DeepSeek 在 2026 年 8 月 13 日公布的，不只是一次模型更新，而是同時把 AI 技術堆疊的兩個層次推上檯面：面向代理型工作負載的官方 DeepSeek V4 Pro，以及採 MIT 授權、供開發者打造代理執行環境的 DeepSeek Harness v0.1。3220

這兩項發布背後的訊息是：當 AI 從「回答問題」走向「自行使用工具、處理檔案並完成多步驟任務」時，決定成果的往往不只有模型本身。模型還需要一套系統提供上下文、工具、記憶、執行權限、失敗復原與評估機制。Composio 的測試正好顯示，這個包在模型外面的執行環境，足以改變成功率與成本。3

8 月 13 日，DeepSeek 發布了什麼？

DeepSeek 在推出官方 V4 Pro 的同時，發布 Harness v0.1 開發者預覽版。Harness 以 dsh 形式提供，定位是讓開發者建構、修改與實驗代理執行環境的基礎設施，而不是已經成熟、可直接取代 Claude Code 或 Codex 的終端代理產品。3220

其授權方式尤其值得注意。完整程式碼以寬鬆的 MIT 授權開放，開發者可以檢視、修改與延伸；官方架構文件則將 Harness 描述為可與不同模型供應商搭配的模型無關架構，並非把使用者鎖定在單一模型上。2228

同一模型，為何換 Harness 就有不同結果？

Composio 讓同一個 DeepSeek V4 Flash 模型，透過 8 種代理 Harness 執行 30 項多步驟任務。240 次執行中共有 129 次成功，整體成功率為 53.8%；30 個工作流程裡，只有 6 項是所有 Harness 都能成功完成的任務。3

不同執行環境的差距相當明顯：

• Pi Agent：完成 30 項中的 20 項
• Oh My Pi：完成 17 項
• Claude Code、Codex、DeepAgents：各完成 16 項
• Hermes Agent：完成 15 項
• OpenCode：完成 14 項

成本也不相同。Composio 估算每個成功任務的成本，Claude Code 約為 0.195 美元、Codex 約為 0.081 美元、DeepAgents 約為 0.045 美元；Pi Agent 則約為 0.028 美元。不過，這些數字仍應配合測試方法，以及各個執行環境不同的操作方式解讀。3

這並不是一份能適用所有情境的代理產品排名。它更精確地說明了一件事：單純比較模型基準分數，已不足以描述代理的實際表現。對代理工作而言，越來越重要的比較單位是 「模型＋Harness」配置。

Harness 的核心：把代理執行環境拆成可替換元件

DeepSeek Harness 建立在 Cordis 之上。根據 DeepSeek 的架構文件，模型介接器、工具註冊表、工作階段紀錄與代理迴圈，都可以被替換；其他能力也透過外掛邊界拆分開來。17

目前公開架構所涵蓋的外掛層包括：

• 模型與供應商介接器
• 工具與技能
• 工作階段與儲存
• 沙箱與執行環境
• 排程與子代理協調
• 代理迴圈
• 使用者介面

這種設計把語言模型，與讓模型持續工作的「機械結構」分開。開發者可以調整代理如何組合與壓縮上下文、呼叫工具、保存狀態、重試失敗操作或呈現執行結果，而不必整套重寫執行環境。1720

因此，「一切皆為外掛」不只是程式碼封裝方式。它也把模型與工作環境之間的 Harness 層，變成可以持續試驗的核心位置。

可追蹤的工作階段，讓失敗不再只是一次性結果

DeepSeek 表示，Harness 會以追加式工作階段紀錄保存模型所看見與執行的內容，包括系統提示、推理、工具呼叫及結果、子代理排程，以及每次上下文注入。Trajectory 檢視工具可讓開發者查看事件流，而恢復、分支、搜尋與重播功能也都建立在同一份紀錄上。22

對開發團隊而言，這帶來幾項實際價值：

1. 更容易除錯： 開發者可以沿著上下文變化與操作順序追查失敗原因，而不只是檢查最後一段文字答案。
2. 更容易重現： 修改提示、工具或外掛後，可以重播同一工作流程進行比較。
3. 支援分支實驗： 可以從既有 Trajectory 分叉，測試另一種策略，同時保留原始執行結果。
4. 累積評估資料： 成功與失敗的執行軌跡，都能成為測試新工具、提示、政策或代理迴圈的素材。

理想情況下，團隊可以形成一個持續改善循環：執行任務、檢查軌跡、定位失敗、修改外掛、重新測試，再保存新舊結果。可是，能夠記錄與重播軌跡，不等於系統已經能夠自行學習。現有證據支持的，是 Harness 可作為可稽核、可反覆迭代的開發基礎，而不是它已證明能可靠地自主改進。22

長期記憶與自我演化，仍要分清楚「核心」與「外掛」

Harness 生態系中已出現宣稱支援跨工作階段長期記憶與背景自我演化的第三方專案。1819

這些專案說明，插件化架構能夠容納持久記憶、專案歷史、自我檢查與技能管理等功能。但它們並不能證明基礎版 v0.1 已安全且普遍地實現持續自我改進。可選外掛、實驗性整合與核心產品能力，不能混為一談。

若要投入正式生產環境，團隊仍需評估資料保存、權限管理、沙箱隔離、憑證處理、回滾機制，以及自動化系統修改自身工具或流程時可能產生的風險。

DeepSeek 的策略：掌握開發者決定「如何使用模型」的入口

DeepSeek 可以透過 V4 Pro 與 V4 Flash 在模型層競爭；Harness 則讓它有機會進一步競爭模型之上的使用層。

這個層次決定：

• 要選用哪個模型
• 如何組合、壓縮與更新上下文
• 模型可使用哪些工具與權限
• 長時間任務如何中斷與恢復
• 如何偵測失敗並進行復原
• 如何評估代理執行軌跡
• 哪些外掛會成為工作流程的一部分

在 MIT 授權下開放執行環境，有助於吸引外部開發者建立模型介接器、工具、記憶模組與工作流程。即使 Harness 支援多家模型供應商，DeepSeek 仍可能透過自身架構影響開發者最常接觸的整合入口。相較於只在模型權重或 API 價格上競爭，這或許是一個更持久的戰略位置。

這套設計也為「AI 協助開發 AI」提供了可能：代理可以協助產生外掛、檢查失敗軌跡、提出修改建議、執行評估，並保存每次實驗的演進脈絡。但這應被理解為支援工程回饋循環的基礎設施，而不是已完成的自我改進代理。

為什麼 v0.1 的開發者預覽標籤很重要？

Harness 的開發者預覽狀態，是理解這次發布的關鍵。它代表 DeepSeek 邀請開發者共同試驗與建構，也意味著 API、整合方式、安全控制與實際運作行為仍可能變動。20

因此，開發者目前更適合把 Harness 視為開放框架與研究平台，而不是預設它已具備成熟程式碼代理產品的可靠性、完成度與安全防護。

結論：下一場競爭可能在模型與環境之間

DeepSeek 在 2026 年 8 月 13 日將模型發布與基礎設施策略綁在一起：V4 Pro 提供旗艦模型，Harness 則公開決定模型如何處理工具、上下文、記憶與長時間任務的執行層。3220

Composio 的測試說明了這種區分為何重要：同一個 V4 Flash 模型，搭配不同 Harness 後，完成的測試任務數量介於 14 項與 20 項之間，成功任務成本也有顯著差異。3

Harness 的外掛化架構與可追蹤 Trajectory，確實為實驗、評估與 AI 輔助工程提供了可信的基礎。它目前仍不足以證明可靠的持續學習已經實現，但很可能讓 Harness 層成為代理 AI 下一階段的主要競爭場域。

DeepSeek 在 2026 年 8 月 13 日公布的，不只是一次模型更新，而是同時把 AI 技術堆疊的兩個層次推上檯面：面向代理型工作負載的官方 DeepSeek V4 Pro，以及採 MIT 授權、供開發者打造代理執行環境的 DeepSeek Harness v0.1。3220

這兩項發布背後的訊息是：當 AI 從「回答問題」走向「自行使用工具、處理檔案並完成多步驟任務」時，決定成果的往往不只有模型本身。模型還需要一套系統提供上下文、工具、記憶、執行權限、失敗復原與評估機制。Composio 的測試正好顯示，這個包在模型外面的執行環境，足以改變成功率與成本。3

8 月 13 日，DeepSeek 發布了什麼？

DeepSeek 在推出官方 V4 Pro 的同時，發布 Harness v0.1 開發者預覽版。Harness 以 dsh 形式提供，定位是讓開發者建構、修改與實驗代理執行環境的基礎設施，而不是已經成熟、可直接取代 Claude Code 或 Codex 的終端代理產品。3220

其授權方式尤其值得注意。完整程式碼以寬鬆的 MIT 授權開放，開發者可以檢視、修改與延伸；官方架構文件則將 Harness 描述為可與不同模型供應商搭配的模型無關架構，並非把使用者鎖定在單一模型上。2228

同一模型，為何換 Harness 就有不同結果？

Composio 讓同一個 DeepSeek V4 Flash 模型，透過 8 種代理 Harness 執行 30 項多步驟任務。240 次執行中共有 129 次成功，整體成功率為 53.8%；30 個工作流程裡，只有 6 項是所有 Harness 都能成功完成的任務。3

不同執行環境的差距相當明顯：

• Pi Agent：完成 30 項中的 20 項
• Oh My Pi：完成 17 項
• Claude Code、Codex、DeepAgents：各完成 16 項
• Hermes Agent：完成 15 項
• OpenCode：完成 14 項

成本也不相同。Composio 估算每個成功任務的成本，Claude Code 約為 0.195 美元、Codex 約為 0.081 美元、DeepAgents 約為 0.045 美元；Pi Agent 則約為 0.028 美元。不過，這些數字仍應配合測試方法，以及各個執行環境不同的操作方式解讀。3

這並不是一份能適用所有情境的代理產品排名。它更精確地說明了一件事：單純比較模型基準分數，已不足以描述代理的實際表現。對代理工作而言，越來越重要的比較單位是 「模型＋Harness」配置。

Harness 的核心：把代理執行環境拆成可替換元件

DeepSeek Harness 建立在 Cordis 之上。根據 DeepSeek 的架構文件，模型介接器、工具註冊表、工作階段紀錄與代理迴圈，都可以被替換；其他能力也透過外掛邊界拆分開來。17

目前公開架構所涵蓋的外掛層包括：

• 模型與供應商介接器
• 工具與技能
• 工作階段與儲存
• 沙箱與執行環境
• 排程與子代理協調
• 代理迴圈
• 使用者介面

這種設計把語言模型，與讓模型持續工作的「機械結構」分開。開發者可以調整代理如何組合與壓縮上下文、呼叫工具、保存狀態、重試失敗操作或呈現執行結果，而不必整套重寫執行環境。1720

因此，「一切皆為外掛」不只是程式碼封裝方式。它也把模型與工作環境之間的 Harness 層，變成可以持續試驗的核心位置。

可追蹤的工作階段，讓失敗不再只是一次性結果

DeepSeek 表示，Harness 會以追加式工作階段紀錄保存模型所看見與執行的內容，包括系統提示、推理、工具呼叫及結果、子代理排程，以及每次上下文注入。Trajectory 檢視工具可讓開發者查看事件流，而恢復、分支、搜尋與重播功能也都建立在同一份紀錄上。22

對開發團隊而言，這帶來幾項實際價值：

1. 更容易除錯： 開發者可以沿著上下文變化與操作順序追查失敗原因，而不只是檢查最後一段文字答案。
2. 更容易重現： 修改提示、工具或外掛後，可以重播同一工作流程進行比較。
3. 支援分支實驗： 可以從既有 Trajectory 分叉，測試另一種策略，同時保留原始執行結果。
4. 累積評估資料： 成功與失敗的執行軌跡，都能成為測試新工具、提示、政策或代理迴圈的素材。

理想情況下，團隊可以形成一個持續改善循環：執行任務、檢查軌跡、定位失敗、修改外掛、重新測試，再保存新舊結果。可是，能夠記錄與重播軌跡，不等於系統已經能夠自行學習。現有證據支持的，是 Harness 可作為可稽核、可反覆迭代的開發基礎，而不是它已證明能可靠地自主改進。22

長期記憶與自我演化，仍要分清楚「核心」與「外掛」

Harness 生態系中已出現宣稱支援跨工作階段長期記憶與背景自我演化的第三方專案。1819

這些專案說明，插件化架構能夠容納持久記憶、專案歷史、自我檢查與技能管理等功能。但它們並不能證明基礎版 v0.1 已安全且普遍地實現持續自我改進。可選外掛、實驗性整合與核心產品能力，不能混為一談。

若要投入正式生產環境，團隊仍需評估資料保存、權限管理、沙箱隔離、憑證處理、回滾機制，以及自動化系統修改自身工具或流程時可能產生的風險。

DeepSeek 的策略：掌握開發者決定「如何使用模型」的入口

DeepSeek 可以透過 V4 Pro 與 V4 Flash 在模型層競爭；Harness 則讓它有機會進一步競爭模型之上的使用層。

這個層次決定：

• 要選用哪個模型
• 如何組合、壓縮與更新上下文
• 模型可使用哪些工具與權限
• 長時間任務如何中斷與恢復
• 如何偵測失敗並進行復原
• 如何評估代理執行軌跡
• 哪些外掛會成為工作流程的一部分

在 MIT 授權下開放執行環境，有助於吸引外部開發者建立模型介接器、工具、記憶模組與工作流程。即使 Harness 支援多家模型供應商，DeepSeek 仍可能透過自身架構影響開發者最常接觸的整合入口。相較於只在模型權重或 API 價格上競爭，這或許是一個更持久的戰略位置。

這套設計也為「AI 協助開發 AI」提供了可能：代理可以協助產生外掛、檢查失敗軌跡、提出修改建議、執行評估，並保存每次實驗的演進脈絡。但這應被理解為支援工程回饋循環的基礎設施，而不是已完成的自我改進代理。

為什麼 v0.1 的開發者預覽標籤很重要？

Harness 的開發者預覽狀態，是理解這次發布的關鍵。它代表 DeepSeek 邀請開發者共同試驗與建構，也意味著 API、整合方式、安全控制與實際運作行為仍可能變動。20

因此，開發者目前更適合把 Harness 視為開放框架與研究平台，而不是預設它已具備成熟程式碼代理產品的可靠性、完成度與安全防護。

結論：下一場競爭可能在模型與環境之間

DeepSeek 在 2026 年 8 月 13 日將模型發布與基礎設施策略綁在一起：V4 Pro 提供旗艦模型，Harness 則公開決定模型如何處理工具、上下文、記憶與長時間任務的執行層。3220

Composio 的測試說明了這種區分為何重要：同一個 V4 Flash 模型，搭配不同 Harness 後，完成的測試任務數量介於 14 項與 20 項之間，成功任務成本也有顯著差異。3

Harness 的外掛化架構與可追蹤 Trajectory，確實為實驗、評估與 AI 輔助工程提供了可信的基礎。它目前仍不足以證明可靠的持續學習已經實現，但很可能讓 Harness 層成為代理 AI 下一階段的主要競爭場域。