ARTICLE · 人工智能
Agent Harness 进化史，系统了解 DeepSeek Harness
一语总结本文梳理了 Agent Harness 从 LLM+外壳到 DeepSeek 的一切皆插件的演进路径，并解释其对企业 AI 落地的关键作用。
文章从企业 AI PoC 卡住的现状入手，指出模型只是发动机，Harness 才是决定 Agent 能否真正干活的底盘与安全系统。随后追溯 Harness 的三次行业觉醒：AutoGPT 热潮暴露执行不可靠性、AI 编程助手大战推动工程化、评测体系倒逼 Harness 成为独立学科。接着从架构范式、开放程度和典型项目角度对 Harness 进行分类，重点解析 DeepSeek Harness（DSH）的“一切皆插件”理念、Cordis 插件体架构及其多模型支持、热插拔和企业定制能力。最后从企业决策角度提出五个评估 Harness 的实用问题，强调 Harness 工程质量才是 AI 投资回报率的关键，模型红利期收窄而工程层红利期才刚刚打开。
- Agent = LLM + Harness，模型仅决定上限，Harness 决定能否达到并稳定发挥。
文章通过发动机与底盘的类比说明，即使模型能力强，若缺乏工具调用、上下文管理、记忆、执行环境、规划反思和安全护栏等 Harness 模块，Agent 在实际任务中仍会失控或无法落地。
- Harness 的演进经历三次觉醒：AutoGPT 暴露执行不可靠性、AI 编程助手推动工程化、评测体系倒逼 Harness 成为独立学科。
第一次觉醒让行业认识到 LLM 推理与执行可靠性分离；第二次觉醒在代码场景中将 Harness 从隐性基础设施提升为显性工程学科；第三次觉醒通过大规模失败案例推动基于 Eval 的持续迭代，使 Harness 竞争重心从模型能力转向工程质量。
- DeepSeek Harness 采用‘一切皆插件’架构，基于 Cordis 框架实现热插拔、多模型支持和企业级定制。
DSH 将工具、记忆、执行环境、沙箱、调度逻辑乃至 Agent 循环本身统一抽象为可插拔的 Cordis 插件，支持热插拔无残留状态，兼容 DeepSeek、Claude、OpenAI 及自有模型，极大降低企业接入自有系统的成本。
- 企业评估 Harness 应关注插件扩展成本、上下文与记忆透明度、模型解耦程度、安全合规可配置性以及系统化可观测性五个维度。
这些问题比单纯比较模型参数更能反映 Agent 方案的真实生产可用性，帮助企业避免仅看模型跑分而忽视 Harness 工程质量导致的投资浪费。
Agent Harness 进化史，系统了解 DeepSeek Harness
文章从企业 AI PoC 卡住的现状入手，指出模型只是发动机，Harness 才是决定 Agent 能否真正干活的底盘与安全系统。随后追溯 Harness 的三次行业觉醒：AutoGPT 热潮暴露执行不可靠性、AI 编程助手大战推动工程化、评测体系倒逼 Harness 成为独立学科。接着从架构范式、开放程度和典型项目角度对 Harness 进行分类，重点解析 DeepSeek Harness（DSH）的“一切皆插件”理念、Cordis 插件体架构及其多模型支持、热插拔和企业定制能力。最后从企业决策角度提出五个评估 Harness 的实用问题，强调 Harness 工程质量才是 AI 投资回报率的关键，模型红利期收窄而工程层红利期才刚刚打开。
文章金句
"模型只是发动机，Harness 才是那套让发动机跑在正确赛道上、不至于翻车的底盘、传动系统和安全带。
"你的 AI Agent 表现里，70% 的效果其实活在模型之外的 Harness 里。
"Agent = LLM + Harness