DeepSeek Harness 背后，梁文锋的野心

文 | 登顶可选

一直靠低价出圈的 DeepSeek，API 终于官宣大幅涨价了。

V4-Pro 每百万输出 token，高峰价格从 0.87 美元涨到 3.96 美元，涨幅约 355%；V4-Flash 从 0.28 美元涨到 1.32 美元，涨幅约 371%。

这是 DeepSeek 第一次大幅提价，也是第一次采用峰谷定价——低谷价格只有高峰的一半。

与此同时，V4-Pro 正式版上线，模型测评中反复提及 Agent 能力。而更早发布的 V4-Flash，在官方 Code Agent 测试中已经用上了当时还未公开的 DeepSeek Harness Minimal Mode。

随后 Harness 在 GitHub 开源，迅速刷屏开发者社区。截至 8 月 18 日，项目已获得约 15.2 万 Star。

GitHub 15.2 万 Star

Harness 给开发者留出了相当大的自由度：不要求使用 DeepSeek 模型，OpenAI、Anthropic 都可以接，企业内部的模型网关、自建模型服务也能通过自定义接口加入。Codex 和 Claude Code 甚至可以直接作为 Sub-Agent 参与任务。

模型能力变强以后涨价，很容易理解。但 Harness 当前没有直接收费口，甚至主动给竞争对手留下入口。

DeepSeek 最值钱的资产依然是模型，API 又是最重要的收费渠道。现在它自己修了一条路，竞争对手的车也能自由出入。

这笔账到底怎么算？

01 DeepSeek 究竟做了什么事

我们先来了解 Harness 是什么，为什么一套 Agent“组装底座”能在几天内吸引十几万开发者关注。

我们最熟悉的 ChatGPT、DeepSeek、豆包，早期核心形态都属于 Chat AI。用户问一句，模型思考并生成答案；接下来再问，再回答。AI 主要负责提供信息和建议，还不能独立替用户执行任务。

后来模型这个“大脑”开始接上 Tool Calling 这样的“手脚”。AI 可以搜索网页、调用软件、读写文件、执行代码，从回答问题进一步走向完成任务。

做 PPT、整理 Excel、调研公司、修改代码，都开始进入 Agent 的工作范围。

DeepSeek官方公布的V4-Pro Agent 能力

但任务一旦变长，又出现新的问题。

现在做到哪一步，下一步调用什么工具，失败后怎么继续，什么时候结束，都需要一套运行机制。Agent 拿到中间结果以后，还要重新判断当前方向，发现问题再调整，让长任务不至于一路跑偏。

Harness 管的就是这套持续执行机制。

DeepSeek 官方给出的公式是：Agent = Model + Harness

一次任务里，AI 会反复经历：看资料 → 做决定 → 调用工具 → 拿结果 → 重新判断。

比如让 Agent 调研一家公司，它会自己搜索资料、打开网页、整理数据。发现材料不够，再回去搜；拿到新资料重新判断，然后继续执行。在这个过程中，Harness 持续保留任务状态和上下文，让 Agent 能围绕最初目标继续工作。

模型负责理解和推理，Harness 提供工作环境、工具和持续执行任务的机制。

可以把 Agent 想成一个生产车间。模型像工人的大脑，工人再聪明，也需要知道资料在哪、有什么工具可以用、任务进行到了哪一步；工作失败怎么重来，复杂任务怎么分给其他 Agent，凌晨两点的任务要不要自动执行，也需要有人管理。

Harness 负责管理“工人”的操作环境和车间运行规则。

DeepSeek 又把这间车间拆得很细，官方发布的 Slogan 叫：Everything is a Plugin，一切皆插件。

Deepseek Harness 官方 Banner

模型、工具、Skill、Session、Sandbox、Agent Loop、定时任务，甚至 UI 都可以替换和重新组合。开发者不用修改 Harness 本身，就可以根据自己的需求搭出不同的 Agent。

DeepSeek Harness 给开发者的，是一套组装 Agent、让 Agent 持续工作的底座。

02 Harness 到底厉害在哪

Harness 并不是 DeepSeek 发明的新技术。

OpenAI 有 Agents SDK，Codex 本身已经是一套完整的 Coding Agent；Anthropic 有 Claude Code，也通过 Agent SDK 把大量能力交给开发者。

DeepSeek Harness 和两家公司的差异，更多体现在产品的起点。

Harness 产品位置

OpenAI、Anthropic 已经做出了相对完整的 Agent 产品。开发者可以继续加入工具、Skill、MCP、Sub-Agent，调整大量工作方式，但产品本身已经拥有清晰的默认形态。

DeepSeek Harness 的位置更靠下，更接近 Agent 的组装层。

模型、工具、工作方式和执行流程被拆成大量可替换模块，就像一堆“原材料”可以自由组合替换。开发者拿到的成品更少，组合空间更大。

差异最后落在最终产品的定义权上。

DeepSeek Harness 连最基础的模型都没有锁死。Anthropic、OpenAI 都是现成选项；不同企业内部的模型网关、自建模型服务，也可以通过自定义 Provider 接进来。

“一切皆插件”，搭积木一样的开发模式给了用户最大的自由，也把产品定义权留给了用户自己。

03 Harness 把开放生态又往前推了一层

过去几年，大模型开源主要发生在模型层。

模型权重开放以后，开发者可以把这个“大脑”拿走，在自己的服务器上部署、微调，再开发新的产品。

Agent 出现以后，模型变成整套系统的一部分。工具怎么连接，Skill 怎么调用，任务怎么循环，几个 Agent 如何协作，运行环境怎么管理，共同塑造了 Agent 最终的功能。

Harness 把 Agent 生态也开放了。

模型开源，DeepSeek 放出去的是能力；Harness 开源，DeepSeek 放出去的是一部分产品定义权。

Deepseek Harness 的生态组合

开发者可以决定用谁的模型、接什么工具、任务怎么执行、几个 Agent 怎么配合，甚至连 Agent 自己的 Loop 都可以替换。

其中还有一层很容易被忽略，Harness 降低了更换模型的成本。

今天可以用 DeepSeek，明天可以换 Claude；一个任务用 OpenAI，另一个任务调用企业内部的模型服务。开发者不需要因为更换模型，重新搭一套新 Agent。

传统软件平台很喜欢制造这种切换成本。一旦用户的业务、数据、工具都围绕自己的产品建立起来，离开的代价越来越高。

DeepSeek 在模型这一层主动把锁定削弱了。与此同时，另一种可能性也许正在慢慢发芽。

一个团队在 Harness 上逐渐积累插件、Skill、工作流、任务规则和 Agent 组合以后，即使底层模型不断更换，这套运行体系依然可以保留下来。使用 Harness 的团队越多，围绕它生长出来的插件、工作流和应用方式也会越来越丰富，Harness 自身的技术地位也可能随之提高。

DeepSeek 对这种生态的态度，甚至直接写进了官方说明：

DeepSeek Harness 的设计支持深度定制。

我们并不认为官方仓库中的包天然就比社区开发的包更重要。你可以将本仓库看作一种理念、一份官方示例以及一处灵感来源，而不是我们要求社区遵循的方向。

我们已经看到社区中涌现出令人期待的项目，也希望生态系统继续沿着自己的方向发展。

探索未至之境。

这句话充满了梁文锋的 AI 世界观。

中国公司开始向全球贡献原创技术，同时把足够多的选择权留给开发者。官方提供基础设施，社区继续创新、组合，最后长出什么产品，不需要全部由 DeepSeek 决定。

接下来就是商业问题：

DeepSeek 主动放掉这么多控制权，商业上准备怎么赚钱？

04 免费的 Harness、可替换的模型，这笔账怎么算

DeepSeek Harness 放弃了对模型调用的强制绑定，看起来少赚了眼前的钱，却换来更大的分发入口：

先分发，再变现。

这和过去开源模型的思路有连续性。开发者也许不是为了 DeepSeek 模型而来，但只要开始使用 Harness，DeepSeek 就进入了他的模型选择范围。

从经济学的角度看，这里还有另一笔账。

Harness 和模型都属于运行 Agent 所需要的互补性投入。Harness 把 Agent 的开发成本和使用门槛压低，市场上的 Agent 越多，底层模型的总调用需求也会跟着增加。

Agent 为了完成一个复杂任务，会反复搜索、分析、调用工具、检查结果，一次任务可能触发很多轮模型调用。DeepSeek 不需要保证每一个 Harness 用户最终都使用自己的 API。

100% 锁死用户选择，未必比在一个大得多的市场里让用户自由选择更赚钱。DeepSeek 可以先把整个模型调用池做大，再凭模型能力和价格争份额。

只要 Agent 市场扩张得足够快，即使 DeepSeek 只拿其中一部分调用量，绝对收入依然可能增长。

再看 V4 和 API 调价，这条商业链路会更清楚。

V4 的官方更新专门强调了 Agent 能力。V4-Flash 的官方测试显示，它在简单 Agent 任务上已经可以与 V4-Pro 相当，高难度任务仍存在差距；V4-Pro 正式版又继续加强了生产环境里的 Agent 表现。

随后 DeepSeek 大幅提高 API 价格，并第一次采用峰谷定价。官方给出的理由是更合理地分配资源，鼓励开发者根据实际需求安排任务。

这个价格体系和 Agent 的使用方式恰好很合拍。很多 Agent 任务不需要立刻完成。批量搜索、数据整理、跑测试、生成定时报表，都可以安排在便宜的时间段。Harness 本身又支持 Scheduling。

聊天需求高度集中在即时响应，但 Agent 增加了大量可以延迟、可以批量执行的任务。一部分模型调用开始从“现在必须算”，变成“今天什么时候算都可以”。

小红书上开始出现用户对梁文峰 / 梁文谷的调侃。说明:以上均为公开社交平台用户发布内容截图，仅用于现象观察与评论;版权归原作者及相关权利人所有。

对一家承担高额推理成本的模型公司，这个变化很重要。用户可以降低成本，DeepSeek 也可以通过价格把一部分计算需求引导到空闲时段，提高昂贵算力的使用效率。

此时 V4、Harness 和新的 API 价格体系已经可以拼出一条完整的产品商业链路：V4 提供能力，Harness 扩大使用场景，API 接住最后的收入。

Flash 和 Pro 的能力、价格分层也可以放进这条链路里理解。官方测试显示，V4-Flash 在简单 Agent 任务上已经接近 Pro，高难度任务仍然存在差距。

官方公布的V4-Flash使用建议

开发者由此获得了更大的成本优化空间：简单任务可以优先调用 Flash，复杂推理再切换到 Pro。同一个 Agent 内部，也可以按照任务复杂度分配模型成本。

未来如果越来越多 Agent 在后台持续搜索、分析、调用工具和执行任务，模型调用会逐渐形成一种持续的机器需求。

DeepSeek 的商业空间也不再只取决于官网每天有多少 DAU，API 收入会更多来自后台持续发生的机器调用。

05 DeepSeek 的野心

回头看梁文锋过去几年的公开表达，DeepSeek 今天这一系列选择有一条相当稳定的主线。

2024 年接受《暗涌》采访时，他谈过一个后来被反复引用的判断：中国过去几十年习惯别人完成技术创新，国内企业拿回来做应用和商业化。随着经济发展，中国也应该成为技术贡献者，而不是一直搭便车。

并且明确提出，中国 AI 不可能永远停在跟随的位置。提到“护城河”，他的判断是，在颠覆性技术面前，靠闭源形成的护城河很短。能够长期留下来的，是团队在创新过程中积累的能力、经验和组织文化。

今年披露并经多家媒体交叉核实的投资人闭门交流里，这条思路仍然没有明显变化。

梁文锋把 AGI 放在公司的技术主线上，不追求用户量，也没有把做一个超级 App 当成 DeepSeek 的目标。谈到开源，他仍然把它和公司的长期愿景放在一起。

模型、Harness 与生态边界

再看 Harness 官方贡献文档那句话：官方 package 并不天然比社区 package 更重要，生态应该沿自己的方向继续生长。

这几乎把 DeepSeek 的技术世界观写进了项目规则。

模型做出来，开源；Harness 做出来，继续开源；到了 Agent 这一层，竞争对手的模型也没有被挡在门外。

DeepSeek 给自己划出了一条很鲜明的公司边界。

应用层可以交给开发者、企业和软件公司，底层模型和通往 AGI 的技术能力继续由 DeepSeek 自己竞争。

只要底层仍然需要模型，DeepSeek 就可以在市场里继续竞争。

大模型公司常见的扩张路径是：有模型以后做应用，有应用以后抢入口，再沿着入口进入更多场景和交易。

DeepSeek 目前展示出来的路线更克制，也更野。

克制在于，它没有急着把模型、Agent、应用入口全部抓进自己的体系。

野在于 Harness 一旦形成规模，DeepSeek 参与的范围会从模型继续向外扩。除了模型性能和价格，它开始有机会影响第三方怎么搭 Agent、怎么组织工具和任务。

Harness 首先服务于 DeepSeek 自己的 Agent Model 研究。开源以后，外部开发者会不断增加新的插件、工作流、使用反馈和应用方式，模型由此进入更多此前没有被覆盖的场景。

再往前一步，才轮到生态规则。

就像当年的 Android，它给手机厂商提供了一套可以复用的底层系统和开发规则，三星、小米、OPPO 等厂商再沿着这套基础做出各自不同的产品形态。

当然，DeepSeek Harness 远远没有走到这一步。

今天是DeepSeek 主动兼容 OpenAI、Anthropic、Codex 和已经存在的开发生态。

未来，如果越来越多公司开始反过来兼容 DeepSeek Harness，围绕它开发插件、工具和 Agent 产品，事情就会发生变化。

大家开始沿着 DeepSeek 定义的接口和运行方式搭产品。到那时，一套免费的开源代码会逐渐变成另外一种资产：

一群愿意沿着你的规则做产品、做生意的人，才是 Harness 这笔账里最贵的一部分。