2026年8月13日，DeepSeek同时发布了两个处于不同层级的产品：面向代理型工作负载的官方 DeepSeek V4 Pro，以及用于构建和改造代理运行时的开发者预览版 DeepSeek Harness v0.1。后者以MIT许可证开源，命令行工具名为 dsh。3220

这次发布传递出的信号，不只是“又一个大模型上线”。在真实的AI代理工作流中，模型并不是单独完成任务，而是运行在一整套系统之内：系统负责提供上下文、工具、记忆、执行权限、失败恢复和评估机制。Composio的测试显示，即使底层模型完全相同，外围运行时也可能显著改变任务成功率和成本。3

8月13日，DeepSeek发布了什么

DeepSeek在推出官方V4 Pro的同时，公布了Harness v0.1。Harness以 dsh 形式提供，定位是帮助开发者构建代理Harness的基础设施，而不是一个已经成熟、面向普通用户的Claude Code或Codex替代品。3220

它采用MIT许可证也颇为关键。这意味着开发者可以检查、修改和扩展运行时源码。项目文档还强调了模型无关的架构：开发者可以接入不同模型提供商，而不必被锁定在单一模型上。2228

换句话说，DeepSeek这次开放的并不只是一个模型接口，而是模型与工作环境之间的那一层“中间系统”。

Composio测试：同一个模型，换个Harness就可能换个结果

Composio让同一个DeepSeek V4 Flash模型运行在8种代理Harness中，并使用30项多步骤任务进行测试。240次运行中有129次成功，整体成功率为53.8%；30项工作流中，只有6项被所有Harness共同完成。3

不同Harness之间的差距相当明显：

• Pi Agent完成30项任务中的20项；
• Oh My Pi完成17项；
• Claude Code、Codex和DeepAgents各完成16项；
• Hermes Agent完成15项；
• OpenCode完成14项。

成本差异同样值得关注。Composio估算，Claude Code每个成功任务的成本约为0.195美元，Codex约为0.081美元，DeepAgents约为0.045美元。Pi Agent的相关成本约为0.028美元，但这些数字仍应结合测试方法，以及各运行时不同的执行策略来理解。3

这并不是一份适用于所有场景的代理产品排名。它更准确地说明了一个范围较窄、但影响很大的结论：单纯的模型基准测试，已经不足以完整描述代理性能。对代理而言，越来越合理的比较单位是 “模型+Harness配置”。

Harness究竟负责什么

Harness建立在Cordis之上。在DeepSeek的架构设计中，运行时能力通过插件暴露出来；模型适配器、工具注册表、会话日志和代理循环等组件都可以被替换。17

目前公开的插件边界还包括：

• 模型与服务商适配器；
• 工具与技能；
• 会话与存储；
• 沙箱和执行环境；
• 调度与子代理协同；
• 代理循环；
• 用户界面。

这种设计把语言模型与“让模型持续行动起来”的系统机制分离开来。开发者可以改变代理如何组装和压缩上下文、调用工具、保存状态、重试失败操作，或展示执行过程，而不必重写整个运行时。1720

因此，“万物皆插件”并不只是软件打包方式的变化。它把模型与工作环境之间的Harness层，推到了代理研发的核心位置。

可追踪会话：为反复调试和迭代打基础

DeepSeek表示，Harness会通过追加式会话日志记录模型看到和执行的内容，包括系统提示词、推理过程、工具调用及其结果、子代理调度，以及每一次上下文注入。Trajectory视图可以按来源检查事件流，而恢复、分叉、搜索和回放都基于同一份记录。22

对开发者来说，这种设计带来几项实际价值：

1. 更容易调试： 失败不再只是一个最终答案，而可以被还原为一连串上下文变化和执行动作。
2. 更容易复现： 修改提示词、工具或插件后，开发者可以重新运行同一工作流进行对比。
3. 更适合分支实验： 可以从一条既有轨迹分叉，测试另一套策略，同时保留原始运行结果。
4. 更适合评估： 成功和失败的轨迹都可以用于测试新的工具、提示词、策略或代理循环。

这为一种持续改进流程提供了基础：先运行任务，再检查轨迹，定位失败原因，修改插件，重新运行，并保留实验结果。但能记录和回放轨迹，并不等于系统已经具备自动学习能力。现有证据支持的判断是：Harness提供了一个可审计、适合迭代开发的底层环境，而不是已经证明了可靠的自主进化。22

记忆和“自我进化”需要谨慎区分

围绕Harness的生态中，已经出现了宣传跨会话长期记忆和后台自我进化能力的第三方项目。1819

这些项目说明，插件架构可以容纳持久化记忆、项目历史、自我复盘和技能管理等功能。但它们并不能证明基础版Harness v0.1已经安全、稳定且普遍地实现持续自我改进。

这一区分很重要：可选插件、实验性集成和核心产品能力不能混为一谈。对于生产环境，团队仍需评估数据保存、权限管理、沙箱隔离、凭据处理、回滚机制，以及自动化系统自行改变工具或操作流程所带来的风险。

DeepSeek的战略押注：掌握开发者入口

DeepSeek可以在模型层通过V4 Pro和V4 Flash展开竞争，而Harness则让它有机会进入开发者决定“模型如何被使用”的那一层。

这一层决定着：

• 选择哪一个模型；
• 如何组装和压缩上下文；
• 模型可以使用哪些工具和权限；
• 长时间任务如何暂停和恢复；
• 如何发现并处理失败；
• 如何评估执行轨迹；
• 哪些插件最终成为代理工作流的一部分。

在MIT许可证下开放运行时，可以鼓励外部开发者围绕DeepSeek的架构构建适配器、工具、记忆系统和工作流模式。与此同时，即使Harness支持多个模型提供商，DeepSeek仍可能通过自己的架构和默认集成，影响开发者进入代理生态的方式。

这或许比单纯围绕模型权重或API价格竞争更持久。因为一旦开发者的工具、插件、评估流程和项目习惯建立在某个运行时之上，运行时本身就会成为更具黏性的基础设施。

这种架构也为“AI辅助开发AI”提供了路径。代理可以协助生成插件、检查失败轨迹、提出修改方案、运行评估，并保存实验的完整沿革。不过，这更准确地说是面向工程反馈循环的基础设施，而不是一个已经完成的自我进化代理。

为什么“v0.1开发者预览版”很重要

Harness的开发者预览版身份，是理解这次发布的关键。它意味着DeepSeek在邀请开发者共同实验和共建，但也意味着API、集成方式、安全控制和实际运行表现仍可能发生变化。20

因此，开发者应把Harness视为开放框架和研究平台，而不应默认它已经具备成熟编码代理产品的可靠性、易用性或安全防护能力。

结论：下一场竞争可能发生在模型之下

DeepSeek在2026年8月13日的两项发布，把模型战略与基础设施战略连接起来：V4 Pro提供旗舰模型，而Harness则开放了决定模型如何使用工具、管理上下文、调用记忆并执行长期任务的运行时。3220

Composio的结果解释了这种区分为何重要：同一个V4 Flash模型，在不同Harness中的测试成绩从14项任务到20项任务不等，成功任务成本也有明显差异。3

Harness的插件化架构和可追踪轨迹，为实验、评估和AI辅助工程提供了可信的基础。它们尚不能证明DeepSeek已经解决了可靠的持续学习问题，但可能会让Harness层成为下一阶段代理开发竞争的关键战场。

2026年8月13日，DeepSeek同时发布了两个处于不同层级的产品：面向代理型工作负载的官方 DeepSeek V4 Pro，以及用于构建和改造代理运行时的开发者预览版 DeepSeek Harness v0.1。后者以MIT许可证开源，命令行工具名为 dsh。3220

这次发布传递出的信号，不只是“又一个大模型上线”。在真实的AI代理工作流中，模型并不是单独完成任务，而是运行在一整套系统之内：系统负责提供上下文、工具、记忆、执行权限、失败恢复和评估机制。Composio的测试显示，即使底层模型完全相同，外围运行时也可能显著改变任务成功率和成本。3

8月13日，DeepSeek发布了什么

DeepSeek在推出官方V4 Pro的同时，公布了Harness v0.1。Harness以 dsh 形式提供，定位是帮助开发者构建代理Harness的基础设施，而不是一个已经成熟、面向普通用户的Claude Code或Codex替代品。3220

它采用MIT许可证也颇为关键。这意味着开发者可以检查、修改和扩展运行时源码。项目文档还强调了模型无关的架构：开发者可以接入不同模型提供商，而不必被锁定在单一模型上。2228

换句话说，DeepSeek这次开放的并不只是一个模型接口，而是模型与工作环境之间的那一层“中间系统”。

Composio测试：同一个模型，换个Harness就可能换个结果

Composio让同一个DeepSeek V4 Flash模型运行在8种代理Harness中，并使用30项多步骤任务进行测试。240次运行中有129次成功，整体成功率为53.8%；30项工作流中，只有6项被所有Harness共同完成。3

不同Harness之间的差距相当明显：

• Pi Agent完成30项任务中的20项；
• Oh My Pi完成17项；
• Claude Code、Codex和DeepAgents各完成16项；
• Hermes Agent完成15项；
• OpenCode完成14项。

成本差异同样值得关注。Composio估算，Claude Code每个成功任务的成本约为0.195美元，Codex约为0.081美元，DeepAgents约为0.045美元。Pi Agent的相关成本约为0.028美元，但这些数字仍应结合测试方法，以及各运行时不同的执行策略来理解。3

这并不是一份适用于所有场景的代理产品排名。它更准确地说明了一个范围较窄、但影响很大的结论：单纯的模型基准测试，已经不足以完整描述代理性能。对代理而言，越来越合理的比较单位是 “模型+Harness配置”。

Harness究竟负责什么

Harness建立在Cordis之上。在DeepSeek的架构设计中，运行时能力通过插件暴露出来；模型适配器、工具注册表、会话日志和代理循环等组件都可以被替换。17

目前公开的插件边界还包括：

• 模型与服务商适配器；
• 工具与技能；
• 会话与存储；
• 沙箱和执行环境；
• 调度与子代理协同；
• 代理循环；
• 用户界面。

这种设计把语言模型与“让模型持续行动起来”的系统机制分离开来。开发者可以改变代理如何组装和压缩上下文、调用工具、保存状态、重试失败操作，或展示执行过程，而不必重写整个运行时。1720

因此，“万物皆插件”并不只是软件打包方式的变化。它把模型与工作环境之间的Harness层，推到了代理研发的核心位置。

可追踪会话：为反复调试和迭代打基础

DeepSeek表示，Harness会通过追加式会话日志记录模型看到和执行的内容，包括系统提示词、推理过程、工具调用及其结果、子代理调度，以及每一次上下文注入。Trajectory视图可以按来源检查事件流，而恢复、分叉、搜索和回放都基于同一份记录。22

对开发者来说，这种设计带来几项实际价值：

1. 更容易调试： 失败不再只是一个最终答案，而可以被还原为一连串上下文变化和执行动作。
2. 更容易复现： 修改提示词、工具或插件后，开发者可以重新运行同一工作流进行对比。
3. 更适合分支实验： 可以从一条既有轨迹分叉，测试另一套策略，同时保留原始运行结果。
4. 更适合评估： 成功和失败的轨迹都可以用于测试新的工具、提示词、策略或代理循环。

这为一种持续改进流程提供了基础：先运行任务，再检查轨迹，定位失败原因，修改插件，重新运行，并保留实验结果。但能记录和回放轨迹，并不等于系统已经具备自动学习能力。现有证据支持的判断是：Harness提供了一个可审计、适合迭代开发的底层环境，而不是已经证明了可靠的自主进化。22

记忆和“自我进化”需要谨慎区分

围绕Harness的生态中，已经出现了宣传跨会话长期记忆和后台自我进化能力的第三方项目。1819

这些项目说明，插件架构可以容纳持久化记忆、项目历史、自我复盘和技能管理等功能。但它们并不能证明基础版Harness v0.1已经安全、稳定且普遍地实现持续自我改进。

这一区分很重要：可选插件、实验性集成和核心产品能力不能混为一谈。对于生产环境，团队仍需评估数据保存、权限管理、沙箱隔离、凭据处理、回滚机制，以及自动化系统自行改变工具或操作流程所带来的风险。

DeepSeek的战略押注：掌握开发者入口

DeepSeek可以在模型层通过V4 Pro和V4 Flash展开竞争，而Harness则让它有机会进入开发者决定“模型如何被使用”的那一层。

这一层决定着：

• 选择哪一个模型；
• 如何组装和压缩上下文；
• 模型可以使用哪些工具和权限；
• 长时间任务如何暂停和恢复；
• 如何发现并处理失败；
• 如何评估执行轨迹；
• 哪些插件最终成为代理工作流的一部分。

在MIT许可证下开放运行时，可以鼓励外部开发者围绕DeepSeek的架构构建适配器、工具、记忆系统和工作流模式。与此同时，即使Harness支持多个模型提供商，DeepSeek仍可能通过自己的架构和默认集成，影响开发者进入代理生态的方式。

这或许比单纯围绕模型权重或API价格竞争更持久。因为一旦开发者的工具、插件、评估流程和项目习惯建立在某个运行时之上，运行时本身就会成为更具黏性的基础设施。

这种架构也为“AI辅助开发AI”提供了路径。代理可以协助生成插件、检查失败轨迹、提出修改方案、运行评估，并保存实验的完整沿革。不过，这更准确地说是面向工程反馈循环的基础设施，而不是一个已经完成的自我进化代理。

为什么“v0.1开发者预览版”很重要

Harness的开发者预览版身份，是理解这次发布的关键。它意味着DeepSeek在邀请开发者共同实验和共建，但也意味着API、集成方式、安全控制和实际运行表现仍可能发生变化。20

因此，开发者应把Harness视为开放框架和研究平台，而不应默认它已经具备成熟编码代理产品的可靠性、易用性或安全防护能力。

结论：下一场竞争可能发生在模型之下

DeepSeek在2026年8月13日的两项发布，把模型战略与基础设施战略连接起来：V4 Pro提供旗舰模型，而Harness则开放了决定模型如何使用工具、管理上下文、调用记忆并执行长期任务的运行时。3220

Composio的结果解释了这种区分为何重要：同一个V4 Flash模型，在不同Harness中的测试成绩从14项任务到20项任务不等，成功任务成本也有明显差异。3

Harness的插件化架构和可追踪轨迹，为实验、评估和AI辅助工程提供了可信的基础。它们尚不能证明DeepSeek已经解决了可靠的持续学习问题，但可能会让Harness层成为下一阶段代理开发竞争的关键战场。