DeepSeek Harness：黑鲸浮出水面——关于DeepSeek的Claude Code竞品，我们目前所知的信息

D​eepSeek Harness v0.1 已经发布，而第一份真正重要的实测报告在不到一天后就出现了。8 月 14 日，那个为发布设定倒计时的 X 账号——teortaxesTex——描述了一次看似已死、实则仍在收尾的会话：token 流式输出“指数级”放缓到近乎爬行，界面显示九个待办事项中完成了五个，而刷新页面后才发现九项已全部完成。界面显示的其实是大约五十分钟前的状态。“这就是……你说的时空可组合性？”——这句吐槽很中肯，因为 D​eepSeek 构建这个东西所依托的框架，确实有一套关于时间的理论。这篇帖子最初是追踪泄密线索的；线索于 8 月 13 日尘埃落定，当天 D​eepSeek 将 harness 开源。以下就是实际发布的内容，以及真实使用第一天所展现出的、围绕 DeepSeek V4 Flash 0731 和 DeepSeek V4 Pro 构建的 agent 层的情况。

自本文首次发布以来，关于此事的表述已经发生了变化。文章最初发布时，名为{{1}}D​eepSeek Harness{{/1}}的产品尚未问世，当时的证据只是一堆公开的线索——一个经过认证的微信账号、招聘启事、基准测试脚注、一次内部测试通话。这种情况已不再成立。北京时间8月13日晚，{{2}}D​eepSeek{{/2}}在github.com/deepseek-ai/deepseek-harness上以MIT许可证的开发者预览形式发布了该工具的v0.1版本，只需一条npm命令即可运行，仓库在短短数小时内便收获了超过3万个GitHub星标。泄密变成了产品。如今无法证实的不再是该工具是否存在，而是它在真实环境中的表现如何——早期的实际使用报告便是新的证据。

模型 + 框架 = 智能体：“框架”到底是什么

{{1}}D​eepSeek{{/1}} 内部使用的公式是 {{2}}模型{{/2}} + {{3}}框架{{/3}} = {{4}}智能体{{/4}}。模型是大脑；框架是其他一切让智能体在实践中正常运转的部分——包括上下文与记忆管理、工具调用、任务规划、文件读写、终端执行、将错误输出反馈回循环中，以及判断任务是否真正完成。

该术语由 A​nthropic 推广，成为业界理解“编码智能体为何不仅仅是一个优秀 LLM”的框架。一个在基准测试中得分良好的模型，如果外围机制——如何调用工具、如何记住十分钟前的操作、如何在命令失败时恢复——很薄弱，它仍然可能在智能体循环中失败。D​eepSeek 已将该机制转化为其明确的产品策略，而 Harness 团队正是执行这一策略的组织架构。底层模型已经在交付中：DeepSeek V4 Flash 0731 和 DeepSeek V4 Pro 都带有 D​eepSeek 在其自身 harness 内生成的、面向智能体调优的基准分数，甚至具体到名称 "D​eepSeek Harness minimal mode"。

止于8月13日的泄密线索

这从来不是某一次单一的泄露；而是一堆自三月份以来逐渐累积的公开线索，最终汇聚到一个发布日期上。大致按时间顺序：

• 2026年3月——有报道将崔添翼（浙江大学计算机科学毕业生，曾在Jane Street工作九年的工程师）与D​eepSeek的智能体工作联系起来；媒体随后确认他为Harness团队负责人。该消息当时仅为报道，D​eepSeek未予证实。

• 2026年4月24日 — DeepSeek V4 发布预览版，明确定位用于智能体任务，并针对 Claude Code 等智能体工具进行了调优。

• 2026年5月 — D​eepSeek 在 Moka 上发布了两个 Harness 岗位——一个 Agent Harness 产品经理和一个研究工程师，均位于北京。D​eepSeek 研究员陈德利公开写道，目标简而言之就是对标 Claude Code，构建一个“D​eepSeek Code Harness”。

• 2026年6月——招聘力度仍在加大；团队负责人称该部门人手不足，肩负着“雄心勃勃的目标和繁重的工作量”。

• 2026年7月6日至7日 — “D​eepSeek Harness团队”微信公众号在D​eepSeek北京主体下注册并通过认证，使用黑鲸标志。外界尚无人察觉。

• 2026年7月31日 — DeepSeek V4 Flash 的官方 API 进入公开测试阶段，DeepSeek 的 API 文档首次披露，其公共基准测试中的 CodeAgent 任务是在“DeepSeek Harness minimal mode”下运行的，并标注为“即将推出”。

• 2026年8月1日 — Harness团队负责人启动内部测试招募，面向开源智能体-harness项目的开发者。中国科技媒体报道称，共有769名申请者、712个独立仓库，以及累计超过120万个GitHub星标。

• 2026年8月11日 — 有关该账户的报道广泛传播；黑色鲸鱼浮出水面。

• 2026年8月13日 — v0.1 发布：MIT 许可，在 GitHub 开源，可通过 npx @deepseek-ai/dsh web 运行。谜底揭晓。

v0.1 实际发布了什么

开发者预览版是 Node 包命名空间中的桌面与 CLI 代理运行时，基于 Cordis 元框架构建，其宣称的设计原则是“万物皆插件”。模型、工具、技能、会话、沙箱、存储、代理循环、调度和 UI 都是可替换的 Cordis 插件。内置四种预设：Standard（完整的编码代理工具集）、PTC（模型编写 TypeScript 程序来协调多步骤工具调用）、Minimal（一个 shell 工具加一个文件编辑器——V4 基准测试所采用的模式）和 Creation（用于构建自定义预设）。轨迹视图将模型看到的所有内容写入仅追加的会话日志，可逐来源重放——这是 D​eepSeek 对“黑盒”抱怨的回应，该抱怨针对的是被摘要化的代理历史。

真正需要关注的警告来自D​eepSeek自己：这是开发者预览版，仓库中带有内部测试通知，核心插件和基础API演进期间预计会出现破坏性变更。这一警告在数小时内就被证明是有必要的——以下现场报告正是以此为背景。

首批现场报告所显示的内容

汇总成这次更新的报告来自单一用户的叙述，且应作为单一个例来读：teortaxesTex 于8月14日描述了一次 D​eepSeek Harness 会话，其间 token 流式传输逐渐慢如蜗牛，界面显示九个待办事项中已完成五个，而重新加载后显示九个实际上全部完成——界面此前一直在渲染约五十分钟前的状态。这只是一条 X 帖子，并非供应商的确认，也尚未被独立复现。但此类症状在项目自身的公开记录中得到了佐证，这正是它值得认真对待的原因。

{{1}}官方仓库的 GitHub Discussion #483（提交于8月13日）记录的正是这类故障。{{/1}}{{2}}会话内容通过有界写后批处理进行持久化——事件先存放在内存中的待处理队列里，直到200毫秒定时器触发一次持久化写入——而界面只渲染已提交的状态。{{/2}}{{3}}在高并发负载下，这个时间窗口会被严重拉长；非正常关闭后，内存中的尾部数据永远不会被刷新，JSONL 或 SQLite 后端只能重新加载已提交的前缀部分，因此用户输入要么延迟出现，要么根本不出现，之前可见的历史记录也会消失。{{/3}}{{4}}该讨论将这一问题关联到两个未解决的问题：#477（高并发负载下用户文本输入长时间延迟）和 #479（新用户请求完全不出现在会话视图中）。{{/4}}{{5}}现场报告中的“屏幕上5/9，完成9/9”正是已提交与实际状态之间的差距在实时会话中的体现。{{/5}}

更广泛的 v0.1 反馈呈现两极分化，且这种分化恰如其分。一些测试者称赞其插件架构，称与封闭式竞争对手相比，它就像“一台配有通用接口的自组装台式机”；另一些人则罗列了各种粗糙之处——一条硬编码的多模态路径，以及一个已记录的智能体策略 bug：测试框架迫使模型排查每一个非零退出码，而 grep 的退出码 1 表示“无匹配”，这会让通过的测试变成表面上的失败，进而驱动一个自我强化的过度验证循环（在报告所述对比中，同一任务的请求数为 61 对 32，成本为 $0.17 对 $0.05）。发布首日的评测读起来更像是一个既有真正的雄心、又存在真实的状态层问题的开发者预览版，而不是一个成品级的 Claude Code 挑战者。

“时空可组合性”不仅仅是一个笑点。

这份现场报告的结尾笑话背后有一篇论文。D​eepSeek Harness 构建在 Cordis 之上，其设计源自《A Programming Paradigm for Spatiotemporal Composability》——一篇由北京大学和 D​eepSeek 合作撰写的 88 页正式研究论文，第一作者是 Yifan Shi（Koishi 聊天机器人框架的创建者），合著者包括 Wei Zhang 和 Harness 团队负责人 Cui Tianyi。该论文将动态组合分解为两个正交维度：时间可组合性，即移除一个组件会干净地撤销其副作用，就像它从未存在过一样；以及空间可组合性，即组件声明依赖关系，而运行时在提供者出现和消失时响应式地激活和停用它们。

这个笑话之所以说得通，是因为来自五十分钟前的 UI 渲染状态在最字面意义上构成了一种时间组合失效：运行时持续执行，而可见状态却在它背后完成提交。Discussion #483 中记录的持久化差距——一种可能远滞后于运行循环的写后批量操作——恰恰是论文中的保证本应防止的那类问题。测试框架的状态层在实践中最终是否会兑现这些保证，是本次发布真正悬而未决的问题之一，而发布首日的报告正是验证这一点的第一批证据。

下面的模型

框架是产品；模型是引擎。DeepSeek 大概会置于其下的两个模型目前均已上线，并且现在就可以通过 OrcaRouter 调用：

• DeepSeek V4 Flash 0731 —— D​eepSeek 高效 MoE（总计 284B / 激活 13B）的重新后训练官方版本：100 万 token 上下文，最大输出 384K，默认开启思考模式，原生精通 O​penAI Responses API —— 即 Codex 风格智能体所说的语言。D​eepSeek 自家公布的 0731 版本智能体基准成绩：Terminal-Bench 2.1 上 82.7，Cybergym 上 76.7，Toolathlon Verified 上 70.3，DSBench-FullStack 上 68.7，DSBench-Hard 上 59.6。这些数字由厂商自行报告、尚未复现，但它们是 D​eepSeek 选择用来主打的数据，而且在同一组基准上甚至超过了 DeepSeek V4 Pro Preview。

• DeepSeek V4 Pro — 旗舰级 1.6T 总参数 / 49B 激活参数的 MoE 模型，同样支持 1M token 上下文，开放权重（2026 年 4 月发布），定价为每百万 token $0.44 / $0.87。

在价格方面，核心就在于D​eepSeek很便宜。DeepSeek V4 Flash 0731 的运行成本约为每百万输入token 0.147美元、每百万输出token 0.295美元——这是供应商的列表价格，OrcaRouter 以零加价直接透传。等 harness 成熟后，你可以让它指向你今天已经能调用的那些模型，之后换入或换出 harness 只是一个配置变更，而非迁移。现在运行这两种模型都不需要 D​eepSeek Harness。

它正在步入的成本战

这不是一个边缘市场。据报道，Claude Code在2026年初的年化收入运行率已超过25亿美元，而智能体编码市场的规模也被估为几十亿美元量级。一家中国实验室的入局者，既在API价格上大幅压价，其模型又已经运行在Claude Code本身内部——正是那种会给整个品类重新定价的举动。

在成本方面，{{1}}测试框架{{/1}}的选择与模型本身同样重要。{{2}}Composio{{/2}}的一项横向测试使用{{3}}DeepSeek V4 Flash{{/3}}在八个测试框架上运行，结果发现最便宜的方案（开源“Pi”框架）每成功任务约花费{{4}}0.028美元{{/4}}的推理成本，而{{5}}Claude Code{{/5}}在同一测试中约为{{6}}0.195美元{{/6}}——同一类工作上差距接近7倍。再加上{{7}}DeepSeek{{/7}}公布的{{8}}前缀缓存折扣{{/8}}以及第三方测试框架报告的{{9}}99.93%{{/9}}缓存命中率，{{10}}DeepSeek{{/10}}驱动的代理其有效单任务成本会迅速降到极低水平。

同样值得记住的是，今天已经存在的事实：DeepSeek 提供了一个兼容 Anthropic 的端点（基础 URL 为 https://api.deepseek.com/anthropic），其官方文档也逐步说明了如何让 Claude Code 指向 DeepSeek V4 模型。这个工具产品实际上就是 DeepSeek 试图拥有那一层，而不是租用它——而且 DeepSeek 已宣布 V4 全线将迎来大幅涨价。由于 OrcaRouter 以零加价的方式直接传递提供商的标价，新费率在发布当天就会在我们这边生效，无需重新谈判。

为什么挽具成为新的战场

焦点正在从模型能力转向任务交付。如今，前沿模型只是入场券；决定一个团队能否真正交付智能体的，是配套机制——以及它产生的数据。包括中信证券在内的分析师在分析D​eepSeek的举措时认为，成熟的工具链构成一道护城河，原因有二，二者相辅相成：它打通了从入口到任务完成的商业闭环，并生成用于模型训练的长周期任务轨迹数据。像Pi或D​eepSeek-TUI这样的社区工具链证明了需求，但它们不会将数据反馈到模型中。而D​eepSeek自己的工具链可以——v0.1中随附的Trajectory功能就是这条数据通路的可视化呈现。

这也是为什么仅仅“对模型进行基准测试”的解读是不完整的。DeepSeek V4 Flash 的智能体得分很强，但 D​eepSeek 希望在测试框架上建立持久优势——这使得首发报告中的状态层漏洞不仅仅是表面问题。一个 UI 可能落后循环五十分钟的测试框架，仍然只是开发者预览版；它还不是护城河。

我们现在正在看的

• 状态层是否能跟上。写后滞后（write-behind lag）已有文档记录、可复现，并正在向官方仓库提交 issue；观察刷写路径（flush path）能否被快速修复，以及当会话进行中时，“界面仅显示已提交状态”的设计是否会改变。

• 原生复现测试。这次发布之所以重要，是因为D​eepSeek的V4智能体评分是在“D​eepSeek Harness minimal mode”上生成的——现在任何人都可以安装预览版并原生运行这些任务。如果82.7 / 87.9这两个数字能够复现，那么最后两个发布就可以看作一个连贯的系统；如果不能，厂商基准测试的差距就变得可量化了。

• 插件生态系统能否站稳脚跟。#dsh 标记的插件界面是真实存在的，但第三方是否会推出值得安装的东西仍是未知数。

• 价格表。DeepSeek 尚未说明测试平台本身的价格，而公布的 V4 API 价格上涨是另一个重大未知数。

• “时空可组合性”究竟会成为一份修复清单，还是一句口号。该论文为 DeepSeek 提供了一套严谨的术语，恰好描述了现场报告所暴露的失败；v0.1 状态层能否收敛到这些保证，就是检验标准。

诚实的解读：DeepSeek 给出的最强预发布信号现在已成为真实产品，但仍是带有已知粗糙之处的开发者预览版。今天扎实的是其下的两个模型——DeepSeek V4 Flash 0731 和 DeepSeek V4 Pro，两者都在 OrcaRouter 上以提供商列表价格上线、零加价，并且都可通过一个标准 API 在代理循环中使用。当测试框架成熟时，在不把生产路径押注在 v0.1 上的情况下对其进行评估的方法是路由：将测试框架放在前面进行评测，将相同的模型保留在同一个端点之后，一旦它出现停滞就故障转移到经过验证的组合。这个切换只需改动一行代码。