án, cơ chế tự xem xét và quản lý kỹ năng. Nhưng chúng không chứng minh rằng bản phát hành Harness v0.1 cốt lõi đã an toàn hoặc có khả năng tự cải thiện liên tục trong mọi tình huống.
Cần phân biệt rõ giữa plugin tùy chọn, tích hợp thử nghiệm và tính năng cốt lõi của sản phẩm. Khi đưa vào môi trường thực tế, các đội ngũ vẫn phải đánh giá việc lưu giữ dữ liệu, quyền truy cập, mức độ cô lập của sandbox, quản lý thông tin xác thực, khả năng khôi phục phiên bản và rủi ro hệ thống tự động thay đổi công cụ hoặc quy trình của chính nó.
Nước cờ chiến lược: kiểm soát điểm vào của nhà phát triển
DeepSeek có thể cạnh tranh ở tầng mô hình bằng V4 Pro và V4 Flash. Harness mở thêm một mặt trận ở tầng mà nhà phát triển quyết định mô hình sẽ được sử dụng như thế nào.
Tầng này kiểm soát:
- mô hình nào được lựa chọn;
- ngữ cảnh được tập hợp và nén ra sao;
- công cụ và quyền hạn nào được cấp;
- công việc dài hạn được tiếp tục như thế nào;
- lỗi được phát hiện và khôi phục ra sao;
- trajectory được đánh giá thế nào; và
- plugin nào trở thành một phần của quy trình agent.
Việc mở runtime khuyến khích các nhà phát triển bên ngoài xây dựng bộ chuyển đổi, công cụ, hệ thống bộ nhớ và mô hình quy trình xung quanh kiến trúc của DeepSeek. Đồng thời, dù hỗ trợ nhiều nhà cung cấp mô hình, kiến trúc này vẫn có thể giúp DeepSeek duy trì ảnh hưởng tại điểm vào của nhà phát triển—nơi quyết định cách chọn mô hình, tổ chức ngữ cảnh, sử dụng công cụ và đánh giá kết quả.
Đây có thể là vị thế bền vững hơn so với việc chỉ cạnh tranh bằng trọng số mô hình hoặc giá API.
Cách tiếp cận này cũng mở ra con đường cho phát triển AI có sự hỗ trợ của AI. Một agent có thể giúp tạo plugin, kiểm tra trajectory thất bại, đề xuất thay đổi, chạy đánh giá và lưu lại nguồn gốc của từng thử nghiệm. Tuy nhiên, nên hiểu đây là hạ tầng cho vòng lặp kỹ thuật—không phải bằng chứng cho một agent tự cải thiện đã hoàn thiện.
Vì sao nhãn v0.1 quan trọng?
Trạng thái developer preview là một phần cốt lõi của thông báo. Nó cho thấy DeepSeek đang mời cộng đồng thử nghiệm và cùng phát triển, nhưng cũng có nghĩa API, tích hợp, cơ chế bảo mật và hành vi vận hành vẫn có thể thay đổi. 20
Do đó, nhà phát triển nên đánh giá Harness như một framework mở và nền tảng nghiên cứu, thay vì mặc định coi đây là sản phẩm coding agent đã đạt độ tin cậy, độ hoàn thiện và mức bảo vệ tương đương các công cụ trưởng thành.
Kết luận
Hai công bố ngày 13/8 của DeepSeek đã nối mô hình với một chiến lược hạ tầng. V4 Pro cung cấp mô hình chủ lực, còn Harness mở ra runtime quyết định cách mô hình làm việc với công cụ, ngữ cảnh, bộ nhớ và các tác vụ kéo dài. 32
20
Kết quả của Composio lý giải vì sao sự khác biệt này đáng quan tâm: cùng một mô hình V4 Flash nhưng số tác vụ hoàn thành dao động từ 14 đến 20 tùy harness, trong khi chi phí được báo cáo cũng chênh lệch đáng kể. 3
Kiến trúc plugin và các trajectory có thể truy vết đem lại cho DeepSeek nền tảng đáng chú ý để thử nghiệm, đánh giá và phát triển phần mềm có sự hỗ trợ của AI. Chúng chưa chứng minh Harness đã giải quyết được bài toán học liên tục đáng tin cậy. Nhưng chúng cho thấy lớp harness có thể trở thành một trong những chiến trường trung tâm của giai đoạn phát triển agent tiếp theo.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "DeepSeek V4 Pro và Harness: Vì sao “bộ khung vận hành” có thể quan trọng hơn mô hình?" là gì?
Ngày 13/8/2026, DeepSeek công bố V4 Pro và Harness v0.1—một bản xem trước dành cho nhà phát triển, không phải sản phẩm coding agent hoàn thiện.
Những điểm chính cần xác nhận đầu tiên là gì?
Ngày 13/8/2026, DeepSeek công bố V4 Pro và Harness v0.1—một bản xem trước dành cho nhà phát triển, không phải sản phẩm coding agent hoàn thiện. Harness xây dựng trên Cordis với triết lý “mọi thứ là plugin”, cho phép thay thế mô hình, công cụ, bộ nhớ, vòng lặp agent, lưu trữ, sandbox và giao diện.
Tôi nên làm gì tiếp theo trong thực tế?
Trong thử nghiệm của Composio, cùng một mô hình DeepSeek V4 Flash đạt 129 lần thành công trên 240 lượt chạy; các harness hoàn thành từ 14 đến 20 trong 30 tác vụ.