解密为何巨头开始争抢 Agent Harness 定义权？DeepSeek Harness 开源后，OpenAI 宣布 Codex Harness开源，Pi同步发文

2026 年 8 月，一个过去主要在工程师圈子里讨论的词，突然被推到了台前：Harness。

过去两年，人们反复追问 GPT 和 Claude 谁更强，DeepSeek 能不能以更低的价格追上闭源模型。但最近，竞争的焦点开始发生变化。

短短一周，多件事情密集发生：

DeepSeek 发布 DeepSeek Harness，提出“Everything is a Plugin”；

OpenAI 更明确地展现 Codex 作为开放 Agent 基础设施的形态；

8 月 20 日，Earendil Product 发布《What is a Harness?》，解释 Harness 的组成，也强调用户为什么应该拥有自己的 Harness。

与此同时，DeepSeek-V4-Flash 在没有改变模型架构和规模的情况下，通过重新后训练显著提升了多项 Agent 基准表现。公开说明还特别提到，部分代码 Agent 测试使用了 DeepSeek Harness 的极简模式。

把这些变化放在一起看，一个更重要的趋势正在浮现：

Harness 正在从“模型外面的运行时”，变成“模型如何被训练和评估”的一部分。

这可能才是本轮 Agent 竞争最值得关注的变化。

Agent 的能力，不只属于模型

过去，人们习惯把 Agent 的强弱归因于模型：

Claude 强，所以 Claude Code 强；GPT 强，所以 Codex 强；只要 DeepSeek 的模型追上来，它的 Agent 自然也会追上来。

但真正长期使用过 Coding Agent 的人往往会发现：同一个模型接入不同产品，表现可能完全不像同一个模型。

差别很大程度上来自 Harness。

如果做一个极度简化的表达，今天的 Agent 能力更接近：

Agent 能力 = Model × Harness

模型提供推理、生成和判断能力；工具决定它能对外部世界做什么；Harness 则负责把两者组织成一个能够持续执行任务的系统。

它决定模型能看到哪些上下文，什么时候调用什么工具，工具结果以什么形式返回，失败以后如何重试和恢复，上下文过长时如何压缩，什么时候启动子 Agent，哪些操作必须经过人工审批。

它还决定一个最容易被忽略的问题：什么时候应该停止。

因此，Harness 本身就是性能变量。

同一个模型运行在不同 Harness 中，任务成功率、Token 消耗、执行速度和单次成功成本都可能相差很大。过去一些被归因于“模型能力”的结果，实际上测试的是模型与 Harness 的组合能力。

Harness 做得好，功劳经常被算给模型；Harness 做得差，模型也会跟着背锅。

当头部模型的基础能力逐渐接近，这一层差异只会越来越重要。以后评价一个 Agent，不能只问“用了什么模型”，还要再问一句：

这个模型运行在什么 Harness 上？

Harness 开始进入训练过程

DeepSeek-V4-Flash 最近的更新提供了一个值得注意的信号。

据其公开信息，新版本保持了原有模型架构和规模，主要调整后训练，却在多项 Agent 任务上获得明显提升；部分代码 Agent 评测则运行在 DeepSeek Harness 的极简模式中。

这并不能单独证明 Harness 已经决定模型能力，却揭示了一个明确方向：

模型与 Harness 的关系，正在从“先训练模型，再把它装进运行时”，走向联合设计和协同优化。

因为真正面向 Agent 任务的后训练，不可能在真空中进行。模型必须学习如何选择和调用工具，如何理解错误反馈，如何维持跨越多轮的任务，如何从失败路径中恢复，如何避免重复调用和无效探索，何时分派子任务，以及什么情况下应该结束执行。

这些规则并不完全来自模型本身。它们很大程度上由 Harness 定义。

换句话说，Harness 不再只是模型训练完成后的“外壳”。它也可能成为训练任务、组织轨迹、设计奖励和进行评估的环境。

Harness 正在从运行环境，延伸为训练环境。

真正稀缺的资产，可能是执行轨迹

Agent 每完成一次真实任务，都会产生一条执行轨迹。

它与普通聊天数据不同。一条完整的 Agent 轨迹可能包含：用户提出了什么目标，Agent 如何拆解任务，调用了哪些工具，在哪一步失败，失败后如何恢复，什么时候出现重复调用，Token 从哪里开始被浪费，用户在哪一步进行了干预，以及最终通过哪条路径完成任务。

传统对话数据主要告诉模型“一个问题应该怎样回答”；Agent 轨迹则有机会教会模型：

一件事情应该怎样完成。

如果某种 Harness 获得广泛采用，并且厂商能在获得授权、保护隐私和妥善处理商业数据的前提下收集部分轨迹，就可能形成一套新的增长飞轮：

定义 Harness → 吸引开发者 → 承载更多真实任务 → 获得可用于评估或训练的轨迹 → 优化模型与调度策略 → Agent 表现提升 → 吸引更多开发者。

这有一点像 CUDA，但又比 CUDA 多了一层。

CUDA 通过编程接口和软件生态构建平台壁垒；Harness 除了形成开发生态，还可能在运行过程中产生新的行为数据。因此，它潜在地同时拥有两种飞轮：平台飞轮与数据飞轮。

不过，这里必须加上一条边界：开源 Harness 本身不会自动给维护者带来用户数据。数据飞轮能否成立，取决于托管服务、遥测设计、用户授权、企业隐私要求，以及社区是否愿意回传评测和轨迹。

代码可以开源，数据不会凭空出现。

三家公司，三种 Harness 定义

DeepSeek Harness 最醒目的主张是“Everything is a Plugin”。模型、工具、会话、沙箱、调度循环、子 Agent 和界面都可以被替换。

它强调的是可组合性：

你想重新拼装一个什么样的 Agent？

OpenAI 的路线则更强调可嵌入性。Codex SDK 可以把 Codex Agent 嵌入工作流和应用；App Server 对外提供线程、审批、技能、应用和认证等基础能力。

它回答的问题更接近：

你想把 Agent 放进什么系统？

DeepSeek 倾向于形成开放、可替换的运行时生态；OpenAI 则拥有模型、Codex、API、工具体系和真实任务之间更紧密的一体化条件，更容易在内部形成“模型—Harness—使用反馈—模型优化”的闭环。

Earendil 代表的第三种路线，则强调 Harness 的独立性和用户所有权。

在《What is a Harness?》中，Earendil 将 Harness 定义为“为 AI 模型提供运行环境的软件”，并将其主要组成概括为系统提示词、工具、Agent 循环和连接不同模型的转换层。

但文章真正强调的，是一个控制权问题：

Harness 应该属于谁？

Earendil 的答案很明确：模型通常掌握在 AI 公司手中，但 Harness 可以由用户拥有。

如果 Harness 独立于模型，用户今天可以运行 Claude，明天可以换成 GPT，后天也可以接入 DeepSeek 或其他开放权重模型。真正留在用户手里的，是自己积累的工具、扩展、会话、工作流和历史状态。

这并不是中立的技术描述，而是一套关于控制权的产品主张。

Earendil 将 Pi 定位为一个开源、模型中立、运行在用户本地设备上的极简 Harness。它希望建立的市场结构是：模型可以替换，Harness 才是用户长期拥有和持续改造的资产。

因此，三方虽然都在谈 Harness，背后代表的却是三种不同的路线：

DeepSeek 强调可组合：用户可以重新拼装一个 Agent；

OpenAI 强调可嵌入：把成熟的 Agent 运行能力接入各种业务系统；

Earendil 强调可拥有：模型可以更换，但 Harness、工具和历史状态应该留在用户手中。

所谓“什么是 Harness”，已经不只是一道技术定义题，也是一场关于 Agent 控制层归属的叙事竞争。

谁定义了这个词，谁就在影响开发者以后如何理解 Agent。而一种 Harness 一旦形成事实标准，还可能反过来影响工具协议、Agent 循环、基准测试，甚至模型的后训练方式。

最终争夺的，是谁来定义 Agent 应该如何行动。

Harness 将成为按照效果付费的最后一关

Harness 不仅影响性能，也直接决定企业为 Agent 支付多少成本。

过去，市场关注的是每百万 Token 的价格。但企业真正关心的并不是模型消耗了多少 Token，而是：

完成一个任务到底需要多少钱。

同一个任务，是八步完成还是八十步？第一次工具调用就成功，还是连续走错十次？需要一个 Agent，还是临时拉起三个子 Agent？是否频繁需要人工介入？

这些都与 Harness 的决策有关。

因此，Agent 的商业模式可能逐渐从按 Token 计价，转向按任务计价，甚至按结果计价。而 Harness 恰好掌握完成这种计价所需要的信息：任务有没有完成，一共执行了多少步骤，调用了哪些工具，是否有人类介入，以及最终产生了什么结果。

如果 AI 服务最终从“按计算资源收费”走向“按任务或效果收费”，Harness 很可能成为模型与业务结果之间的计量和结算基础设施。

下一轮竞争，是 Model × Harness 的复利

回头再看 Harness，它已经不只是一个 Agent Framework。

它同时连接着运行时、开发者生态、任务成本、用户资产、执行轨迹、评估体系和模型后训练。

工具可以复制，API 可以兼容，插件可以重写。真正难以复制的是：数百万个真实 Agent 究竟如何一步一步把事情做成。

哪些步骤有效？哪些调用只是浪费？什么时候应该继续？什么时候应该停下？什么时候应该交给人？什么时候第二个 Agent 真能提高成功率？

这些轨迹长期积累下来，可能形成一套新的 Agent 行为数据库。

过去，模型公司争夺的是互联网文本；进入 Agent 时代，竞争对象可能逐渐变成：

现实世界中的任务，是如何被模型一步一步完成的。

谁定义主流 Harness，谁就更有机会影响 Agent 的行动方式；谁拥有规模最大、质量最高并且合法可用的真实执行轨迹，谁就更可能获得下一代 Agent 后训练的优势。

模型战争当然没有结束，但战场正在向下移动一层。

竞争不再只是“谁拥有最强模型”，而是：

谁能率先转动最强的 Model × Harness 飞轮。

一旦这个飞轮形成，真正难以追赶的可能不再是基准测试上的几分差距，而是生态、数据和训练之间不断累积的复利。

参考资料

DeepSeek Harness：Everything is a Plugin

DeepSeek-V4-Flash 模型说明

Codex SDK

Codex App Server

Earendil Product：《What is a Harness?》