DeepSeek 为什么开始抢「驾驭层」

前段时间，我借助 AI 做了一个跨境电商智能客服，主要解决客服咨询问题。

我没有系统学过编程，也不懂代码。项目前中期，基本是我自己跟着 AI 一点点往前推。哪里有问题就问它，哪里需要调整就让它改，再看结果能不能跑。

做到后面，最折磨我的已经不是 AI 不会写。

恰恰相反，它很能写。你让它改什么，它很快就能给出一套方案，解释起来也头头是道。

麻烦的是，我只想改一个很小的地方，它经常把周围一整片都动了。这里刚修好，其他地方又冒出来一个问题。继续让它修，它可能又把原来已经能用的部分改坏。

偏偏我本身又不懂代码。

它说已经修好了，我能看到眼前这个问题好像没了，却很难判断这次修改有没有影响别的功能，代码结构是不是越来越乱，后面会不会再冒出一个更难找的问题。

前面还能靠不断问、不断试往前走。项目越来越大以后，功能开始互相牵连，我心里也越来越没底。

所以到了后期，我没有继续硬扛，而是找了一个懂开发的朋友，把代码重新理顺，把 Bug 修完，最后完成了甲方交付。

这个项目最终给我带来了 10 万元净收益。

▲ 不是按钮按出来的

如果只保留结果，这个故事很容易被包装成一句特别吸引人的话：

一个没学过编程的人，靠 AI 做了一个系统，净赚 10 万。

这句话不能算错，但它把最重要的后半段省掉了。

AI 确实把我带进了一个以前进不去的项目。没有它，我可能连从哪里开始都不知道。可「能把东西做出来」和「敢把它交给客户」，中间还隔着代码结构、版本、测试、排错和最后的责任。

最近看到「DeepSeek 把战场搬到了驾驭层」这个话题，我一下就想到了那段经历。

因为所谓「驾驭层」要解决的，正是模型已经会做很多事以后，怎样让它别把项目越做越乱。

一、这 10 万最不该省略的，是后半段

我一直不太喜欢那种「一句话做软件」「零基础靠 AI 自动赚钱」的说法。

因为这样的说法会让人以为，打开 AI、输入几句话，软件和收入就一起出来了。真实过程被切得太干净。

我做这个智能客服时，AI 的价值非常实在。

它让我这个没有学过编程的人，也能先把想法往前推。碰到不懂的地方可以问，看到问题可以改，原本只能停在脑子里的东西，开始一点点跑起来。

这已经很厉害了。

但项目一复杂，它的问题也跟着放大。

写错一句文案，我看一眼就知道不对。程序里改错一个地方，有时不会马上报错，甚至眼前这个功能还能正常运行，却可能让另一个功能在后面出问题。

对我这种非科班的人来说，后期让 AI 再写一段代码不算难。真正卡住我的是判断：

它这次到底改得对不对？

这个问题如果不解决，AI 写得越快，我反而越不敢交。

最后找朋友收尾，也不能简单归结成 AI 没用。AI 把门槛降了下来，让我走到了过去走不到的位置；专业的人补上工程缺口，项目才具备交付条件。

▲ AI 搭到一半，人接上另一半

会写一段代码，和敢把一个系统交给客户，本来就是两回事。

而 DeepSeek 这次盯上的，正是这两件事中间那一层。

二、Harness 听着像黑话，做的事很朴素

「驾驭层」不是 DeepSeek 新造的官方中文名词。

DeepSeek 官方一直使用的是 Harness。有人把它翻译成「驾驭层」，主要是为了方便理解。

DeepSeek 在官方页面上给了一个很短的公式：

Agent = Model + Harness。

▲ 两个齿轮，得咬合着转

模型负责理解、判断和生成。Harness 负责给它一个能持续工作的环境。

放到我那个智能客服项目里，就很好理解了。

AI 开始之前，应该先知道项目现在做到哪一步，当前哪个版本能正常运行。

这次修改只能动什么，哪些功能已经稳定，不能顺手重写。

它能读取哪些文件，能调用什么工具，能不能运行程序和检查报错。

改完以后要检查哪些功能。发现问题是继续修，还是退回上一个版本。

如果涉及客户资料、正式环境或者高风险操作，哪一步必须停下来让人确认。

这些东西合在一起，才是一套能用来干活的系统。

Harness 也不等于一条写得特别长的提示词，更不只是给聊天框换一个界面。

根据 DeepSeek 官方介绍，Harness 里的模型、工具、技能、会话、沙箱、存储、执行循环、任务调度和界面，都可以通过插件组合。它还会记录模型看到的上下文、工具调用和执行结果，方便恢复、分叉、检索和回放。

技术细节看起来很多，想解决的事情却很简单：

给 AI 准备资料和工具，也给它划范围、留记录、做检查。

▲ 给 AI 一张能持续干活的台

以前我们主要关心 AI 能不能给出一个好答案。现在它开始进入文件、代码和业务系统，问题已经变成：它能不能把一件事接着做下去，做完以后又能不能证明自己没有乱动。

三、同一个模型，放在不同地方，表现真的会不一样

很多人应该已经有这种感觉。

同一个模型放在普通聊天框里，你让它做项目，它往往只能告诉你大概应该怎么做。你得自己复制文件、粘贴报错、解释现在做到哪一步。

放进 Codex、Claude Code 这类工作环境以后，它可以直接读取项目文件、修改代码、运行检查、看到报错，再根据结果继续处理。

底层模型可能还是那一个，使用感受却像换了一个 AI。

▲ 同一把放大镜，台面不同

原因不难理解。

聊天框只能根据你这一轮发进去的内容回答。完整的工作环境则能让模型看到项目状态，也能让它用工具确认自己刚才做了什么。

它仍然会犯错，但不再只能凭一轮对话猜结果。

这条路并非 DeepSeek 独有。

OpenAI 介绍 Codex 时，也把模型外面负责上下文、工具、会话、沙箱、审批和执行循环的系统叫作 Harness。Claude Code、Codex 以及其他 Agent 产品，实际上都在争这一层。

「DeepSeek 把战场搬到了驾驭层」这个标题，我觉得只说对了一半。

战场没有从模型层彻底搬走。

模型如果理解不了任务，外面套再完整的系统，也不可能凭空把它变聪明。模型能力、速度和价格，依然是底座。

更准确的说法是：模型上面又长出了一层同样重要的竞争。

以后判断一个 Agent 好不好用，不能只看它回答同一道题有多漂亮。还得看它能不能读对资料、选对工具、记住项目状态、控制修改范围、处理失败，以及最后有没有可靠的验收办法。

四、DeepSeek 想抢的，不只是模型调用

DeepSeek Harness 现在仍是开发者预览版，但它的方向已经很清楚了。

官方把它概括成「一切皆插件」。更值得注意的是，它并不强制用户只能使用 DeepSeek 模型。

从官方模型配置文档看，开发者可以接入 Anthropic、OpenAI、Kimi、GLM 等第三方模型，也可以配置兼容相应接口的其他服务。

这件事背后的意义，比多发布一个聊天机器人更大。

如果一家公司只提供模型，用户很容易跟着能力和价格走。

今天这个模型写代码更强，我就用这个；明天另一个模型便宜了，或者更适合长文，我再切过去。模型越来越多以后，换模型正在变得越来越容易。

工作环境就不一样了。

当你已经在一个地方放好了项目资料、规则、插件、技能、历史会话和自己的工作方式，偶尔换一个模型，并不代表整套东西都要推倒重来。

这也是我对 DeepSeek 这一步的理解：它想争的已经超出某一次模型调用，目标是大家每天让 AI 干活的入口。

▲ 争的是每天进出的那扇门

即使某个任务最后调用的是其他公司的模型，工作流、插件和使用习惯仍有可能留在同一个环境里。

根据 DeepSeek Harness 团队公布、第一财经等媒体转述的数据，截至 11 月 4 日，以使用 DeepSeek 官方 API 的用户为统计范围，Harness 日活达到 154 万，单日消耗约 92 万亿 Token，第三方插件约 3.5 万个。

这组数字说明它的热度很高，但不能拿来直接宣布胜负。

数据由团队自行披露，没有经过第三方审计；统计口径也不能直接拿去和普通聊天应用的活跃用户比较。Token 消耗很多，也不等于每个任务都完成得很好。

DeepSeek Harness 官方仓库目前仍明确标注为开发者预览版，还提醒后续会出现不兼容更新。

现在就说 DeepSeek 已经拿下了 Agent 入口，太早了。

眼下更值得看的，是国内模型公司也开始把重点从「我有一个更强模型」，往「我能不能提供一整套工作环境」继续推进。

五、现在回头看，我那个项目缺的也不只是一个更强模型

做智能客服的过程中，我也想过：是不是换一个更聪明的模型，这些问题就会少很多？

答案当然是会。

更强的模型更容易理解复杂代码，也可能更少遗漏修改之间的关系。模型能力重要，这一点不用硬抬杠。

但现在回头看，我当时缺的并不只是一个更强的模型。

▲ 引擎够强，缺车架和地图

比如，每次修改前，有没有留下一个当前能正常运行的版本？

这次只解决哪个问题，允许改动哪些位置，其他功能不能改变，有没有写清楚？

修改以后，有没有固定检查原来已经能用的功能？

连续修了两次仍然引出新问题，是不是应该先停下来整理结构，而不是继续让 AI 一路补丁打下去？

什么叫「眼前能跑」，什么又叫「可以交给甲方」？

这些都不是多说几遍「其他地方不要动」就能完全解决的。

▲ 改之前，先留退路划范围

换一个更强模型，问题可能少一点，但很难靠换模型彻底消失。

后面朋友帮我理顺代码、修复 Bug，补上的是全局判断和工程经验。他要看的不只是眼前这个报错，还要判断这次修改会不会把整个项目弄得更乱；他也不能听 AI 说一句「已经完成」，必须确定哪些地方要检查，最后什么状态才可以交。

Harness 想把其中一部分能力做进系统里。

它不会保证 AI 永远不犯错，也不会让一个不懂开发的人立刻拥有完整的工程经验。但如果修改前有范围，修改后有检查，失败后能回退，关键动作有人确认，至少可以更早发现问题，也可以把一次出错的影响控制住。

六、普通人也需要一套自己的「驾驭层」

Harness 听起来很像只有程序员才需要关心。

但把技术名词拿掉，写文章、做表格、整理资料、运营账号的人，一样天天碰到类似问题。

你让 AI 只改文章开头，它顺手把后面也重写了。

这一轮已经确认过的事实，换一个对话以后，它又重新编了一套。

你让它连续完成十个步骤，前面几步还正常，做到后面已经偏离了最初的目标。

你明明给过人设和表达要求，下一篇它还是写出一股熟悉的 AI 味。

这些事情和改程序不是同一个风险等级，但背后的问题很像：任务一长、资料一多，不能再指望每次临时说一句，AI 就自动记住全部要求。

最近我一直在调整自己的公众号写作 Skill。

一开始我也以为，资料读得越多、规则写得越长，最后的稿子就会越好。

真正用下来以后，我发现关键不在「多」。

写稿开始前，它应该读这次已经确认的选题、真实材料和事实核查规则；公众号平台细节碰到问题再查；写完以后，再单独检查事实、重复论证和 AI 腔。

亲测过的东西可以写感受，没有用过的产品就只能按公开资料判断。让它只改某一段，就先说清哪些事实、结构和有效表达要保留。

这些规则没有让模型本身变聪明，却能减少它每次都从零猜我的要求。

Obsidian 里的项目资料、AGENTS.md 里的工作规则、不同任务使用的 Skill、修改记录和最后的审稿，放在一起，就是一套简化的个人 Harness。

普通人不必马上安装 DeepSeek Harness，也不用先学会开发 Agent。

先把自己经常交给 AI 的那件事整理清楚，就已经是在搭第一层了。

可以从五个动作开始。

▲ 普通人的驾驭层，五步就够了

第一，动手前留下当前版本。

文章有原稿，表格有原始数据，程序有能运行的版本。AI 改坏以后，你至少知道该退回哪里。

第二，写清这次只改什么，也写清什么不能动。

「帮我整体优化一下」给了 AI 很大自由，但也让你很难判断它到底改了什么。范围越重要，越不能只靠一句提醒。

第三，把长任务拆到每一步都能检查。

先分析问题，再确认范围，然后执行，最后验收。每一步都要留下看得见的结果，不要一次让它「把整个项目做好」。

第四，不只看最终答案，还要看它动了哪里。

文章要对照前后版本，程序要看修改差异和测试结果，表格要抽查关键数据。AI 说「已完成」，不等于任务真的完成。

第五，给重要操作留一道人工确认。

涉及客户资料、付款、发送、删除、正式环境、账号权限和公开发布时，不要为了追求全自动，把最后一道门也交出去。

这五件事没有哪个听起来特别神奇。

但真实工作最需要的，往往就是这些不神奇的东西。

七、驾驭层越强，权限越不能乱开

还有一个很容易被热度盖过去的问题。

以前的 AI 主要和你聊天，答错了，多半是一段文字不对。

现在的 Agent 可以读写文件、运行命令、访问网络、加载插件，甚至连接真实业务。它能做的越多，做错以后影响的范围也越大。

DeepSeek Harness 自己的安全说明写得很直接：目前仍是实验性的开发者预览软件，没有经过安全审计，不能当成已经安全或可以直接用于生产的成品。它可能执行模型生成的代码和命令，也可能接触你开放给它的文件、进程、网络和凭据。

沙箱、权限和审批可以降低风险，但不能保证绝对隔离。

开源也不等于自动安全，本地运行同样不代表所有数据永远不会离开设备。按照官方数据处理说明，主动接入外部模型、网页工具、MCP 或第三方插件时，数据仍可能交给对应服务商处理。

如果准备尝试，最基本的做法是给最低权限、提前备份，只在可信插件和不重要的测试环境里开始。客户数据、密钥和正式项目，不要为了图方便一次全开。

▲ 门能开多大，得按住

一套好的驾驭层，不能只负责让 AI 做得更多，也得在它做错时把影响控制住。

八、下次再说「只改这里」，我会先给它留一条退路

回到最开始那个智能客服项目。

如果当时没有 AI，我可能根本进不了这个项目。它帮我把想法推到了可以运行的位置，也让我这个没学过编程的人，真的参与完成了一次软件交付。

这件事的价值，我不会因为中间出了问题就否定。

但那 10 万也不是 AI 按一下按钮替我赚来的。

AI 降低了门槛，我持续推进需求，专业朋友理顺代码结构、修掉 Bug，最后才完成甲方交付。

整个过程让我看清，AI 现在最麻烦的，有时已经不是它不会做，而是它做完以后，你不知道该不该信。

下次再让 AI「只改这里」，我不会只把「其他地方不要动」重复三遍。

我会先留下当前能用的版本，划清这次修改范围，告诉它哪些功能不能碰，再用检查结果决定这次改动能不能留下。

▲ 只改这里，先留一条退路

这听起来没有「换一个更强模型」那么刺激，却更接近真实交付。

DeepSeek 这次开始争的，是聊天框后面那套干活系统：AI 开工前看什么，做事时能碰什么，做完以后怎么证明自己没有把别处弄坏。

以后我们再问「哪个模型最好用」，可能还得多问一句：

谁能让它每做一步，都有范围、有记录，也有办法证明自己做对了？

能看到这里，先给你比个心，说明咱们多少算是同路人了哈哈哈。

如果你觉得这篇文章还不错，记得点个赞、点个在看。

你的支持，也是我继续熬夜码字的动力。

我是罗叨叨，我会持续分享我看到的、学到的、踩过的坑，我们下篇见。

作者提示含AI生成内容。作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～