DeepSeek Harness 是自进化 Agent 的基石

1.DeepSeek Harness（DSH）发布的是一套可以热重载的 harness ，并且设计成适合 coding agent 自己去修改、进化的形态。这个发布思路很有野心，没有在白领工作/coding agent 这些方向去和 Claude Code/Codex/Workbuddy 竞争产品，而是延续了他们一以贯之的思路：开源、infra 化。

•开源是把 harness 每一层都拆开开放出来，允许社区开发者一起接受优化

•Infra 化的发布形式提高了使用门槛，避免出现像 Openclaw 那种项目复杂度膨胀太快，最终无法维护的情况。

2.我们可以从三个层面理解 DSH 这次发布：

•第一层是可直接使用的 coding agent，以本地 Web UI 为主要快速入口。这个交互形态的选择能看出开发者 preview 的目的，没有去做完整的桌面端/ TUI。使用起来和 ds 模型适配度很高，能感觉到同一个任务 ds 模型在 dsh 中和比直接用裸模型/其他 harness 更强。

•第二层是 everything-is-a-plugin 的 harness 构造框架。这里面的核心能力都可以自定义，包括其他 agent 中最核心的 agent loop。

•第三层是 Cordis 是一套底层的 meta-framework，能够让插件真正做到热重载、自由组合，以及彻底的遗忘和删除。

3.DSH 的 Cordis plugin 不好直接去类比 MCP/Skills。它更像是 Claude Code 的 hooks、MCP、subagents 和内部核心 loop 全部统一了成一种插件机制。Cordis 解决的是动态组合问题，让组件能在依赖出现/消失时重组，并在卸载时撤回由 context 管理的副作用。注重可组合性和生态扩展性，这让 DSH 有点像早期的 Unix，拥有了类似 OS 的高潜力上限。

4.这次发布的 coding agent 有四个模式，其中 Creator 模式值得关注。它的形式比较像一个交互式 Agent Foundry：允许开发者指导 agent 检查当前 runtime 试验插件，并创作新的 Agent preset 形式。虽然还不是自进化系统，但可以收集 agent 用来学习自进化的数据。 官方同时明确鼓励社区创建与分发第三方插件，因此 Creator mode 也可能成为其插件生态的创作入口。

5.DSH 更长期的目标用户，很可能会为 To Developer 走向 To Agent。它把 harness 做成了对 agent 可以修改、热重载的对象，并不是为了服务现在的 coding agent 需求，而是服务未来下一代的自进化和持续学习框架。有了 DSH 之后，我们愈发能想象下一代 agent 会在 long horizon task 中，一边执行任务，一边更换支撑自身运行的部件，就像一艘持续航行的忒修斯之船。

6.Anthropic Claude Code 与 Deepseek DSH 代表了两种不同的 Harness 研究重点：

•Anthropic 是为了在当前范式下做出一个最好的 agent 产品，目标是最有效、简单，同时最大化模型能力边界的 harness。Deepseek 是在押注下一个范式，因此直接把替换、组合和撤销 harness component 作为首要的假设来进行设计。

•Claude Code 希望做成做端到端的垂直整合产品，来给自己 API 依赖的商业模式增加用户粘性；而 DSH 则是目标完全开放给开发者的。

•因此可以认为 Anthropic/OpenAI 和 deepseek 在研究两个不同的问题：

1）A/O 研究的是 Harness 本身的能力：已有 SOTA 模型应该如何设计 harness 架构，比如 agent loop、subagent 架构来让 harness 表现得最好？

2）Deepseek 在研究的是 Harness 的可塑性：harness 是流动的，一直会被模型内化和重写，那么最重要的就是如何最有效的修改、替换、撤销 harness 中的组件变化？这个问题更接近于 meta harness。

7.DSH 已经提供了 agent runtime self-modification 的底座，但距离真正的 self-evolve 缺少一个完整的学习闭环，需要 有 Learning Loop 来学习并提出修改、Eval 评估修改的有效性。因此当前其实是 Harness-level RSI 的第一步，自身拆成可定位、可替换的组件。

从产品表面看，DeepSeek Harness（DSH）是一个带本地 Web UI 的 Coding Agent。

官方设置了四个模式，也允许开发者去贡献配置更多模式：

•80% 的任务用标准模式：能力完整、行为可预测，也最容易排错。

•PTC / Code 模式适合工具调用密集的任务：模型不再逐个调用工具，而是先生成一段 TypeScript，再通过run_code调用多个工具。批量分析、跨文件检索、重复操作时收益最大；任务简单时反而可能增加调试成本。

•极简模式是实验室环境：它只保留 Bash 和编辑器，许多便利能力都没有。它的价值在于控制变量：帮助研究者区分能力来自模型本身，还是来自 Harness 的帮助。

•创造模式的核心用途是“造 Agent”：这个模式值得关注，它保留了标准模式的能力，同时允许 Agent 检查 Cordis Runtime、实验新的 Plugin，并编写新的 Preset。创造模式具有更高权限，更适合 Harness 开发和隔离实验。

我们可以把这次发布分为三层去拆解：

1.Coding agent

DSH 没有把 Terminal-first TUI 或桌面端作为主要产品形态，而是选择了更像开发者 Demo 的本地 Web UI。标准模式已经包含真实编程工作需要的主要能力，包括执行命令、修改和搜索文件、调用 Skills、维护计划与目标、启动子代理，以及运行工作流。系统还提供 Context Compaction、会话持久化、Sandbox 和权限审批。

2.Harness construction framework

DSH 不只允许开发者“增加一个 Tool”。Model Adapter、Tool Registry、Sandbox Policy、Subagent Backend，甚至默认 Agent Loop，都可以由 Cordis Plugin 提供。这些组件通过 ctx.llm、ctx.tools、ctx.sandbox、ctx.agentLoop 等稳定的 Service Key 协作，而不是直接 Import 某个具体实现。开发者因此可以替换一个能力的 Provider，同时尽量保持其他组件不变。

3.Cordis meta-framework

Cordis 进一步解决的是：这些组件怎样加入、删除和重新组合，能够不把正在运行的系统破坏掉。

多数 Agent 插件系统主要关心怎样增加功能：安装更多 Tool、Skill 和 MCP。但组件不断增加后，系统也会积累更多 Tool Schema 和依赖关系。模型需要在更多能力之间进行选择，很多人在 Claude Code 中遇到过 Skills 过多后反而效果变差的情况。

这里可以把这种现象理解为一种工程上的“熵增”：系统不断增加能力，却缺少对应的删除和重组机制。这个问题与 Continual Learning 中“记忆与遗忘”的关系有一定相似性。这也是 Cordis 论文 A Programming Paradigm for Spatiotemporal Composability 讨论的核心问题。论文把插件的动态组合拆成两个相互独立的维度来解决。

因此从产品气质看，当前的 DSH 更接近早期 Unix：默认体验比较粗糙，但底层结构更开放，也允许开发者深入修改。Claude Code 和 Codex 就更像整合度很高的 Windows。

当然这种开放也需要有更长期主义的耐心。“一切可替换”只有在存在足够多、足够稳定的替代组件时才有价值。DSH 当前的 Plugin 生态和状态管理仍处于早期阶段，理解和修改整个项目的门槛也很高，短期内很难直接和 Claude Code、Codex 产生替代关系。

如果我们用一个简单的框架理解 Agent：

•Agent = Model + Harness

•Harness = orchestration + context/memory/state + permissions + tools/sandbox/recovery

我们可以发现，Anthropic 与 DeepSeek 的差异并不只是组件设计不同，而是二者在优化不同的目标：

Anthropic Claude Code： 不断试验，优化 Agent 行为

我们阅读 Anthropic 关于 Agent Harness 的技术文章，会发现他们的 Long-horizon Agent 研究通常从 SOTA 模型的能力边界和失败模式出发，再去设计和验证相应的 Harness 机制。例如：

•通过 initializer agent、coding agent 和跨 Session 的 Artifact Handoff，解决长任务中的状态丢失；

•通过 planner、generator 和 evaluator 分工，解决任务规划不足和模型自我评价偏高的问题；

•通过 Context Reset 与 Compaction，缓解 Context 污染和长任务中的连贯性下降；

•通过任务分解、测试反馈和 Scalable Evaluator，控制执行范围，并让每一步都可以被自动验收；

•随着模型能力提升，通过 Ablation 删除不再必要的 Scaffolding。

Boris Cherny 的 YC 访谈中提到，Opus 5 发布后，Claude Code 删除了超过 80% 的 System Prompt。每当新模型发布，团队都会以清空 System Prompt 的 Ablation 作为实验基线，重新运行真实任务；只有当模型反复出现同一种失败时，才逐行加回必要指令。他们也会持续调整 Tool Set，并删除不再提供能力增益的 Harness Code。

Anthropic 的方法很像实证科学。团队先观察当前模型在真实任务中的能力边界，再针对反复出现的失败设计 Harness。每个 Harness Component 都对应一个关于“模型当前无法独立完成什么”的假设；模型进步后，这些假设可能过期，因此需要通过 Eval 和 Ablation 重新验证优化。

DSH：从可变性出发，打造万物可插拔的 Harness

对比以上 Anthropic 的实证研究思路，DSH更像从理论研究的视角想去第一性的解决一个目标问题，也就是Harness 能否被低成本地修改的问题，最终是在设计一个能够持续修改迭代 Harness 的Meta Harness，应该：

•替换一个 harness component

•撤销旧 component 的副作用

•出现修改时重新解析依赖

•让不同 session 使用不同 composition

•让 agent 检查和编写新的 preset/plugin

因此 Anthropic 优化的是当下时间点的最佳结果，DSH 优化的是未来持续探索不同结果的能力。这让我们觉得 Deepseek 更像是想制造一套 Harness Evolution 的操作系统，而不是直接给出一套固定的最佳 Harness。

DSH 当前的产品形态更像开发者预览版，而不是面向普通用户的成熟 Coding Agent。它没有优先打磨 Terminal UI、桌面端和开箱即用的工作流，而是把主要精力放在一个可以被深度修改的 Runtime 上。

对普通用户来说，产品体验是比较粗糙的，不如 Claude Code 或 Codex 好用；但对 Agent Developer 来说，这意味着系统的大部分结构都可以重新组合。开发者可以在 DSH 上替换 Memory、Tool、Sandbox、权限策略和 UI，甚至更换 Agent Loop。最终做出来的产品可能完全看不出原始 DSH 的形态。因此，DSH 短期内更像一个 Agent 开发底座：它不直接交付唯一的最佳产品，而是让开发者基于同一个内核创造不同的 Agent。

它更长期的想象空间，是让 Agent 逐渐成为 Harness 的使用者和修改者。Agent 要改进自己的 Harness，首先必须看懂自己运行在什么系统里。把 Harness 拆成命名清晰、依赖明确的 Component，相当于为 Agent 提供了一张系统地图：它可以定位问题，找到相关组件，再提出局部修改。

这也是插件化的真正意义。它不仅方便开发者扩展功能，也把原本开放式的软件修改，变成了一组边界更明确的操作。Agent 不需要重写整个系统，而是可以尝试替换任何一个组件。如果实验失败，系统还可以卸载插件并恢复原来的组合。自我修改因此从一次高风险的整体重写，变成一系列可以测试和回滚的局部实验。

其中的 Creator Mode 像是连接开发者与 Agent 的过渡形态。今天是开发者指导 Agent 创建新的 Plugin；这些过程未来可能变成训练数据，让模型学习如何设计和改进自己的 Harness。让 Agent 真正成为 Harness 的用户：它不仅调用 Harness 提供的工具，也开始操作 Harness 本身。

未来，人类与 Agent 的分工可能发生变化。开发者不再直接决定每个 Session 使用哪些 Tool，而是负责定义允许修改的范围、可靠的 Eval，以及安全边界。Agent 则在这些边界内不断尝试更适合当前任务的 Harness。

在 DSH 中，插件是一个可以独立安装、替换和撤销的 Harness 组件。它可以小到一个主题或工具，也可以深入到 Memory、Model Adapter、Sandbox，甚至 Agent Loop。只要遵循 DSH 的统一接口，一个 Harness 组件就可以被封装成插件。

MCP、Skills、Hooks 和 Subagent 定义了某些具体能力或使用方式，DSH 插件则定义了这些能力如何接入整个 Harness。一个插件既可以封装 MCP 或 Skill，也可以包含一套完整的软件模块，改变 Agent 的运行方式。

DSH 通过完全开源的方式拥抱社区。DSH 内核负责维持接口、依赖关系和插件生命周期，社区则在外围快速创新。这样既能避免大量 Pull Request 直接进入核心仓库，也能降低维护不同社区方案的成本。

这种架构很快带来了生态增长。截至 8 月 19 日，GitHub 的 dsh-plugin Topic 聚合了约 7,700 个仓库。经过社区筛选的 awesome-dsh-plugin 已经收录约 1,500 个可通过 dsh plugin add 安装的插件，并获得约 9,200 Stars、1,350 Forks，仓库累计超过 1,800 次提交。

从分类看，目前最集中的方向主要有两类。一类是在补充产品体验，例如 Web UI、桌面端、状态监控和交互组件；另一类是在接入外部 Agent 能力，例如长期记忆、Browser、Vision、Sandbox 和 Workflow。这意味着 DSH 正在成为外部 Agent Infra 接入用户 Runtime 的适配层。对于 Agent Infra 创业者，短期可以借助 DSH 获得分发和用户反馈；长期则要面对接口变化、平台依赖，以及同类插件快速竞争的风险。

围绕插件的分发基础设施也开始形成，比如 dsh-market 提供插件搜索、安装和升级，dsh-find-plugin 则允许 Agent 在对话中主动寻找插件。社区不只在开发插件，也开始建设插件发现、安装和管理的完整链路。

从这个角度看，DSH 的插件生态不只是一个应用商店，而是一个开放的 Harness 搜索空间。不同开发者可以并行尝试不同的 Memory、Tool、Workflow 和 Agent Loop。更长期的目标，则是让 Agent 自己读取、编写、测试和选择插件，通过改变 Harness 来改善自身行为。

难点 1: 保持系统自身的稳定性

在 Agent 修改自身配置时，一个经典的痛点是如何保持自身稳定，避免 Agent 在修改配置、工具或核心代码时破坏自己的运行环境。这类风险已经出现在 Hermes、OpenClaw 等允许 Agent 修改自身配置的系统中。

更复杂的 Self-Evolution 不能依赖“修改完成后重启”。它需要支持系统一边运行，一边替换支撑自身运行的组件。这就是Cordis 想核心实现的热重载：不关闭整个进程，也不重启完整的 Agent，而是在 Runtime 中卸载旧组件、清理它留下的状态，再加载新的实现。

DSH 这套插件机制的价值，不只是“方便替换组件”，而是把一次危险的全局修改缩小成有边界的 Component Mutation。Agent 可以复制当前状态，在隔离的 Context 或 Sandbox 中修改一个 Plugin，通过热重载加载候选版本，再决定采用还是撤销。

Cordis 将不同的 Harness 能力组织成具有统一生命周期的 Plugin。每个 Plugin 注册的 Service、Tool 和 Event Listener，都会被记录为该 Plugin 拥有的 Effect。当 Plugin 被卸载时，这些受 Cordis 管理的 Effect 会随之撤销。它还会持续跟踪组件之间的依赖关系。如果一个 Service 被卸载，依赖它的 Plugin 会暂时退出运行，避免继续使用失效的引用。新的 Service 加载完成后，这些依赖组件再基于新实现重新启动。

这可以被理解为类比为数据库中的 Transactional Harness Mutation。一次 Harness 修改像数据库事务，更好的状态管理，使 Agent 能够在不摧毁自身的情况下进行更多 Harness-level RSI 实验。目前 Cordis 距离稳定的自我修改系统，还需要一套更完整的状态管理。

难点 2: 持续可靠的 eval

Harness 能生成修改不等于自我改进。只有系统能够判断哪些修改真的更好，并把它们保留下来，Self-Mutation 才会变成 Self-Improvement。

从工程实现上来说，如果一个问题能够被低成本、稳定地评价，解决问题就可以被转化为搜索和优化。系统不断生成候选方案，运行 Eval，保留更好的版本，再进入下一轮迭代。测试充分的代码任务、Kernel 优化和棋类游戏之所以容易形成自动改进闭环，就是因为结果相对容易验证。

DSH 的 Creator Mode 可能是一个重要的数据入口。Create Agent 可以检查当前 Runtime，复制已有 Preset，修改 Cordis Composition，并生成一个可以被其他 Session 加载的新 Agent。这个过程可以产生 Harness Patch、修改理由和人工反馈，为未来构建 Eval Suite 提供原始材料。

但创作轨迹本身还不是可靠的 Eval。开发者接受一个 Preset，不代表它在其他任务上也更好。系统还需要记录新旧版本的对照结果，并通过 Held-out Tasks、Regression Test 和 Canary Deployment 检查改进能否迁移、是否带来能力退化。Create Mode 解决了一部分候选生成和数据积累问题，但距离持续可靠的 Eval System 仍然很远。

真正的 Self-Evolving Harness 需要一套完整的 Learning Loop

目前 Cordis 解决的主要仍是 “Harness 能否被更可控地调整”。它不知道为什么应该替换 Agent Loop，也不能判断新 Loop 是否真正提高了整体能力。它提供了运行和管理候选方案的底座，却没有完成问题诊断和效果的自动化评估。

但这是一个很好的开始。Cordis 先解决了“系统能不能在不破坏自身的情况下修改 Harness”，让更多 Harness-level RSI 实验成为可能。下一步，才是让系统从这些实验中持续学习，并把有效的修改保留下来。

RSI 是AI 能否越来越擅长改进自己。核心是递归反馈：上一轮改进不仅提高了任务表现，也提高了系统下一轮发现问题、设计实验和产生改进的能力。其中又可以定义为两类：

•一类是模型开发过程中的迭代 Model-level RSI。随着 Compute 和模型能力提高，交付下一单位智能所需要的 Researcher 数量是否持续下降。

•另一类是 Agent 在工作中是否能够持续变好 Harness-level RSI。随着一个 long horizon task 任务执行深度增加，是否能够更好地改进自身来完成任务。DSH 在解决的就是这类问题。

可以作为一个现实的观察指标。今天的 Coding Agent 已经能够承担代码实现、实验执行和结果分析等工作，Researcher 则逐渐转向选择方向、定义 Objective 和判断结果。我们正在看到 Research Automation 向初级 RSI 过渡：模型开始进入生产下一代模型和系统的流程，但整个改进方向仍然主要由人决定。

RSI 也不一定从模型直接修改自己的 Weights 开始。Lilian Weng 认为，一条更现实的近期路径，是先把模型外部的 Harness 变成优化对象。优化范围会从 Prompt 和 Structured Context，逐渐扩展到 Workflow、Harness Code，最终可能进入负责优化 Harness 的 Optimizer Code。此时，系统改进的不再只是一次任务的答案，而是“如何获得更好答案的方法”。

放到 Harness 层面，RSI 也不只是让 Agent 为自己写一个新 Tool。它需要形成一个完整过程：Agent 从任务轨迹中发现稳定的失败模式，判断问题来自 Memory、Tool、Context Management 还是 Agent Loop，提出新的 Harness 方案，再通过独立 Eval 判断新方案是否真的更好。验证有效的方案被保留，并成为下一轮任务和改进实验的起点。

这有点像一艘持续航行的忒修斯之船。Agent 一边执行任务，一边更换支撑自身运行的部件。但真正重要的是每次更换之后，它是否能航行更快，也更好判断下一次应该更换什么。

这里首先需要解决的是 Harness 的可理解性。Harness 的组件彼此依赖，修改一个部分会牵一发动全身。Agent 如果不知道系统由哪些部分组成，也不知道一次失败对应哪个组件，就很难安全地改进自己。Harness 内部还存在复杂依赖，一次 Agent Loop 的变化可能同时影响 Tool、Prompt 和 Context State。

DSH 解决这个问题的方式是插件化和热重载。它通过 Cordis 把 Harness 组织成边界相对明确的 Component，使 Agent 能够查看系统结构，定位相关能力，并尝试调整 Memory、Tool、Workflow 或 Agent Loop。Plugin 不只是扩展功能的接口，也让原本隐藏在 Runtime 内部的 Harness 变成一个显式的优化空间。

如果未来 Agent 能继续优化这套选择机制，让 Agent 修改进一步提高了 Agent 诊断失败、提出方案和设计 Eval 的能力，使后一轮改进比前一轮更有效，就能走向真正的Harness-level RSI。关于更广范围的 RSI 与持续学习，我们后续还会发布研究，继续分享对新范式的理解。

延伸阅读

⁠

Claude Tag 可能是一个 10x Claude Code 级别的产品

›

⁠

无法蒸馏的美国市场，谁在分食 Frontier Labs 百亿美金数据预算？

›

⁠

Agent Infra 赛道更新，一年后为 Agent 设计的基建发展如何？

›

⁠

当 Agent 成为 coworker：如何为新物种设计身份系统？

›

⁠

真实工作流，正在成为下一代训练数据

›