一、从"拼参数"到"拼 Harness"：为什么是现在？

过去两年的 AI 热潮，叙事重心几乎全在模型本身——参数量、上下文长度、基准测试分数、价格战。但一个越来越明显的瓶颈是：再聪明的模型，如果只能"动嘴不动手"，在企业场景中的价值就封顶了。

所谓"动手"，指的是：

• 自主拉取代码仓库、定位 Bug、修改并提交 PR；
• 在多步骤工作流中保持状态、跨工具协调；
• 连续运行数小时甚至数天而不丢失上下文；
• 在企业内网或本地设备上完成全部推理，不把代码和数据上传云端。

这些能力不取决于模型有多聪明，而取决于围绕模型搭建的那套调度、记忆、沙箱、插件编排系统——也就是 DeepSeek 官方招聘页上写的 Harness。

二、DeepSeek Harness v0.1：一切皆插件的 Agent 运行时

核心设计

DeepSeek 于 8 月 13 日晚正式推出 Harness v0.1 开发者预览版，同步以 MIT 协议在 GitHub 开源。团队负责人为崔添翼（前 Jane Street 九年量化交易经验，2026 年 3 月加入 DeepSeek）。

官方给出的核心公式简洁有力：

Model + Harness = Agent

• Model（模型）：负责推理与决策；
• Harness（缰具/工程层）：负责将决策转化为可落地的操作——改代码、跑测试、联网搜索、调用外部 API、管理会话状态等。

图 1：示意图 —— DeepSeek Harness 的"一切皆插件"分层架构（非真实界面截图）。基础模型可热插拔替换；Harness 层的全部能力（模型接入、工具调用、技能、记忆、沙箱、调度、UI 等）均为独立插件；最终输出为可自主执行任务的智能体。

关键特性

根据 ZOL 中关村在线、DoNews 快讯、极客公园等多家媒体的公开报道，Harness v0.1 具备以下特征：

特性	说明
元框架	基于 Cordis 插件元框架构建
插件化	模型、工具、技能、会话、沙箱、存储、循环、UI 全部以标准 Cordis 插件实现
配置驱动	仅需修改配置文件即可增删模块、定制能力，无需改动源码
四种运行模式	标准（全功能）、PTC 程序化工具调用、极简（仅 Shell+文件编辑，用于基准测试）、创造（实时调试/动态定义新行为）
启动方式	本地 Node.js 环境，npx 一键启动 Web 交互界面
原生支持	DeepSeek V4 Pro 与 V4 Flash

为什么选 MIT 协议？

MIT 协议意味着企业可以自由商用、修改、闭源分发自己的衍生产品。这对希望私有化部署 Agent 工作流但又不想被 GPL 类协议约束的团队是一个重要信号。

三、同一天的另外两件事：同一拐点的不同切面

如果说 DeepSeek Harness 解决的是"怎么搭一个通用的 Agent 运行时"，那么同日发布的另外两个项目则分别瞄准了两个更具体的痛点。

图 2：开源 Agent 框架时间线（2026-08）。基于公开报道整理，截至 2026-08-14。蓝色/绿色/橙色标记为开源/开放权重事件，灰色为同期闭源背景事件。

Arcee NAC：解决"上下文腐烂"的长周期 Agent

Arcee AI 于 8 月 14 日宣布开源 NAC（Apache 2.0 协议）。这个框架自 2024 年 4 月起就是 Arcee 内部研究团队的日常工具，在过去三个月中已接管大量核心代码提交（覆盖预训练、后训练、数据流等环节）。

NAC 的核心设计目标是解决传统 Agent 处理长周期任务时的"上下文腐烂"问题——即随着任务时间拉长，早期信息逐渐被遗忘或扭曲。它主打轻量化和灵活性，既可以独立运行，也可以作为抽象层被 OpenAI Codex 或 Claude Code 调用。

Meta Muse Glimmer：30B 参数的本地 Agent 模型

Meta 几乎同时发布了 Muse Glimmer——一款 300 亿参数的开放权重模型，专为在本地硬件上运行 Agent 工作流设计。

关键技术路径：

• 以更大的 Muse Spark 为教师模型，通过 logit 蒸馏进行预训练；
• 后续经过长上下文训练（强化智能体能力与推理链路）、SFT、RL 和在线蒸馏；
• 支持 131,000+ token 上下文窗口，接受文本+图像输入，支持函数调用与故障恢复；
• 可在配备单块消费级 GPU 的 Mac 或 PC 上运行。

Meta 将 Glimmer 定位为"常驻运行"的本地智能体——常规任务在设备端处理，复杂任务交给云端大模型。这展示了一条完整的端到端流程：云端大模型训练 → 蒸馏为小模型 → 靠近用户部署为本地 Agent。

四、事实对照表：三款方案的核心属性

以下对照表汇总了三个项目的公开属性。所有信息均来自各厂商公告或权威媒体转述，细节以官方文档为准。

图 3：三款开源 / 开放权重 Agent 方案对照表（属性来自公开报道，非排名、非评测结论）。

三者共同点：都在尝试把"模型能力"与"执行工程"解耦，让 Agent 从 demo 级演示走向可私有化、可长时运行的生产系统。

五、对开发者意味着什么：如何快速上手

如果你想在本地体验 DeepSeek Harness，最简路径如下（基于官方文档与媒体报道整理）：

# 1. 确保 Node.js 环境（v18+）
node --version
2. 通过 npx 启动 Harness WebUI（无需全局安装）
npx deepseek-harness@latest
3. 浏览器打开交互界面，选择运行模式
- 标准模式：完整功能，适合首次体验
- 极简模式：仅 Shell + 文件编辑，适合基准测试

对于 Arcee NAC，可直接克隆 GitHub 仓库（Apache 2.0 协议）：

git clone https://github.com/arcee-ai/nac.git
cd nac
npm install
npm run dev

Meta Muse Glimmer 的权重已上传至 Hugging Face，可通过 Transformers 或类似推理框架加载：

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("meta/Muse-Glimmer-30B")
tokenizer = AutoTokenizer.from_pretrained("meta/Muse-Glimmer-30B")

注意：以上命令中的包名、仓库地址和模型 ID 来自媒体转述，可能与官方最终名称有出入。实际使用前请以各项目 GitHub/HF 页面为准。

六、局限与待核实事项

本文基于截至 2026-08-14 14:00 的公开报道撰写，存在以下已知局限：

1. 部分数据口径冲突：DeepSeek V4 Pro 的调价幅度在不同媒体中说法不一——日经亚洲报道为每小时 15 美元定价；每日经济新闻称高峰输出价较现价上涨约 350%、缓存命中价涨至 12 倍；21 世纪经济报道称调价后高峰输出价为现价 4.5 倍。以 DeepSeek 官方 API 价格页面为准。
2. 评测榜单矛盾：DeepSeek 内部测评称 V4 Pro 多项指标接近或超越 Claude Fable 5，但第三方报道引用的"智能指数"显示 V4 Pro 为 53 分、低于 Fable 5 的 62 分。不同榜单的评分体系不同，不应直接横向比较。
3. 社区热度数据待确认：关于 Harness 在 Hacker News 冲上 TOP 1、GitHub 首日斩获 2.8 万 Star 的说法，目前仅见于 ai-indeed.com 单一来源。建议以 GitHub 实际 Star 数和 HN 排行验证。
4. Gemini 3.7 Flash 作为背景参照：文中提及 Google 于 8 月 13 日发布 Gemini 3.7 Flash（距上代仅三周），强调 Coding 与 Agent 能力、API 降价 50%、FrontierCode 得分 43.6%（超过 Claude Sonnet 5）等信息来自 InfoQ 与 communeify 转述，未直接查阅 Google 官方技术报告。
5. 命令示例中的标识符：deepseek-harness@latest npm 包名、meta/Muse-Glimmer-30B HF 模型 ID 为推测性写法，需替换为官方 exact 名称。