夜雨聆风学习资料网

ARTICLE · 1382802

LinkX View|万物皆插件:为什么代理框架正逐渐演变为操作系统

LinkX View|万物皆插件:为什么代理框架正逐渐演变为操作系统

要点速览

模型越强,harness 越重要,但重要的方式变了。弥补模型短板的补丁正在消失,比如在长任务中“跟丢”后把模型重置。支撑智能体安全连续工作数小时的部分却在持续扩张,包括记录它做过什么、限制它能碰什么、管理它如何接入新工具。harness 正在变成类似操作系统的东西。


DeepSeek Harness 是目前最开放的大厂 harness,但仍处于早期。它是唯一允许外部开发者替换智能体循环本身的大厂 harness,采用 MIT 开源协议,也能接入其他公司的模型。不过目前还是开发者预览版,尚未经过外部安全审计。它胜在可改造的空间,而不是开箱即用的效果。


通用 harness 已经没有留给创业公司的机会。补丁会被更强的模型吞掉。真正持久的部分正在变成操作系统级的基础设施,模型厂商既有动力自己做,也能把 harness和模型放在一起调优。大厂开源 harness,又把通用 harness 的价格压到了零。如果还有机会,也更可能出现在 harness 之上的垂直场景,比如特定行业的工具、数据和工作流,而不是 harness 本身。

01 一个会给自己装插件的 Harness

11 月 2 日,DeepSeek 给 DeepSeek Harness 上线了 Creator Mode。用户用大白话描述想要的插件,智能体先摸清自己的运行环境,再写代码、装插件、跑测试,一条龙完成。官方演示里做出来的有设计工作台、3D 模型查看器,还有一个沙盒小游戏。

大多数软件没法在运行中安全地给自己“加装”东西。操作系统却天天在做:加载驱动、启停服务、用完卸掉,全程不用重启。

据 DeepSeek 披露,Harness 8 月 13 日上线,不到三个月,11 月 4 日日活就到了 154 万,月活 548 万。这批用户每天消耗约 92 万亿 token,累计做出约 3.5 万个插件。

154 万

日活 · 11 月 4 日

548 万

月活

92 万亿

日均 token 消耗

3.5 万

累计插件数

以上数字只统计走 DeepSeek 自家 API 的用户

按可比口径的周均值,日活四周涨了 5.2 倍;10 月 17 日 V4.1-Flash-1017 模型发布后,曲线明显变陡。

人均用量却几乎没变。DeepSeek 的图表显示,9 月 30 日每天约 16 万亿 token、27.1 万用户,人均接近 6000 万 token,和 11 月持平。增长靠的是新用户涌入,而不是老用户越用越多。

我们的判断

智能体 Harness 正在一分为二。替模型打补丁的那一半在萎缩,负责让智能体安全运行的那一半,正在长成一个操作系统。

所谓补丁,比如模型在长任务里“断片”时把它重置一下;每出一代新模型,就有一批补丁变得多余。而操作系统那一半,则是任何长时间运行的智能体都离不开的:一份做过什么的记录,一套能碰什么、不能碰什么的规矩,以及一个加装新工具的机制。这一半该怎么搭,各家实验室大体已有共识;分歧在于谁有权改它。DeepSeek 几乎允许任何人替换任何部件,我们预计其他实验室一年内也会往这个方向走。眼下还没人说得清的是:用户究竟会把 DeepSeek 这套系统接到别家模型上,还是只配 DeepSeek 自己的模型用。

02 模型越强,Harness 就越薄?

光改 Harness,就能让同一个模型的分数波动 16 到 25 分。但 Harness 里有很大一部分是用来掩盖模型短板的,模型一进步,这部分就失效了。

Harness 是什么

各家实验室有一个共同的公式:智能体 = 模型 + Harness。模型负责推理和生成;Harness 是模型之外的一切:反复调用模型的循环、它能用的工具、记忆怎么管,以及决定它能做什么的权限。

如果把模型比作外科医生,Harness 就是手术室:器械、无菌区、核查清单,还有那位负责清点纱布的护士。医生越厉害,需要的提醒越少,但没有哪家医院会因此撤掉无菌区。让“Harness 工程”这个说法出圈的,是 OpenAI 2 月的一篇文章,文中描述了一个约百万行、没有一行是人写的产品。护具会影响结果。

OpenAI 称,仅靠改 Harness,GPT-5.6 Sol 在 ARC-AGI-3 上的得分就从 13.3% 升到 38.3%,token 用量还降到原来的六分之一。Anthropic 的数据是,让 Opus 4.6 自己过滤工具返回的内容后,BrowseComp 准确率从 45.3% 升到 61.6%。

Harness 的功能会过期

Anthropic 最典型的例子叫“上下文焦虑”。Claude Sonnet 4.5 一感觉快到上下文上限,就倾向于草草收尾,于是 Anthropic 在 Harness 里加了上下文重置。

到了 Opus 4.5,这个毛病消失了,重置机制也成了累赘。Anthropic 给开发者的建议是:每来一个新模型,都问问 Harness 哪些活可以不干了。

有些活可能会搬进模型

多数 Harness 用固定规则管理记忆,比如对话到一定长度就做摘要。9 月下旬,华盛顿大学、MIT 和 Meta 的研究者发表了 Context Language Models,把这件事交给了模型自己。

做法是把模型当前的上下文以文件形式交给它,随便它怎么改。在不额外训练的前提下,这套方法用在 Qwen3.6-27B 和 GPT-5.6 Sol 上,长程任务的表现超过了现有基线和针对具体任务定制的 Harness。作者说,下一步是把 Harness 策略直接训进模型权重。

但细读论文会发现,有些东西并没有搬走。Harness 依然要把上下文镜像成文件,并在下一轮之前把每处修改同步回去。作者还得专门设计一套新的缓存方案 Suffix Cache Reuse,免得改一处就要重算整段上下文。而且模型既然能改自己的记忆,注入的恶意指令也就可能被写进去,并一轮轮地留存下来。记忆策略确实进了模型,记忆的基础设施及其安全问题却原地未动。

两类 Harness

把 Harness 的各项职能按“为什么存在”归一下类,规律就出来了。一类是替模型补短板:上下文重置、固定的压缩规则、串联工具调用的脚本、整理工具输出的过滤器。每一代模型都会让其中几项退休。

另一类存在,是因为智能体要在真实系统上长时间跑:持久的事件记录、模型无论如何也“说服”不了的权限、隔离的代码执行环境、增删能力的机制,以及成本管控。模型再怎么进步也替代不了这些。恰恰相反,智能体越强,被交付的任务越长、风险越高,就越需要它们。

Anthropic 自己的指南其实就是按这条线分的,尽管外界常把它解读成“给 Harness 瘦身”。它的三条原则里,两条是让你多依赖模型、精简 Harness;第三条却是认真划好边界:稳定的内容放在前面以便缓存,高风险操作升级为类型化工具,让 Harness 可以拦截、记录和审计。同一周推出的 Managed Agents 运行时,体量远大于当初 Claude Code 那个循环。Anthropic 一边在精简 Harness 的逻辑,一边在扩建它的基础设施。

03 留下来的那一半,就是操作系统

Harness 里留得下来的那一半干四件事,恰好是操作系统替电脑上的程序干的那四件:

▪记住智能体做过什么(保存状态)

▪决定智能体能碰什么(执行权限)

▪把有风险的代码放进隔离环境里跑(隔离执行)

▪允许加装新工具(加载能力)

OpenAI、Anthropic、Google 和 DeepSeek 在前三件事上的做法已经大同小异,差别在第四件:外部开发者能往 Harness 里加多少东西、换掉多少东西。在这一点上,DeepSeek 放得最开。

这一切发生得很快。不到十个月,四家实验室都把自己的 Harness 开放给了第三方开发者。4 月的 Anthropic Managed Agents 第一个把智能体的记忆和权限拆成了独立服务。DeepSeek 8 月才入场,是最晚的一家,开放程度却最高。

共识:状态与权限

状态存在哪里,两家实验室各自得出了同一个答案。在 DeepSeek Harness 里,一个会话就是一份只追加、不修改的类型化事件日志,模型的历史由它重建而来,所以恢复、分叉、回放读的都是同一份记录。Anthropic 的 Managed Agents 也维护着同样的日志,而且放在 Harness 和沙盒之外。

Harness 本身不存状态,任何一个副本都能通过四个小接口接手任意会话:getEvents()、wake(sessionId)、emitEvent() 和 execute(name, input)。OpenAI 的 App Server 用线程、轮次、条目三层嵌套,效果类似。

对 Anthropic 来说,这次拆分很快就见了回报。现在容器只在任务真正需要时才启动,典型请求的首 token 延迟下降约 60%,最慢的那批下降超过 90%。

权限控制也走到了一起。在 DeepSeek Harness 里,每次工具调用都要过一道策略检查:模型只管提请求,批不批由运行时说了算;提示词里写一句“只读文件”,只算建议,不算边界。Anthropic 干脆不让凭证进沙盒,智能体就算被劫持,也没有钥匙可泄。两种设计都不指望模型自律,这正是操作系统对待程序的方式。

分歧:谁有权改系统

真正的分歧在扩展。Claude Code 和 Codex 让开发者在一个固定内核上构建:skills、hooks、MCP 服务器和子智能体挂在循环、会话存储和模型绑定之上,而这三样都攒在厂商手里。OpenAI 8 月以 Apache-2.0 协议开源了 Codex 运行时,但定位是把 Codex 嵌进其他产品的稳定协议,而不是让你重新组装它的套件。Google 用同一个 Harness 支撑五个产品,并为 Gemini 做了专门调优。

DeepSeek 则把几乎所有东西都做成了可替换的。模型适配器、工具、会话、沙盒、存储、调度器、界面,连智能体循环本身,都是跑在一个叫 Cordis 的小内核上的插件。插件之间通过 ctx.llm、ctx.tools 这类具名服务互相发现,加载哪些由一份配置文件决定。

这就是“带扩展商店的应用”和“带驱动的操作系统”之间的区别。

一家实验室为什么愿意放开到这个地步?因为 DeepSeek 的生意不在 Harness 上。它卖的是 token,以及从 11 月 1 日起开始卖的工具调用:搜索和抓取 API 每千次请求收 0.75 美元,从 Claude Code 和 Codex 里发出的请求也照收不误。利润在产品上的实验室,靠封闭的 Harness 护城河;利润在底层的实验室,开放 Harness 更合算,就像 Google 当年白送 Android 来保住搜索。还有一层:DeepSeek 最好的模型大约落后闭源前沿四个月,开放的 Harness 能在最强模型属于别人的日子里,依然留住开发者。

生态是真的,但还算不上市场

DeepSeek 称用户已经做了约 3.5 万个插件,约 60% 的活跃用户至少创建或安装过一个。对一个上线三个月的产品来说,这很活跃。但 Creator Mode 让写插件变得和写提示词一样简单,这 3.5 万个里,大概有不少是只有作者自己在用的小工具。

应用商店的价值在于分发:一个人写,很多人装。DeepSeek 没有公布任何安装量,应用市场也还没有上线日期。在那之前,3.5 万这个数字只能说明大家喜欢自己动手扩展 Harness,说明不了第三方能在上面做生意。

缺失的验证

操作系统之所以重要,是因为它能跑在很多厂商的硬件上:Windows 在戴尔、惠普、联想的机器上一样能用。对 DeepSeek Harness 来说,对应的就是能接入各家的模型,而不只是 DeepSeek 自己的。纸面上它做得到:开发者可以接入其他厂商的模型,也有研究者用 Anthropic 的 Claude Sonnet 5 测试过。

我们看不到的是,实际有没有人这么用。DeepSeek 只把请求走其自家付费服务的人算作 Harness 用户,用 Claude、GPT 或 Qwen 跑 Harness 的人,都不在那 154 万里。

04 一个能改写自己的 Harness

DeepSeek 敢让智能体自己扩展 Harness,靠的是底层一个鲜为人知的框架 Cordis。Cordis 能让部件的增删变得安全,却没法让每个部件本身都安全。

为什么多数软件做不到

Cordis 的论文拿 VS Code 当反面教材。截至 2026 年 6 月 9 日,VS Code 排名前 100 的扩展里,有 87 个会运行一些卸不干净的代码,只能重启承载所有扩展的进程才能清掉。只有 7 个声明了自己依赖哪些其他扩展。

对智能体来说,重启的代价很高。一个长时间运行的会话会丢掉已经积累的上下文和缓存,而这恰恰是 Harness 存在的意义所在。

Cordis 怎么解决

这个框架提供两项保证:

卸得干净。

插件对共享系统做的每一处改动都配有一个撤销操作,撤销按相反顺序执行。Cordis 会追踪每个插件注册了什么,比如事件监听、提示词片段、工具定义,插件一卸载就全部清掉。

依赖自动处理。

插件声明自己需要哪些服务,服务到位就自动启用,任何一个消失就自动停用,就像插上设备时驱动自动加载一样。

论文用七条形式化定理来支撑这两项保证,这在智能体软件里很少见。落到实处就是:一个边运行边变化的 Cordis 系统,可以当作它是一次性、按顺序组装好的来分析。

Creator Mode 多了什么

Creator Mode 就是把这两项保证用起来。既然智能体加的任何东西都能干净地卸掉,让它大胆试一试就说得过去。智能体写插件、装插件、测插件,失败了系统就把它退回去。

Context Language Models 把记忆管理交给了模型,Creator Mode 让模型去扩展 Harness。两者都把控制权往模型那边挪,只是从两个相反的方向。

保证到哪里为止

撤销是假定的,没人验证。

框架不会检查插件的撤销是否真的恢复了原状,这个责任落在插件作者身上,包括作为作者的智能体。

外部世界撤销不了。

Cordis 没法回滚一条 shell 命令,也没法回滚 Harness 之外的任何动作。插件走后它能把 Harness 收拾干净,却收不回插件已经发出去的邮件。

覆盖面取决于自律。

插件绕开 Cordis 做的任何改动,都不在保证范围内。

安全数据怎么说

腾讯朱雀实验室测试了 DeepSeek Harness 对间接提示词注入的抵抗力,也就是把指令藏在智能体读取的内容里。测试覆盖 16 个渠道、12 种攻击手法,共做了 14560 次受控攻击,敏感工具均为模拟。总体来看,5.6% 的攻击完全得手。

只需要智能体“说点什么”的攻击,成功率是 35.7%;需要它执行敏感操作的,只有 2.5%。诱导智能体动手比诱导它开口难得多,不过报告没有拆分这个差距有多少来自运行时的检查、有多少来自模型本身。薄弱环节恰恰是扩展点:在两种投递模式下,skills 的成功率都偏高。

腾讯的建议,操作系统早就在这么做了:不要让模型独自批准有风险的操作;把 skills 和插件当成普通软件来管,记录每一个是谁写的、装的是哪个版本、被允许做什么。DeepSeek Harness 至今还没有经过外部安全审计。

这让 DeepSeek 面临一个实实在在的取舍。攻击者最容易得手的 skills,正是一个开放系统要大量繁殖的东西。向所有人的插件敞开大门,既是 Harness 的价值所在,也是它的风险所在。在 DeepSeek 能在插件运行前就查清它在做什么之前,每多一个插件,两者就同时多一分。

05 价值会流向哪里

如果 Harness 留下来的那一半是操作系统,价值就会沉淀在操作系统历来赚钱的地方:安全、执行、系统记录和分发。每一层都有一个数字,能检验它是否真的成立。

四层,四个检验

智能体安全。

开放系统每多一个插件和 skill,就多一块攻击面;在腾讯的测试里,skills 是攻击者最稳定的突破口,完全成功率在 14% 到 16%。买家会按受保护的智能体数量,为来源核验、权限策略和审计付费。

检验标准 · 在一个固定的攻击矩阵(类似腾讯那套)上测攻击成功率,每次改提示词、工具或模型后重测一遍。

执行,也就是智能体的“手”。

把“大脑”和“手”分开之后,沙盒和凭证保险库就成了可以由第三方提供的一层,按时长计费:Anthropic 在 token 费用之外每会话小时收 0.08 美元。

检验标准 · 启动时间和利用率。Anthropic 的延迟改善,就来自不再启动任务用不到的容器。

系统记录。

事件日志正在成为标配,这让跨 Harness 的存储、回放和审计成为可能。

检验标准 · 一个 Harness 写的日志,另一个 Harness 读不读得了。格式统一之前,这部分价值只能锁在各自的 Harness 里。

分发。

应用市场从流经它的交易里抽成;DeepSeek 已经允许团队把 Harness 指向自己的插件索引。

检验标准 · 在所有安装量里,既不是 DeepSeek 写的、也不是安装者自己写的插件占多少。这个比例上不去,应用市场就只是一本目录。

对算力意味着什么

Harness 用户每天消耗约 92 万亿 token,每个日活用户大约 6000 万,这个比例从 9 月到 11 月一直很稳。我们在解读 S-1 的那篇文章里说过,长时间运行的智能体就像一桌通宵不散的私宴。Harness 就是这幅画面的规模化版本:一百五十多万桌,夜夜如此。

DeepSeek 已经在为此定价。它从 8 月 16 日起上调了 V4-Pro 的 API 价格,并区分高峰和低谷时段;从 11 月 1 日起,又开始对搜索和抓取调用按每千次 0.75 美元收费,从 Claude Code 和 Codex 里发出的调用也包括在内。

每天 92 万亿 token 值多少钱?取决于每百万 token 的综合单价,而 DeepSeek 没有披露这个数字。智能体的输入大多是反复重读的上下文,按缓存价计费,只有挂牌价的零头,所以偏低的单价假设更接近现实。这只是帮助建立量级感,不是对 DeepSeek 收入的估计。

06 我们的预判

一年之内,OpenAI、Anthropic、Google 中至少有一家,会允许开发者替换其官方 Harness 的核心部件(比如智能体循环或会话存储),或者采用一套通用的插件格式或会话日志格式。

方向已经很清楚。OpenAI 开源了 Codex 运行时;Anthropic 把 Agent Skills 移交给了一个独立基金会,Managed Agents 也已经允许客户在自己的基础设施上跑沙盒。各家实验室正在一层一层地打开自己的 Harness,DeepSeek 只不过是从最开放的那一端起步。

以下四种情况,会证明我们错了:

应用市场沦为一本目录。

市场上线了,但大家装的几乎都是 DeepSeek 自己写的插件,第三方开发者写的没什么人用。那它就只是一份插件清单,撑不起一个生态。

这个操作系统只跑 DeepSeek。

如果绝大多数人还是只用 DeepSeek 自家模型跑 Harness,或者 DeepSeek 一直不公布这个比例,它就算不上能接各家模型的通用操作系统,更像 DeepSeek 模型的专属外壳。

发生供应链事故。

某个恶意插件真的造成了损失,DeepSeek 被迫收紧开放程度,就像当年各大应用商店出了第一起大事故后那样。开放一旦收回,“谁都能改”的优势也就没了。

模型连基础设施也一并吸收了。

如果模型强到能可靠地自己守住权限边界,不再需要外部规则把关,Harness 的“操作系统”那一半也会变薄。不过目前看不到这种迹象:腾讯的测试里,大约每 20 次攻击仍有 1 次能让智能体照着藏起来的指令去做。

“智能体 = 模型 + Harness”这个公式依然成立。只是 Harness 这一项其实已经拆成了两项,而真正在变小的,只有其中一项。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料