昨天 DeepSeek 官網悄悄上線了一個新東西:Harness。
不是新模型。是 Agent 編排框架——DeepSeek 自己在生產環境跑 Agent 的工具調度層,現在開源出來了。
Hacker News 上拿了 96 分、27 則評論,登上了首頁。熱度不算爆炸,但對中國大模型公司來說,這是首次在 Agent 編排層做正經的開源嘗試。
下面展開來談。
Harness 是什麼
根據官方定位,Harness 是 DeepSeek 自研的 Agent 編排框架。可以理解成 LangGraph 的「中國版 + 模型綁定」。
幾個關鍵特徵(來自 deepseek.com/en/harness 與倉庫):
- 狀態機驅動的 Agent 流程,不是簡單的 ReAct 迴圈
- 深度綁定 DeepSeek API,尤其是 thinking tokens 的使用
- 提供持久化、檢查點、可觀測性
- 多 Agent 協作模式(規劃者 + 執行者)
這代表什麼?開發者不用自己寫迴圈、調 prompt、管 context window。Harness 把這套基礎設施打包好了。
對用過 LangGraph 的人來說,概念並不新鮮。真正值得看的是它怎麼跟 DeepSeek 自己的模型耦合。
為什麼 DeepSeek 要做這個
模型層已經打到天花板了。
V3 之後是 R1,R1 之後呢?訓練下一代基礎模型的邊際收益正在遞減,而且需要算力、資料、人才指數級的投入。
應用層則不同。Agent 是把模型能力轉化成實際營收的中間件。誰掌握了編排框架,誰就掌握了 Agent 應用的入口。
DeepSeek 選擇做 Harness,我猜有三個原因:
- SaaS 入口。模型 API 同質化嚴重,價格戰遲早會來。Agent 平台是更高附加值的層——開發者被綁住,後續模型、工具、計費都容易做。
- 生態壁壘。LangGraph 是 LangChain 的,綁的是 OpenAI/Anthropic 生態。Harness 綁的是 DeepSeek 自己的 R1/V3。中國開發者用起來更順手。
- 社群敘事。開源編排框架能拉開發者,開發者帶來應用,應用帶來資料,資料反哺模型。這是經典的飛輪。
說穿了,Harness 不是出於開源情懷,而是 DeepSeek 把模型能力變成平台的嘗試。
社群反應:96 分 / 27 則評論說明了什麼
能進 HN 首頁,代表產品本身有吸引力。27 則評論不算多,代表仍在早期。
整理了一下開發者關心的問題,主要有三個:
Q1. 可觀測性做得怎樣?
這是 HN 上被讚最多的留言。LangGraph 一直被詬病 tracing 不夠細,Agent 跑飛了不知道哪一步出錯。Harness 官方說內建了檢查點和 trace,具體細節要等實際用過才知道。
Q2. 多 Agent 協作怎麼做?
留言區有人直接問這個。官方文件提到了「規劃者 + 執行者」模式,但沒有 LangGraph 那種完整的子圖嵌套能力。多 Agent 這塊,目前看是簡化版,不是完整版。
Q3. 綁 DeepSeek API 綁多深?
這是最關鍵的問題。如果完全綁死,生態天花板就低;如果只是預設支援,那 LangGraph 也行。
從程式碼來看,Harness 對 DeepSeek API 的耦合度很高——thinking tokens 的處理、reasoning content 的解析,都是 DeepSeek 特有的。如果想換成 OpenAI 或 Anthropic,需要自己魔改。
與現有框架的差異:LangGraph / CrewAI / Autogen
橫向比較一下。
LangGraph
LangChain 體系,狀態機模型,生態最齊全。優勢是工具多、社群大、文件完善。劣勢是學習曲線陡、對 thinking tokens 的支援一般。
CrewAI
多 Agent 框架,角色扮演模型。上手快,適合做 demo。劣勢是生產環境穩定性一般,持久化能力弱。
Autogen
微軟出品,研究員氣息濃厚。靈活,但抽象層次低,需要自己寫很多程式碼。
Harness
狀態機 + DeepSeek 綁定。差異化我猜有兩點:
- 更積極地使用 thinking tokens。DeepSeek R1 的核心賣點就是 reasoning。LangGraph 用 R1 要自己處理 reasoning_content,Harness 應該是開箱即用。
- 更細的狀態持久化。從倉庫結構看,Harness 對每個 step 的狀態、檢查點、回放做了較深的優化。
代價也很明顯——生態綁定。LangGraph 的優勢是中立,誰都能用。Harness 用 DeepSeek API 最順,換別的模型要寫膠水。
編輯觀點
中國大模型公司開始集體往 Agent 平台層走了。
智譜有 GLM-Agents,阿里也有 Qwen-Agent。DeepSeek 的 Harness 是這個趨勢的最新樣本。跟 LangGraph 的關係不是替代,而是「中國版 + 模型綁定」的本機化答案。
我自己的判斷:Harness 短期不會威脅 LangGraph 的生態位。LangGraph 的優勢是中立性和社群規模,這是 Harness 短期內追不上的。但在中國市場和 DeepSeek 用戶群裡,Harness 會有自己的位置——尤其是做 R1 應用、想用 thinking tokens 又不想自己寫膠水的團隊。
這次跟過去不同的地方:DeepSeek 之前的所有開源都在模型層(V3、R1 的全部權重)。這次是基礎設施層。Harness 不只是一個工具,是 DeepSeek 在模型層之外開闢新戰場的訊號。後面如果 Harness 跑通了,DeepSeek 可能會在工具鏈、評測層繼續鋪——飛輪一旦轉起來,後面的事就快了。
不確定的地方:Harness 的可觀測性到底做到哪一步、多 Agent 模式是否真能跑生產——這些需要實際用一段時間才能下定論。現在下結論還太早。
參考:
- DeepSeek Harness 官網
- Hacker News 討論串(item id: 49929489)