AI 竞争已经打到了第三层。第一层拼基础模型——GPT、Claude、Gemini 谁更强；第二层拼 Agent——Codex、Claude Code、Trae 谁更好用。DeepSeek 上周扔出一件新东西，直接把战场拉到了第三层：Harness。
Agent 的公式很简单：Agent = 模型 + Harness。模型是灵魂，Harness 是让它跑起来的骨架，负责理解环境、调用工具、在真实场景里持续执行。之前大家都在卷模型和 Agent 产品本身，很少有人专门把 Harness 拆出来做。
DeepSeek Harness 一发布，两天拿了 11 万 Star。开源、Web 端、一切皆插件。
原视频：https://www.youtube.com/watch?v=2NP1NNMrIf4
一切皆插件
这是 DeepSeek Harness 最核心的设计理念。
模型、工具、技能（Skill）、会话、沙箱、存储、循环调度、UI——全部由插件提供。你用 Codex 的时候，插件是在主 Agent 外面加的能力扩展；但在 DeepSeek Harness 里，连 Agent 本身都是插件拼出来的。
模型可以换，沙箱可以换，工具链可以换，像拼乐高一样排列组合。它还支持社区插件。去 GitHub 找到插件仓库地址，发给 Harness，它自己就能装。
更实用的一条：你在 Codex 上沉淀的 Skill 可以直接迁移过来。视频里演示了把 Codex 上的几十个 Skill 无缝嵌入 DeepSeek Harness，用斜杠命令直接调用。迁移方式也简单，让 Codex 或 GPT 帮你做复刻就行。
四种运行模式
DeepSeek Harness 提供四种模式，选择逻辑其实不复杂：
| 模式 | 用途 | 说明 |
|---|---|---|
| 标准 | 日常大部分任务 | 全套基础能力，默认选项 |
| PTC | 专项/重复型编码任务 | 标准模式 + 让模型用 TypeScript 程序组合多步操作，省 Token |
| 极简 | 需要快速输出 | 精简流程，速度最快 |
| 创造 | 构建新 Agent / 不确定任务 | 标准模式基础上帮你设计子 Agent、拆分系统 |
标准模式覆盖大多数场景；跑代码密集型任务时 PTC 模式更省 Token；需要设计一整套 Agent 体系（比如视频里举的”内容工厂”——信息收集子 Agent、素材构建子 Agent、编辑剪辑子 Agent）就开创造模式。
Web 端带来的自由度
DeepSeek Harness 是 Web 端运行的，Codex 和 Claude Code 是 App。这个区别听起来不大，实际影响很大。
Web 是通用协议。Codex 要改权限、装插件、做远程访问，每一步都涉及 App 层的限制。DeepSeek Harness 因为跑在浏览器里，自由度高得多——远程访问就是一个 ngrok 的事。
视频里演示了用 ngrok 把本地 Harness 端口暴露成公网链接，手机或另一台电脑直接打开就能操作，主电脑还能实时看到远程的操作轨迹。
执行轨迹可视化
这条值得单独说。
DeepSeek Harness 的执行过程用色块标注：紫色是 Assistant 调用，黄色是工具调用，淡黄色是子工具。每一步花了多少 Token、调用了什么、思考了什么，全部可见、可回溯。
用 Codex 或 Claude Code 的时候，执行过程的中间步骤只能看到一部分，不能完整回溯。有了轨迹可视化，调试、审计、修正执行过程就方便得多。
实测：DeepSeek Harness vs Codex
视频用两个任务做了对比测试。
任务一：3D 城市编辑器（OpenAI 官方案例，原本用来测试 Codex + GPT-5.5）
两边同时跑，DeepSeek Harness 反馈速度明显更快，生成过程全程可见。结果方面，两边都搭出了完整的 3D 城市框架：不同视角切换、城市风格选择、街区密度和大小调节、街道类型（方格/雷达/随机）都有。Codex 的成品在一些细节上略好（部分按钮有实际功能），但 DeepSeek Harness 用的模型是 DeepSeek V4 Pro，成本远低于 Codex 用的 GPT-5.6。
任务二：黑洞光线追踪器（Kimi 官方案例，Kimi 用集群模型跑的，Token 消耗很大）
这轮 DeepSeek Harness 耗时更长。成品形态基本完成——精度、纬度、高度等参数可调，有视角切换和自动播放。Codex 的配色和画面细腻度更好，但 DeepSeek Harness 在用了更低成本模型的前提下，大框架搭出来了，优化提示词后可以继续打磨。
两个任务的结论一致：在模型成本远低于对手的情况下，DeepSeek Harness 的产出完成度已经接近 Codex。 换成更强的模型，差距会进一步缩小。
第三层竞争：Harness 即基础设施
视频最后提出了一个值得思考的框架：AI 竞争分三层。
| 层级 | 竞争内容 | 代表 |
|---|---|---|
| 第一层 | 基础模型 | GPT、Claude、Gemini、DeepSeek |
| 第二层 | Agent 产品 | Codex、Claude Code、Trae、WorkBuddy |
| 第三层 | Harness / 基础设施 | DeepSeek Harness |
基础模型的能力差距正在缩小。当模型越来越像”商品”，竞争的重心就会上移到”谁来组织和管理 Agent”。DeepSeek Harness 的定位就是 Agent 基础设施——一套制作、管理、部署各类 Agent 的控制系统。
类比安卓：安卓不制造最好的芯片，但它占了手机应用生态。中国公司在基础模型和开发者生态上暂时落后于美国，但 Harness 层可能是一个弯道超车的机会——它影响的是谁来控制 Agent 平台、谁来掌握应用生态、谁来组织企业里的 Agent。
一天上手后的判断
DeepSeek Harness 还是开发者预览版，后续可能有不兼容更新。但它展示的设计思路——一切皆插件、Web 端的灵活性、执行轨迹可视化、低成本接入多种模型——已经跑通了一条和 Codex / Claude Code 不同的路。
如果你已经在用 Codex 沉淀了一批 Skill，可以先把它们迁移到 DeepSeek Harness 里试试——开源环境的好处就是可以随意魔改。想体验远程操作和执行轨迹回溯，Web 端加上 ngrok 几分钟就能跑起来。
官方仓库：https://github.com/deepseek-ai/deepseek-harness
