DeepSeek V4 Pro 配 Harness：點解真正關鍵可能唔係模型，而係 Agent 運行層？

DeepSeek 喺 2026 年 8 月 13 日做咗一個幾有策略意味嘅發布：一邊推出主打 Agent 工作負載嘅官方 DeepSeek V4 Pro，另一邊就開放 DeepSeek Harness v0.1 開發者預覽版。Harness 以 dsh 形式提供，採用 MIT 授權，對象主要係想自己打造、修改 Agent 運行環境嘅開發者，而唔係一般用家即刻用嚟取代 Claude Code 或 Codex 嘅成熟產品。3220

表面上係一次模型更新加一個開源項目，實際上反映出 AI Agent 競爭嘅焦點可能已經由「邊個模型最勁」，轉向「模型加咩運行系統先至做得成件事」。一個 Agent 唔係淨係靠模型回答問題，仲要依賴上下文管理、工具權限、記憶、執行政策、錯誤復原同評估機制。Composio 嘅測試就顯示，包住同一個模型嗰層系統，可以實質改變成功率同成本。3

8 月 13 日，DeepSeek 一次過發布兩層產品

DeepSeek 同日推出 V4 Pro 同 Harness v0.1。前者係模型層嘅旗艦版本；後者就係模型之上、工作環境之下嘅 Agent Runtime——即係負責將模型回應變成一個可以持續執行多步任務嘅系統。3220

Harness 目前係開發者預覽版，並非一個包辦所有事情、已經打磨完成嘅 Coding Agent。MIT 授權就令開發者可以閱讀、修改同延伸程式碼；官方文件亦描述咗一個唔綁死單一模型供應商嘅架構，開發者可以接駁唔同模型提供者。2228

同一個模型，點解換個 Harness 就差咁遠？

Composio 將同一個 DeepSeek V4 Flash，放入 8 個 Agent Harness，針對 30 個多步驟任務進行測試。240 次執行之中，有 129 次成功，整體成功率為 53.8%；而 30 個工作流程入面，只有 6 個係 8 個 Harness 全部都成功完成。3

各個 Harness 嘅結果差距相當明顯：

• Pi Agent：30 個任務完成 20 個
• Oh My Pi：完成 17 個
• Claude Code、Codex、DeepAgents：各完成 16 個
• Hermes Agent：完成 15 個
• OpenCode：完成 14 個

成本方面亦唔係一樣。Composio 估算，每個成功任務嘅成本約為：Claude Code 0.195 美元、Codex 0.081 美元、DeepAgents 0.045 美元；Pi Agent 就報告約 0.028 美元。不過，呢啲數字要連同測試方法，以及每個 Runtime 本身唔同嘅操作方式一齊理解，唔應該直接當成所有產品嘅永久排名。3

重點唔係話某一個 Harness 永遠最好，而係：模型排行榜未必足以預測 Agent 喺真實多步驟工作入面嘅表現。對 Agent 而言，越來越有用嘅比較單位，可能係 「模型 + Harness 配置」，而唔係模型本身。

Harness 想改變嘅，係模型同環境之間嗰層

Harness 建基於 Cordis。根據 DeepSeek 嘅架構文件，模型 Adapter、工具 Registry、Session Log 同 Agent Loop 都係可以替換嘅組件。17

其他 Plugin 邊界包括：

• 模型及供應商 Adapter
• 工具及技能
• Session 及儲存
• Sandbox 同執行環境
• 排程及 Subagent 協調
• Agent Loop
• 使用者介面

簡單講，DeepSeek 唔想將 Agent 寫成一件由模型、工具同控制流程焊死埋一齊嘅產品。開發者可以獨立改動 Agent 點樣組合上下文、呼叫工具、保存狀態、重試失敗操作，或者向用家展示執行結果，而唔需要由頭改寫成個 Runtime。1720

「所有嘢都係 Plugin」唔只係一個方便包裝嘅口號。佢其實將 Harness 放到模型同工作環境之間最關鍵嘅位置，亦即係最適合做實驗、換組件同比較策略嗰一層。

可追蹤嘅 Session，令失敗唔再只係一句錯誤訊息

DeepSeek 表示，Harness 會用追加式 Session Log 記錄模型見到同做過嘅內容，包括 System Prompt、推理、工具呼叫及結果、Subagent 排程，以及每次上下文注入。Trajectory View 就可以按來源檢查事件流；恢復、分支、搜尋同回放，都係基於同一份紀錄。22

對開發者嚟講，呢種設計有幾個實際用途：

1. 容易除錯： 可以逐步睇上下文點樣變、Agent 做過乜，而唔係淨係睇最後答案。
2. 方便重現： 改完 Prompt、工具或者 Plugin 之後，可以重新播放同一個流程作比較。
3. 可以做分支實驗： 由同一條 Trajectory 分叉，試另一套策略，同時保留原本結果。
4. 累積評估資料： 成功同失敗嘅執行軌跡，可以用嚟測試新工具、政策、Prompt 或 Agent Loop。

理論上，呢套機制可以形成一個循環：先執行任務，再檢查 Trajectory，搵出失敗原因，修改 Plugin，重新測試，最後保留新舊結果作比較。

但要留意，可以記錄同回放 Trajectory，唔代表系統已經係自我學習系統。現有證據支持 Harness 作為一個可審計、可反覆試驗嘅開發底座；未足以證明佢可以可靠咁自主持續改進。22

記憶同「自我演化」：Plugin 做到，唔等於核心已經做到

Harness 生態入面已經有第三方項目，聲稱提供跨 Session 長期記憶、背景自我演化、技能管理同自我檢討等功能。1819

呢啲項目顯示，Plugin 架構可以容納持久記憶、項目歷史、自我審視同技能管理。不過，佢哋唔能夠證明 Harness v0.1 核心本身已經安全、穩定，或者普遍做到持續自我改進。

呢個分別好重要：可選 Plugin、實驗性整合，同核心產品能力，唔可以混為一談。真係要放入生產環境，團隊仍然要評估資料保留、權限管理、Sandbox 隔離、憑證處理、回滾機制，以及自動系統自行改動工具或程序所帶來嘅風險。

DeepSeek 真正押注嘅，可能係開發者入口

DeepSeek 可以喺模型層用 V4 Pro 同 V4 Flash 競爭，但 Harness 就畀佢一個機會，進入開發者決定「模型應該點樣被使用」嗰一層。

呢一層可以控制：

• 揀邊一個模型
• 點樣組合及壓縮上下文
• 有咩工具同權限可以用
• 長時間任務點樣暫停及恢復
• 點樣偵測同處理失敗
• 點樣評估執行軌跡
• 邊啲 Plugin 最終成為 Agent 工作流程一部分

開放 Runtime，會鼓勵外部開發者圍繞 DeepSeek 架構建立 Adapter、工具、記憶系統同工作流程。即使 Harness 支援多個模型供應商，DeepSeek 仍然可以透過自己定義嘅架構，影響開發者接入同組裝 Agent 嘅方式。

從策略角度睇，呢個位置可能比單純鬥模型權重或者 API 價格更加耐用。模型可以換，供應商可以換，但一旦團隊嘅工具鏈、權限設計、評估資料同工作流程都建喺某個 Harness 上，轉走嘅成本就會提高。

由 Agent 幫手改進 Agent：一個工程循環，而唔係魔法式自我進化

如果 Runtime 有模組化 Plugin 同可追蹤 Trajectory，Agent 理論上可以協助：

• 產生新 Plugin
• 檢查失敗嘅執行軌跡
• 提議 Prompt、工具或政策修改
• 自動跑評估測試
• 保存每次實驗嘅版本同來歷

呢個方向可以理解為 AI 輔助 AI 工程：由 AI 幫手縮短「發現問題—修改—測試—比較」嘅循環。現階段較穩妥嘅講法，係 Harness 為呢種工程反饋循環提供基礎設施，而唔係已經完成一個可以放心交俾佢自行進化嘅 Agent。2022

點解 v0.1 呢個標籤唔可以忽略？

Harness 係 Developer Preview，呢點係理解今次發布嘅關鍵。佢代表 DeepSeek 邀請開發者試用、修改同一齊發展項目，但亦同時表示 API、整合方式、安全控制同實際運作表現仍然可能變動。20

所以，現階段應該將 Harness 當成開放框架同研究平台去評估，而唔好假設佢已經具備成熟 Coding Agent 產品嗰種可靠性、完成度同安全防護。

總結：下一場 Agent 戰爭，可能係 Runtime 之戰

DeepSeek 8 月 13 日嘅發布，將模型戰略同基礎設施戰略扣埋一齊：V4 Pro 負責提供旗艦模型，Harness 就公開決定模型點樣處理工具、上下文、記憶同長時間任務嘅運行層。3220

Composio 嘅結果正好解釋點解呢個分別重要：同一個 V4 Flash，喺測試入面配唔同 Harness，可以完成 14 至 20 個任務，成功任務成本亦有明顯差距。3

Harness 嘅 Plugin 架構同可追蹤 Trajectory，令 DeepSeek 擁有一個具可信度嘅實驗、評估同 AI 輔助工程底座。佢暫時未足以證明可靠嘅持續學習已經解決，但就有機會令 Harness 呢一層，成為下一階段 Agent 發展真正嘅主戰場。