DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。 佢最大賣點係「一切皆外掛」：模型、工具、Session、沙盒、儲存系統、Agent Loop、排程，甚至介面，都可以透過 Cordis 替換或重新組合。[1] 項目公開後短時間內喺 GitHub 吸引大量關注，有報道指約一至一個半鐘已突破 20,000 粒 Star，至 2026 年 8 月 17 日更超過 141,000 粒；不過 Star 數只代表關注度，唔等於已經適合生產環境。[45][46] What is DeepSeek Harness, the MIT-licensed developer-preview agent framework released on August 13 that surpassed 141,000 GitHub stars by Au DeepSeek Harness separates a model’s reasoning from the tools and runtime systems that let an agent act. AI 提示 Create a landscape editorial hero image for this Studio Global article: What is DeepSeek Harness, the MIT-licensed developer-preview agent framework released on August 13 that surpassed 141,000 GitHub stars by Au. Article summary: DeepSeek Harness is an MIT-licensed, developer-preview agent runtime—not a new model—built to make the entire execution layer around an LLM configurable and inspectable. Its core proposition is “Agent = Model + Harness”:. 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
openai.com DeepSeek Harness 係 DeepSeek 開源嘅 AI Agent runtime，即係負責「點樣令模型真正做事」嗰一層。佢喺 2026 年 8 月 13 日以開發者預覽版形式推出，採用 MIT 授權，但本身唔係新模型。
DeepSeek 對 Agent 的核心理解好直接：Agent = Model + Harness 。
模型提供理解、推理同語言能力；Harness 就負責工具呼叫、檔案操作、環境互動、狀態保存、任務編排同失敗後繼續執行。換句話講，模型似係「大腦」，Harness 就係連接大腦同現實世界嘅執行系統。
Harness 究竟解決咩問題？
一個淨係可以輸出文字嘅語言模型，唔會自動識得檢查程式碼庫、執行 Shell 指令、修改檔案、保存工作進度，或者喺任務中斷後由原位繼續。要完成多步驟工作，就需要一層 runtime 將模型同外部工具、檔案系統及執行環境接駁起來。
DeepSeek Harness 將呢一層協調工作放到核心位置。官方文件將模型、工具、Skills、Session、Sandbox、儲存系統、Agent Loop、排程、子 Agent 同使用者介面，都視為可以掛載、移除或者重新組合嘅外掛能力。
所以，Harness 更接近一個可組裝嘅 Agent 基礎層 ，而唔係一個功能固定嘅編程助手。開發者唔單止可以改 Prompt 或者加工具，連模型周邊嘅執行方式都可以重新設計。
代價亦相當清楚：自由度愈高，開發者要自己處理嘅事情就愈多，包括外掛兼容性、權限、依賴管理、錯誤處理、安全隔離同升級測試。
Cordis：將 Agent 拆成一件件可替換外掛
人們還問 「DeepSeek Harness 解構：將 AI 模型變成 Agent 的開放式執行層」的簡短答案是什麼？ DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。
首先要驗證的關鍵點是什麼？ DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。 佢最大賣點係「一切皆外掛」：模型、工具、Session、沙盒、儲存系統、Agent Loop、排程，甚至介面，都可以透過 Cordis 替換或重新組合。[1]
接下來在實務上我該做什麼？ 項目公開後短時間內喺 GitHub 吸引大量關注，有報道指約一至一個半鐘已突破 20,000 粒 Star，至 2026 年 8 月 17 日更超過 141,000 粒；不過 Star 數只代表關注度，唔等於已經適合生產環境。[45][46]
DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。 佢最大賣點係「一切皆外掛」：模型、工具、Session、沙盒、儲存系統、Agent Loop、排程，甚至介面，都可以透過 Cordis 替換或重新組合。[1] 項目公開後短時間內喺 GitHub 吸引大量關注，有報道指約一至一個半鐘已突破 20,000 粒 Star，至 2026 年 8 月 17 日更超過 141,000 粒；不過 Star 數只代表關注度，唔等於已經適合生產環境。[45][46] What is DeepSeek Harness, the MIT-licensed developer-preview agent framework released on August 13 that surpassed 141,000 GitHub stars by Au DeepSeek Harness separates a model’s reasoning from the tools and runtime systems that let an agent act. AI 提示 Create a landscape editorial hero image for this Studio Global article: What is DeepSeek Harness, the MIT-licensed developer-preview agent framework released on August 13 that surpassed 141,000 GitHub stars by Au. Article summary: DeepSeek Harness is an MIT-licensed, developer-preview agent runtime—not a new model—built to make the entire execution layer around an LLM configurable and inspectable. Its core proposition is “Agent = Model + Harness”:. 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
openai.com DeepSeek Harness 係 DeepSeek 開源嘅 AI Agent runtime，即係負責「點樣令模型真正做事」嗰一層。佢喺 2026 年 8 月 13 日以開發者預覽版形式推出，採用 MIT 授權，但本身唔係新模型。
DeepSeek 對 Agent 的核心理解好直接：Agent = Model + Harness 。
模型提供理解、推理同語言能力；Harness 就負責工具呼叫、檔案操作、環境互動、狀態保存、任務編排同失敗後繼續執行。換句話講，模型似係「大腦」，Harness 就係連接大腦同現實世界嘅執行系統。
Harness 究竟解決咩問題？
一個淨係可以輸出文字嘅語言模型，唔會自動識得檢查程式碼庫、執行 Shell 指令、修改檔案、保存工作進度，或者喺任務中斷後由原位繼續。要完成多步驟工作，就需要一層 runtime 將模型同外部工具、檔案系統及執行環境接駁起來。
DeepSeek Harness 將呢一層協調工作放到核心位置。官方文件將模型、工具、Skills、Session、Sandbox、儲存系統、Agent Loop、排程、子 Agent 同使用者介面，都視為可以掛載、移除或者重新組合嘅外掛能力。
所以，Harness 更接近一個可組裝嘅 Agent 基礎層 ，而唔係一個功能固定嘅編程助手。開發者唔單止可以改 Prompt 或者加工具，連模型周邊嘅執行方式都可以重新設計。
代價亦相當清楚：自由度愈高，開發者要自己處理嘅事情就愈多，包括外掛兼容性、權限、依賴管理、錯誤處理、安全隔離同升級測試。
Cordis：將 Agent 拆成一件件可替換外掛
人們還問 「DeepSeek Harness 解構：將 AI 模型變成 Agent 的開放式執行層」的簡短答案是什麼？ DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。
首先要驗證的關鍵點是什麼？ DeepSeek Harness 係一套採用 MIT 授權、目前仍屬開發者預覽版的 AI Agent 執行框架，並唔係一個新語言模型。 佢最大賣點係「一切皆外掛」：模型、工具、Session、沙盒、儲存系統、Agent Loop、排程，甚至介面，都可以透過 Cordis 替換或重新組合。[1]
接下來在實務上我該做什麼？ 項目公開後短時間內喺 GitHub 吸引大量關注，有報道指約一至一個半鐘已突破 20,000 粒 Star，至 2026 年 8 月 17 日更超過 141,000 粒；不過 Star 數只代表關注度，唔等於已經適合生產環境。[45][46]
Harness 建基於 Cordis。簡單理解，Cordis 係一個負責掛載外掛、處理依賴同管理執行生命週期嘅核心。
在一般 AI 產品入面，模型、工具同 Agent Loop 往往被包埋喺一個由供應商控制嘅完整產品之內。你可以調校設定，但未必可以換走最底層嘅協調邏輯。
Harness 就試圖將呢啲部分全部攤開，讓開發者可以替換：
模型連接器；
工具同 Skills；
Session 同儲存系統；
Sandbox、檔案系統同權限邊界；
Agent Loop 同排程機制；
子 Agent 行為；以及
Web 介面同其他 runtime 元件。
呢個設計令 Harness 唔似一個「買返來即用」嘅單一助手，而似一個可以由開發團隊自行砌出嚟嘅 Agent 平台。理論上，你可以換模型而唔需要重寫成個應用程式，亦可以測試唔同嘅工具組合、記憶方式或者推理迴圈。
四種預設運行模式 開發者預覽版提供四種預設模式。佢哋唔係四個完全獨立嘅產品，而係同一個 runtime 嘅四種起步配置。
Standard：完整編程 Agent Standard 係功能最完整嘅模式，提供檔案編輯、Shell、搜尋、Skills、規劃、目標、子 Agent 同工作流，適合一般軟件開發任務。
Code：以程式組合工具操作 Code mode 透過面向程式碼嘅介面提供工具，模型可以用一段 TypeScript 程式組合多個操作。對於本身包含大量連續工具呼叫嘅任務，咁樣有機會減少逐個工具呼叫嘅重複開銷。
Minimal：刻意收窄能力 Minimal mode 只保留持久化 Shell 同檔案編輯工具，將執行環境收窄到較基本嘅程度。呢種設計適合較受控嘅模型測試，亦方便研究者觀察模型喺工具較少時會點樣行動。
Creator：用嚟創作新配置 Creator mode 面向開發自訂 preset 嘅人，加入 runtime 檢查同記憶體內外掛實驗功能，方便開發者了解元件點樣重新組合。
四種模式真正展示嘅，唔係四種產品定位，而係 Harness 可以用唔同外掛組合，砌出唔同類型嘅 Agent。
僅追加 Session Log：每一步都可以追溯 Harness 另一個重點係可觀測性。佢會將模型睇到同做過嘅內容，以僅追加（append-only）事件串流記錄落來，包括系統提示詞、推理內容、工具呼叫及結果、子 Agent 排程，以及每次上下文注入。呢條事件歷史亦支援搜尋、回放、恢復同分叉。
對開發者來講，最大好處係除錯同重現會容易啲。一次 Agent 執行失敗時，可以返查當時嘅上下文、工具結果同執行次序，而唔係淨係睇最後一句錯誤訊息。分叉功能亦可以由較早嘅時間點開一條新路線，唔使每次都由零開始。
但詳細記錄亦帶來私隱同營運風險。Session Log 可能包含敏感 Prompt、原始碼、工具輸出、意外暴露畀模型嘅憑證，或者其他私人資料。團隊正式使用之前，應該先訂好資料保留期限、存取權限、遮罩規則同 Sandbox 政策，唔好將完整 Trajectory 當成普通日誌咁處理。
同 Claude Code、OpenAI Codex 有咩分別？ DeepSeek Harness 成日被拎來同 Anthropic Claude Code 及 OpenAI Codex 比較，但三者嘅產品位置其實唔一樣。
Claude Code 同 Codex 係整合式編程 Agent 產品，目標係提供一套相對完整、較少設定嘅工作流程。Harness 則係一個開放 runtime，重點唔係聲稱自己一定有更強嘅模型，而係俾開發者控制成個執行層。
想要即裝即用、流程成熟、管理負擔較低 ：Claude Code 或 Codex 會較符合呢類需要。重視模型可移植性、自建部署、可重現性、審計能力或者 Agent 研究 ：Harness 會更有吸引力。 比較面向 DeepSeek Harness Claude Code／OpenAI Codex 產品定位 開放式 Agent runtime 整合式編程 Agent 產品 模型選擇 以模型適配器及外掛方式提高可替換性 主要圍繞各自供應商嘅模型同服務 可擴充程度 連核心 Agent Loop 等子系統都可以替換 有工具及擴充能力，但核心協調邏輯較由產品控制 使用方式 自行組合、自行管理，透明度較高 較方便上手，整體工作流較完整 追蹤能力 以僅追加事件日誌作為核心設計 有各自嘅 Session 歷史同工具紀錄，但唔係同一種可替換 runtime 架構
因此，Harness 嘅競爭點唔係單純「打贏 Claude Code 或 Codex」，而係提供一個更開放、更高控制度嘅 Agent substrate。佢最終能否成功，取決於呢份自由度值唔值得開發團隊付出額外整合成本。
GitHub 爆紅，代表咩？ Harness 公開後吸引到非常強嘅早期關注。有報道指，項目喺公開後約一至一個半鐘已經獲得超過 20,000 粒 GitHub Star，亦有後續報道指截至 2026 年 8 月 17 日，倉庫已超過 141,000 粒 Star。
數字當然矚目，但要留意 GitHub Star 主要反映關注、好奇同收藏意欲，唔代表：
有幾多團隊真正部署；
任務成功率有幾高；
系統是否可靠、安全；或者
維護者能否長期支撐項目。
至於「增長速度快過 Grok-1」嘅講法，亦要視乎點樣計算項目、起始時間同觀察窗口，未必可以當成嚴格統一嘅業界紀錄。
比較穩妥嘅結論係：市場對開放式 Agent 技術棧有相當大興趣。但由 Star 數直接推論 Harness 已經適合生產環境，就未免言之過早。
免費開源，不代表運行成本免費 MIT 授權只適用於框架程式碼，並唔代表模型推理唔使錢。Agent runtime 喺多輪工作入面，可能反覆將系統指令、工具結果、政策同累積歷史重新送畀模型。如果每次互動真係涉及約 47,600 個未命中快取嘅輸入 Token，Context 數量就可能成為成本同延遲嘅重要因素；不過，目前提供嘅較可靠來源未能獨立確認呢個數字。
模型供應商嘅收費亦會直接影響總成本。DeepSeek V4-Pro 推出時，API 收費由固定價格轉向繁忙時段及非繁忙時段定價。有報道列出，V4-Pro 繁忙時段輸出價格為每 100 萬 Token 3.96 美元，較早前嘅 0.87 美元高。
實際一個 Harness 工作流要幾錢，仍然要睇：
使用邊一個模型；
Context 有幾多快取命中；
有冇裁剪過長歷史；
工具輸出有幾詳細；以及
Agent 要重試或者迭代幾多次。
所以，「框架開源」同「整套服務低成本」係兩回事。Harness 提供模型選擇自由，但如果使用 DeepSeek 託管 API，推理費用仍然會隨使用量上升。
v0.1 預覽版：自由度高，穩定性仍要觀察 DeepSeek 自己將 Harness 定位為開發者預覽版，亦提醒核心外掛同 API 會繼續演變。
鎖定 Harness 版本；
固定外掛依賴；
將實驗環境同正式環境分開；
升級前做兼容性測試；以及
預先準備回滾方案。
市場上有關早期第三方外掛失效，以及短期內出現大量外掛提案嘅報道，現階段未有足夠扎實證據可以當成決策級指標。唔過，工程上嘅提醒就好明顯：每增加一個可擴充接口，就同時增加兼容性、安全審查同維護工作。
結論：佢唔一定取代 Codex，但可能改變 Agent 點樣被打造 DeepSeek Harness 值得留意，唔係因為佢單靠一個新模型就可以改寫市場，而係佢將 Agent runtime 本身提升到同模型一樣重要嘅工程層。
透過 Cordis 外掛架構同僅追加 Session Log，開發者可以更深入控制模型點樣推理、點樣用工具、點樣保存狀態，以及出錯後點樣檢查同重現。
對研究人員、基礎設施團隊同需要自訂 Agent 系統嘅開發者來講，呢種可組合性有實際價值。但對只係想要一個穩定編程助手、唔想處理大量基礎設施嘅團隊，Harness 未必係最省事嘅選擇。
短期內，Harness 更可能成為 Claude Code 同 Codex 以外嘅開放式替代方案，而唔係即時取代佢哋。佢日後能否變成長期平台，關鍵會落喺 API 穩定性、外掛質素、安全邊界、文件完整度，以及開發者最終要為呢份自由度承擔幾多營運複雜性。
ghacks.net
DeepSeek Releases V4 Pro With Higher Benchmarks, Open-Source Tooling, and Upcoming Price Increases - gHacks Tech News
Harness 建基於 Cordis。簡單理解，Cordis 係一個負責掛載外掛、處理依賴同管理執行生命週期嘅核心。
在一般 AI 產品入面，模型、工具同 Agent Loop 往往被包埋喺一個由供應商控制嘅完整產品之內。你可以調校設定，但未必可以換走最底層嘅協調邏輯。
Harness 就試圖將呢啲部分全部攤開，讓開發者可以替換：
模型連接器；
工具同 Skills；
Session 同儲存系統；
Sandbox、檔案系統同權限邊界；
Agent Loop 同排程機制；
子 Agent 行為；以及
Web 介面同其他 runtime 元件。
呢個設計令 Harness 唔似一個「買返來即用」嘅單一助手，而似一個可以由開發團隊自行砌出嚟嘅 Agent 平台。理論上，你可以換模型而唔需要重寫成個應用程式，亦可以測試唔同嘅工具組合、記憶方式或者推理迴圈。
四種預設運行模式 開發者預覽版提供四種預設模式。佢哋唔係四個完全獨立嘅產品，而係同一個 runtime 嘅四種起步配置。
Standard：完整編程 Agent Standard 係功能最完整嘅模式，提供檔案編輯、Shell、搜尋、Skills、規劃、目標、子 Agent 同工作流，適合一般軟件開發任務。
Code：以程式組合工具操作 Code mode 透過面向程式碼嘅介面提供工具，模型可以用一段 TypeScript 程式組合多個操作。對於本身包含大量連續工具呼叫嘅任務，咁樣有機會減少逐個工具呼叫嘅重複開銷。
Minimal：刻意收窄能力 Minimal mode 只保留持久化 Shell 同檔案編輯工具，將執行環境收窄到較基本嘅程度。呢種設計適合較受控嘅模型測試，亦方便研究者觀察模型喺工具較少時會點樣行動。
Creator：用嚟創作新配置 Creator mode 面向開發自訂 preset 嘅人，加入 runtime 檢查同記憶體內外掛實驗功能，方便開發者了解元件點樣重新組合。
四種模式真正展示嘅，唔係四種產品定位，而係 Harness 可以用唔同外掛組合，砌出唔同類型嘅 Agent。
僅追加 Session Log：每一步都可以追溯 Harness 另一個重點係可觀測性。佢會將模型睇到同做過嘅內容，以僅追加（append-only）事件串流記錄落來，包括系統提示詞、推理內容、工具呼叫及結果、子 Agent 排程，以及每次上下文注入。呢條事件歷史亦支援搜尋、回放、恢復同分叉。
對開發者來講，最大好處係除錯同重現會容易啲。一次 Agent 執行失敗時，可以返查當時嘅上下文、工具結果同執行次序，而唔係淨係睇最後一句錯誤訊息。分叉功能亦可以由較早嘅時間點開一條新路線，唔使每次都由零開始。
但詳細記錄亦帶來私隱同營運風險。Session Log 可能包含敏感 Prompt、原始碼、工具輸出、意外暴露畀模型嘅憑證，或者其他私人資料。團隊正式使用之前，應該先訂好資料保留期限、存取權限、遮罩規則同 Sandbox 政策，唔好將完整 Trajectory 當成普通日誌咁處理。
同 Claude Code、OpenAI Codex 有咩分別？ DeepSeek Harness 成日被拎來同 Anthropic Claude Code 及 OpenAI Codex 比較，但三者嘅產品位置其實唔一樣。
Claude Code 同 Codex 係整合式編程 Agent 產品，目標係提供一套相對完整、較少設定嘅工作流程。Harness 則係一個開放 runtime，重點唔係聲稱自己一定有更強嘅模型，而係俾開發者控制成個執行層。
想要即裝即用、流程成熟、管理負擔較低 ：Claude Code 或 Codex 會較符合呢類需要。重視模型可移植性、自建部署、可重現性、審計能力或者 Agent 研究 ：Harness 會更有吸引力。 比較面向 DeepSeek Harness Claude Code／OpenAI Codex 產品定位 開放式 Agent runtime 整合式編程 Agent 產品 模型選擇 以模型適配器及外掛方式提高可替換性 主要圍繞各自供應商嘅模型同服務 可擴充程度 連核心 Agent Loop 等子系統都可以替換 有工具及擴充能力，但核心協調邏輯較由產品控制 使用方式 自行組合、自行管理，透明度較高 較方便上手，整體工作流較完整 追蹤能力 以僅追加事件日誌作為核心設計 有各自嘅 Session 歷史同工具紀錄，但唔係同一種可替換 runtime 架構
因此，Harness 嘅競爭點唔係單純「打贏 Claude Code 或 Codex」，而係提供一個更開放、更高控制度嘅 Agent substrate。佢最終能否成功，取決於呢份自由度值唔值得開發團隊付出額外整合成本。
GitHub 爆紅，代表咩？ Harness 公開後吸引到非常強嘅早期關注。有報道指，項目喺公開後約一至一個半鐘已經獲得超過 20,000 粒 GitHub Star，亦有後續報道指截至 2026 年 8 月 17 日，倉庫已超過 141,000 粒 Star。
數字當然矚目，但要留意 GitHub Star 主要反映關注、好奇同收藏意欲，唔代表：
有幾多團隊真正部署；
任務成功率有幾高；
系統是否可靠、安全；或者
維護者能否長期支撐項目。
至於「增長速度快過 Grok-1」嘅講法，亦要視乎點樣計算項目、起始時間同觀察窗口，未必可以當成嚴格統一嘅業界紀錄。
比較穩妥嘅結論係：市場對開放式 Agent 技術棧有相當大興趣。但由 Star 數直接推論 Harness 已經適合生產環境，就未免言之過早。
免費開源，不代表運行成本免費 MIT 授權只適用於框架程式碼，並唔代表模型推理唔使錢。Agent runtime 喺多輪工作入面，可能反覆將系統指令、工具結果、政策同累積歷史重新送畀模型。如果每次互動真係涉及約 47,600 個未命中快取嘅輸入 Token，Context 數量就可能成為成本同延遲嘅重要因素；不過，目前提供嘅較可靠來源未能獨立確認呢個數字。
模型供應商嘅收費亦會直接影響總成本。DeepSeek V4-Pro 推出時，API 收費由固定價格轉向繁忙時段及非繁忙時段定價。有報道列出，V4-Pro 繁忙時段輸出價格為每 100 萬 Token 3.96 美元，較早前嘅 0.87 美元高。
實際一個 Harness 工作流要幾錢，仍然要睇：
使用邊一個模型；
Context 有幾多快取命中；
有冇裁剪過長歷史；
工具輸出有幾詳細；以及
Agent 要重試或者迭代幾多次。
所以，「框架開源」同「整套服務低成本」係兩回事。Harness 提供模型選擇自由，但如果使用 DeepSeek 託管 API，推理費用仍然會隨使用量上升。
v0.1 預覽版：自由度高，穩定性仍要觀察 DeepSeek 自己將 Harness 定位為開發者預覽版，亦提醒核心外掛同 API 會繼續演變。
鎖定 Harness 版本；
固定外掛依賴；
將實驗環境同正式環境分開；
升級前做兼容性測試；以及
預先準備回滾方案。
市場上有關早期第三方外掛失效，以及短期內出現大量外掛提案嘅報道，現階段未有足夠扎實證據可以當成決策級指標。唔過，工程上嘅提醒就好明顯：每增加一個可擴充接口，就同時增加兼容性、安全審查同維護工作。
結論：佢唔一定取代 Codex，但可能改變 Agent 點樣被打造 DeepSeek Harness 值得留意，唔係因為佢單靠一個新模型就可以改寫市場，而係佢將 Agent runtime 本身提升到同模型一樣重要嘅工程層。
透過 Cordis 外掛架構同僅追加 Session Log，開發者可以更深入控制模型點樣推理、點樣用工具、點樣保存狀態，以及出錯後點樣檢查同重現。
對研究人員、基礎設施團隊同需要自訂 Agent 系統嘅開發者來講，呢種可組合性有實際價值。但對只係想要一個穩定編程助手、唔想處理大量基礎設施嘅團隊，Harness 未必係最省事嘅選擇。
短期內，Harness 更可能成為 Claude Code 同 Codex 以外嘅開放式替代方案，而唔係即時取代佢哋。佢日後能否變成長期平台，關鍵會落喺 API 穩定性、外掛質素、安全邊界、文件完整度，以及開發者最終要為呢份自由度承擔幾多營運複雜性。
ghacks.net
DeepSeek Releases V4 Pro With Higher Benchmarks, Open-Source Tooling, and Upcoming Price Increases - gHacks Tech News
