DeepSeek Harness 深度解析（上）：什么是 Harness？

“Agent = Model + Harness” —— 这个公式正在重新定义 AI 行业的竞争格局。

2026年8月13日，DeepSeek 正式发布了 DeepSeek Harness（简称 dsh）的开发者预览版，并以 MIT 许可证在 GitHub 上开源。短短几小时内，该项目就获得了超过 33,000 颗 GitHub 星标。

这不仅仅是一个新工具的发布——这是 DeepSeek 从"模型公司"向"Agent 基础设施公司"转型的标志性一步。

上线仅一天，星标增长曲线近乎垂直：

一、什么是 Harness？

1.1 Harness 的本质

在 AI Agent 领域，Harness（线束/运行时）是指连接模型与环境之间的那一层——工具、文件系统、沙箱、会话存储和控制循环，让 Agent 能够真正"工作"的基础设施。

用一个简单的公式理解：

1
2
3

🧠 Model（模型）     = 大脑，负责思考和推理
🔧 Harness（运行时） = 身体，负责执行和交互
🤖 Agent（智能体）   = 大脑 + 身体 = 能自主完成任务的系统

1.2 为什么 Harness 比模型更重要？

一项发表于 2026 年的研究表明：仅修改 Harness 层（零模型权重变化），就能在编码基准测试中实现 10 倍性能提升。

这意味着：当不同厂商的旗舰模型能力趋于接近时，竞争的焦点已经从"谁的模型更强"转移到"谁的 Harness 更好"。

二、核心 AI 概念详解

2.1 Agent（智能体）

Agent 是能够自主感知环境、做出决策并执行动作的 AI 系统。

Agent 的核心能力：

DeepSeek Harness 中的 Agent 工作流程：

1

接收任务 → 规划步骤 → 调用工具 → 验证结果 → 是否完成？ → 否：继续 / 是：输出完成

2.2 Prompt（提示词）

Prompt 是用户与 AI 模型交互的输入文本。在 Agent 场景中，Prompt 不仅仅是用户的问题，而是一个多层级的上下文体系：

1
2
3
4
5
6
7
8
9

┌─────────────────────────────────────┐
│  System Prompt（系统提示词）          │  ← 定义 Agent 的身份和行为准则
├─────────────────────────────────────┤
│  Tool Descriptions（工具描述）        │  ← 告知 Agent 可用的工具
├─────────────────────────────────────┤
│  Context Injection（上下文注入）      │  ← 动态加载的文件、历史记录
├─────────────────────────────────────┤
│  User Message（用户消息）            │  ← 具体的任务指令
└─────────────────────────────────────┘

DeepSeek Harness 的独特之处：采用追加式会话日志（Append-only Session Log），记录模型看到的所有内容——包括每一次上下文注入。这是目前大多数 Agent 框架做不到的。

2.3 Prompt Engineering（提示词工程）

提示词工程是设计和优化输入给 AI 模型的文本，以获得更高质量输出的系统性技术。

核心技巧：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

### 角色定义（Role）
你是一位资深的 Python 开发工程师，擅长代码审查和性能优化。

### 任务描述（Task）
审查以下代码，关注：
1. 时间/空间复杂度
2. 安全漏洞
3. 性能瓶颈
4. 代码可维护性

### 上下文（Context）
这是一个正在生产环境中运行的支付处理模块...

### 输出格式（Format）
按优先级列出问题，每个问题给出具体修复建议和代码示例。

DeepSeek V4 的提示词最佳实践：

2.4 Context Engineering（上下文工程）

上下文工程是提示词工程的进阶版，关注的是如何动态管理 Agent 在执行过程中看到的所有信息：

• 系统提示词：静态的行为准则
• 工具注册表：可用工具的描述
• 会话历史：之前的对话记录
• 文件内容：Agent 读取的代码和文档
• 子代理结果：其他 Agent 的输出

研究表明，上下文工程对 Agent 性能的影响比提示词工程更大。

三、竞品生态全景

3.1 OpenClaw

OpenClaw 是一个开源的通用 AI Agent 框架，专注于通过消息应用（WhatsApp、Telegram、Discord 等）与用户交互。

核心特点：

• ✅ 模型无关：支持 GPT、Claude、Gemini、本地 Ollama
• ✅ 消息渠道集成：原生支持 20+ 消息平台
• ✅ 技能系统：通过 ClawHub 社区安装可扩展技能
• ✅ 心跳机制：Agent 定期唤醒检查任务队列

与 DeepSeek Harness 的区别：

3.2 Google Cloud Code

Google Cloud Code 是 Google Cloud 的 AI 辅助开发工具套件，以 IDE 插件形式集成：

• Gemini Code Assist：AI 驱动的代码补全和生成
• Kubernetes 开发：在 IDE 中直接管理 GKE 集群
• Cloud Run 部署：一键部署 Serverless 应用

核心特点：深度集成 Google Cloud 生态，适合 GCP 用户。

3.3 OpenAI Codex

OpenAI Codex 是 OpenAI 的开源编码代理，专注于软件工程任务：

• 仓库理解：分析整个代码库结构
• 代码修改：读写文件、创建 PR
• 沙箱执行：在隔离环境中安全运行代码

2026年7月，OpenAI 将独立的 Codex 桌面版整合进 ChatGPT 桌面版。

四、DeepSeek Harness 的设计哲学

4.1 “Everything is a Plugin”

DeepSeek Harness 最核心的设计理念是：一切皆插件。

这意味着：

4.2 Cordis 微内核

DeepSeek Harness 基于 Cordis 插件框架构建，这是一个专为 Agent 设计的微内核架构：

1
2

Cordis 的核心理念：注册即副作用，卸载即回滚
这不是工具特性，而是运行时语义

4.3 四种运行模式

4.4 追加式会话日志

DeepSeek Harness 采用追加式会话日志（Append-only Session Log），这是其最重要的技术特性之一：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

┌─────────────────────────────────────────────┐
│           Append-Only Session Log           │
├─────────────────────────────────────────────┤
│  📝 System Prompt                           │
│  🧠 Reasoning (思维链)                       │
│  🔧 Tool Calls & Results                    │
│  🤖 Sub-agent Scheduling                    │
│  📥 Context Injections                      │
│  ✅ Verification Results                    │
└─────────────────────────────────────────────┘
          ↓              ↓              ↓
    [Model Input]  [UI Render]  [Audit Trail]

为什么这很重要？

• 可审计：完整追溯 Agent 的每一步决策
• 可重现：支持 Fork、Resume、Replay
• 可调试：精确定位问题发生的位置
• 可优化：基于完整数据改进 Harness 配置

五、总结

DeepSeek Harness 的发布标志着 AI Agent 竞争进入了Harness 层的新阶段：

下一篇预告：我们将深入对比 DeepSeek Harness 与 Claude Code、Codex 等竞品的优缺点，重点分析推理能力和费用差异。

本文最后更新时间：2026年8月22日