最近在做 LLM 应用开发的朋友，这两周应该都被两条消息刷屏了。
8月13日晚，DeepSeek 以 MIT 协议开源了 DeepSeek Harness（圈里简称 DSH），GitHub 星标一路飙升——5 天突破 15 万。知乎到 8 月 20 日已经拿到约 17.37 万 star、1.88 万 fork，相关帖子在 Hacker News 上拿到 744 分、310 条评论。36氪整整七天后，OpenAI 发了一篇《Codex as a platform》，把 Codex 底层的 Agent Harness 作为平台开放给开发者。
先交代一个大背景：JetBrains 最新的年度调查（覆盖全球 1.5 万+开发者）显示，约 90% 的专业开发者已经每周至少使用一次 AI 编程 Agent，Claude Code 使用率半年翻倍、反超 GitHub Copilot 登顶，Codex 使用率涨了约 5 倍，OpenCode、Google Antigravity、智谱 ZCode 这类新面孔也在快速进场。36氪也就是说，Agent 开发早就不是小众爱好，而是十个人里九个人的日常。
在这个节骨眼上，DeepSeek 和 OpenAI 一周之内先后开放自家的“壳”，味道就和“又出了个新框架”完全不一样了。知乎上有篇高赞专栏说得直白：Agent 的竞争，正在从 Model War 转向 Harness War。知乎
Harness 是什么？为什么巨头要抢这一层
没跟上这个概念的朋友，用一个公式就能说明白：Agent = Model + Harness + Tools + Environment。
模型是大脑，负责理解、推理、拿主意；Harness 是身体，负责把想法变成一连串连续、可靠、可控的动作——会话管理、上下文压缩、工具调用、沙箱隔离、人工审批，全靠它。你每天在用的 Claude Code、Codex、OpenCode，底层跑的就是这层执行系统。
Harness 对模型能力的放大是实打实的，OpenAI 自己给过数据：ARC-AGI-3 测试里，GPT-5.6 Sol 裸跑得 13.3%，加上 Codex Harness 的持续推理和上下文压缩后升到 38.3%，输出 Token 还降到原来的约六分之一。36氪同一个模型，换个壳，能力差出近三倍。
那巨头为什么抢着把这一层开源？行业里的判断很现实：Harness 不是护城河，模型才是，抢的是入口——就像互联网时代的浏览器、PC 时代的操作系统。知乎上有个比喻很传神：打印机可以便宜卖，墨盒必须赚钱。知乎壳开源得越彻底，用的人越多，用自家模型的人就越多，Token 就卖得越多。
但我今天不想聊热闹，想聊一个更实际的问题：作为真的在写 Agent 应用的开发者，要不要把项目迁到 DSH 上？要不要基于 Codex Harness 做自己的产品？
先说结论：这个热闹值得看，但迁移别急。三个坑，我一个个说。
坑一：模型在“过拟合”自家壳，换壳可能让战斗力打折
这是这次最反直觉的发现。知乎上有位开发者系统梳理了 DeepSeek、Kimi、Qwen、快手四家的技术报告，发现这件事是各家自己承认的：
DeepSeek V4 Pro 在 DSH 的 minimal preset 下能发挥出接近能力上限的水平，换到官方 standard preset 或第三方通用 agent 框架就明显退化。知乎Kimi K3 要求 harness 必须完整回传 thinking 历史，否则生成质量会“高度不稳定”，官方甚至建议不要在会话中途切换到 K3；Qwen3-Coder-Next 的技术报告说得更直白：许多现有模型是用单一的 tool chat template 训练的，导致过拟合到特定输出结构，部署到没见过的 tool-calling 格式时鲁棒性下降。
快手的发现最有意思：他们给模型一套工具更少的脚手架配置，模型表现反而更好——因为模型的停止语义和反思节奏，是跟训练时那套接口一起“长”出来的，工具给多了反而不知道什么时候该收手。知乎翻译成人话：壳和核是深度绑定的组合，同一套权重在不同 harness 下的实战表现可能差得很远。
以后看到“某模型+某壳屠榜”的截图，先问一句分数是在哪个 harness 下跑的。快手报告里有句话值得贴在工位上：Harness Scaling 的关键不在于 harness 的数量，而在于多样性是否落在对泛化有用的维度上。知乎
坑二：17 万 star 不等于生产可用
热情是真的，但 DSH 现在的版本还是 Developer Preview，官方团队自己提前打了预防针：早期阶段，会有破坏兼容性的修改。DSH 作者之一 Tianyi Cui 在 Hacker News 上也提醒，粗糙的地方不会少。Reddit 上的试用反馈，槽点集中在速度慢、Token 消耗高、插件文档不清楚；有开发者检查代码后估算，DSH 包含约 45.3 万行代码和 219 个包。36氪但首个公开版本只有一笔压缩后的 Git 提交，外部开发者很难追溯项目演进。
连 Flask 作者、Pi Agent 主要开发者 Armin Ronacher 都说，这套架构很有新意，但离生产环境还有距离。36氪36氪的观察比较客观：17 万 star 证明开发者愿意研究这套新东西，但还难以证明在企业生产端，真有人愿意把关键工作交给它。
当然也有狠人。今天知乎上“deepseek-harness 的热度这么快过去了吗？”这个问题下，高赞回答来自一个已经把它接进生产环境的团队：对接私有化部署的 DeepSeek 替代 RPA，自动登录、自动处理、自动交付。知乎他们还顺手重构了一个只支持 Oracle 的史前遗留系统。但这条回答下面追着问的两个问题——“还在 rc 版有破坏性更新，后续升级兼容怎么办”“工具类场景怎么限制高危操作”——都还没有完美答案。
公允地说，DSH 的社区生态进化速度确实快：内测期约 300 名测试者两周做出 200 多个插件，正式发布两天后社区精选列表已收录 270 个插件。36氪WebUI、手机远程控制、模型适配器、额度监控、插件市场陆续冒了出来。插件开发的跑马圈地期还没结束。
坑三：Token 烧得快，新壳不等于新省钱
DSH 热帖评论区里点赞最高的一条，就一句话：“我就问花多少 token，烧不动了。”
这不是段子。Harness 工作流的 Token 消耗是个黑洞：系统提示词、工具返回信息、历史消息，滚雪球一样越滚越大。有个团队给“1 个调度主 Agent + 6 个子 Agent”的全流程工作流做了一轮完整降本实践：先用工具把成本按任务波次拆开看，再从架构拆分、稳定前缀缓存、渐进式披露、代码图谱、CLI 替代 MCP、工具白名单、模型分层路由等 10 个方向优化，最后全流程成本降了 50%~65%。知乎其中两个数字值得记住：
把需求文档、设计稿这类大体积 MCP 调用下放给专属子 Agent、只返回结构化摘要，单轮会话的输入 Token 从 103 万降到 63.4 万，直降 38.4%。知乎
把自动化测试、视觉还原这类高频但规则性强的角色换成更便宜的多模态模型，这部分角色成本再降 64%。
这给我们的提醒有两个：第一，迁新壳之前先把成本度量建起来，不知道钱烧在哪，连优化都无从下手；第二，成本这门课不挑壳，是每个 Agent 团队的必修课。
那到底怎么办？三类人，三种动作
第一类，产品已经上线的业务团队：别动。一位接受 36氪采访的大模型开发者给出的建议很直白：除了交互流程优化，其他方向碰都不要碰 Harness。36氪模型还在快速变化，不同模型需要的执行策略不一样，换底座的成本比你想的高。可以盯着 Codex 的 SDK 和 app-server——把 Agent 能力嵌进 CI/CD、客服、审批流这类现有系统的路已经通了，GitHub、JetBrains、Cisco 都已经有落地案例，OpenAI 展示的物流运营控制台场景里，Codex 已经被嵌进业务系统排查异常订单。
第二类，想蹭生态红利的技术爱好者：现在恰恰是最好的窗口。DSH 的插件生态还在蛮荒期，做插件、做垂直技能包、写教程都是跑马圈地。但记住两条：别放重要数据，留好回滚路径——UI 和远程连接类插件，正是兼容事故的高发区。
第三类，准备做自家 Agent 产品的团队：现在基本是三条路线。基于 Codex Harness 搭——发动机给你调好了，但深度绑定 OpenAI 模型，API 只认自家接口；基于 DSH 搭——连发动机都能自己组装，自由度拉满，但成熟度要自己扛；基于 Pi、OpenCode 这类 MIT 开源壳——Pi 已经有 8 万+ star，公开报道里的缓存命中率最高到 99.93%。微博核心判断只有一个：你的产品命脉绑在哪家模型上？绑，就选离那家最近的壳；不绑，就选协议层开放最彻底的壳。
最后，留四个观察信号
这场壳战争值不值得持续投入，接下来几个月盯住四件事就行：
DSH 正式版和破坏性更新的节奏——预览版能不能收敛，是一切的前提；
DeepSeek 会不会推 TokenPlan 这类订阅套餐——Harness 是他们把计费从“按 Token”转向“按任务”的筹码；
插件生态能不能长出评分、精选和安全审查机制——没有质量机制，270 个插件就只是数字；
新模型版本会不会缓解壳过拟合——这决定“壳核绑定”这堵墙最终有多厚。
模型战争还没打完，但第二战场已经开了。在聪明不再稀缺的年代，谁能把聪明变成稳定、可控、便宜的执行力，谁才拿得到订单。这一次，让子弹多飞一会儿。
