最近 Agent 越来越热。但大家嘴里的"Agent"，其实是两种完全不同的东西。今天用两个刚火起来的项目，把这件事讲清楚——而讲清楚之后你会发现，所有技术细节，都只是为了证明一句话。

最近朋友圈里聊 Agent 的人明显多了。

但不知道你有没有这种感觉：大家嘴里都说"Agent"，可有些人说的，是"一个能帮我干活的工具"；有些人说的，却是"一种造工具的方法"。

这中间的差别，比想象中大得多。

今天拿两个项目举个例子——DeepSeek 新开源的 Harness（社区叫它 dsh），和开源圈老牌的 OpenClaw。它们看起来都在做 Agent，但其实在解决两个完全不同的问题。

如果非要用两个比喻来形容：

OpenClaw 更像一套已经装修好的 AI 房子。 你搬进去，接上消息渠道，就能让它帮你干活。

DeepSeek Harness 更像一套建造 AI 房子的基础设施。 它不急着告诉你"房子该长什么样"，而是先把地基、承重、电路、门禁和施工规范做好。

所以这两件事，看着像，其实不一样。而整篇文章，其实都只是在证明一句话：

OpenClaw 在造 Agent。

DeepSeek Harness 在造"造 Agent 的机器"。

一、先别急着聊技术：Agent 到底是什么？

先把一个容易混的问题说清楚。

你平时和 ChatGPT、DeepSeek 聊天，本质是：

你提问 → AI 回答 → 对话结束。

但 Agent 不太一样。如果你对它说："帮我整理桌面上的文件，把重要的备份起来。"它可能需要：看有哪些文件、判断哪些重要、建文件夹、移动文件、调压缩工具、创建备份、检查成功没、失败了再换方法。

也就是说，Agent 不只是"回答问题"。它更像一名真员工：

接到任务 → 思考 → 用工具 → 看结果 → 决定下一步 → 最终完成。

AI 工作过程中反复"思考—调用工具—看结果—继续行动"，这套循环叫 Agent Loop。

一个成熟的 Agent 平台，要操心的事远比"接个大模型 API"复杂：AI 看到了什么？做过什么？能操作哪些东西？危险操作要不要批准？崩溃了之前的事还能恢复吗？换个模型系统还能跑吗？

dsh 和 OpenClaw，就是从这里走向了不同方向。

二、DeepSeek Harness：一套"Agent 建筑规范"

dsh 可以理解成一个 Agent Runtime（运行时）的基础框架——你就把它当成"让 Agent 真正跑起来的底层基础设施"。聊天窗口只是"车身"，真正让 Agent 工作的是下面这一整套。而 dsh 做的，就是把这些底层能力组织起来。

没有一个"老大模块"：一切皆插件

传统软件通常有个明确的"核心"，其他功能围着它转。但 dsh 的思路很不一样：尽量不让任何一个模块成为绝对的"老大"。

模型是一个插件，工具是一个插件，会话管理是一个插件，连 Agent 自己的运行循环，也可以是一个插件。

你可以把它想象成一个很特别的公司：没有哪个 CEO 掌握所有权力，而是一套标准化的部门体系——人事一套、财务一套、生产一套、安全一套。只要大家遵守统一接口，就能替换其中任何一个部门。

技术上它依赖一个叫 Cordis 的插件框架，但普通用户不用记这个名字。真正重要的是：

dsh 希望 Agent 的每一个关键能力都能被替换、组合、扩展，而不是把一切写死在一个庞大的核心程序里。

这也正是它"造机器"而非"造产品"的体现：它不替你决定房子长什么样，只把可替换的零件和标准接口做好。

把记忆想象成"银行流水"：Event Sourcing

这是 dsh 最特别、也最值得普通开发者关注的地方。

想象你让一个员工处理一份重要合同，几天后出了问题，你问他"当时你到底看到了什么"，他说"记不清了"——这显然不行。对 Agent 来说更甚，因为它每次工作都可能接收海量信息：用户消息、系统提示、工具返回、文件内容、网页、其他 Agent 的消息。

dsh 的思路很像银行的流水账。假设卡里现在 5000 元，银行不会只存"当前余额 5000"，而是存一笔笔流水：

8 月 1 日：收入 10000 8 月 3 日：消费 2000 8 月 5 日：消费 3000

最后的 5000，是从这些记录算出来的。

dsh 把发生过的事作为一条条事件存下来，AI 当前看到的上下文，是根据这些事件重新"算"出来的。这背后是个重要概念：Event Sourcing（事件溯源）。

不是只保存"现在是什么状态"，而是保存"过去发生过什么"。

它带来一个关键能力：可重放。程序崩了，只要历史事件还在，就能重新播放、把 Agent 恢复到之前的状态。更重要的是，它能回答：AI 当时看到了什么、调了什么工具、返回了什么、为什么走到这一步。

dsh 还定了一条很硬的原则：

模型看到的东西，必须能从日志里重新找到。

这要求非常严格。如果有插件偷偷往模型上下文塞了一句"去执行某个危险操作"却没记录，以后就会出现"知道它做了，却不知道它为什么这么做"。所以 dsh 把"模型看到什么"和"系统记录了什么"绑在一起——AI 的工作过程，尽量不留"黑箱空白"。

为什么这重要？因为当 Agent 开始真正替人做事，"它为什么这么做"会比"它聪不聪明"更关键。而 dsh 这套设计，恰恰是在为"可靠"打底。

工具不是 AI 想用就用：流水线 + 沙箱

Agent 一旦有工具，就等于有了"手"：读文件、写文件、执行命令、操作浏览器。于是现实问题来了：AI 真有手，会不会不小心把东西砸了？

dsh 把工具执行设计成一条严格流水线：先判断能不能做、再执行、检查结果、最后记录。一次大任务会被拆成很多小步骤，安全模块可以在任何一步拦下来——比如 AI 想"删除某个目录"，会被要求先经用户确认。

再往前一步是沙箱（Sandbox）：给 AI 单独安排一间办公室，能用电脑、操作文件，但打不开老板的保险柜。dsh 的设计哲学简单粗暴——宁可不开工，也不能失控：安全环境建不起来，就不执行，而不是带着漏洞硬跑。

三、OpenClaw：住在你电脑里的私人助理

如果说 dsh 的目标是"让开发者更容易造 Agent"，OpenClaw 的目标就直接得多：让普通人真正拥有一个 Agent。

Gateway：AI 助理的总机

OpenClaw 最核心的设计叫 Gateway（网关），你可以理解成 AI 助理的"总机"。你的 Telegram、WhatsApp、Discord、Slack 等众多消息平台，都能把消息交给它，再由它转给 Agent。

整个关系很像：

你 ↓WhatsApp / Telegram / Discord / Web ↓Gateway ↓AI Agent ↓工具 / 文件 / 浏览器 / 电脑

最容易被理解的一点：入口可以很多，背后是同一个 AI 助理。

一直在线的"数字员工"

OpenClaw 不只满足"你问，我答"，它希望 Agent 长期存在。你晚上在 Telegram 说"明天提醒我整理会议材料"，第二天它还能继续；你再说"帮我把桌面会议资料整理下"，它能去执行；你甚至能用手机接着聊。

它更像：一个一直住在你电脑里的数字员工。 这正是它和普通 AI 聊天应用最大的区别。

记忆与 Skills：工作手册 + 技能包

OpenClaw 的记忆设计很有意思——大量使用人类能直接阅读的 Markdown 文件，像 AI 自己的"工作笔记本"，记录用户喜好、正在做的项目、历史讨论。（底层其实还做了向量检索来加速查找，但源文件就是你看得懂的 Markdown。）

这样做最大好处：人类自己也能打开看，而不是困在一个完全看不懂的数据库里。

那为什么需要 Skills？如果每次对话都把全部能力、规则、工具说明塞进上下文，上下文会越来越长。Skills 就像员工手册里的一个个"技能包"——"写公众号文章""处理 GitHub Issue""查天气"——需要哪项，就加载哪项。不是让 AI 永远背着 5000 页手册，而是需要什么，拿什么。

四、两条路线，差在哪？

到这里，区别已经很清楚了。回到开头那个比喻：

OpenClaw 给你的是一套装修好的房子，你搬进去就能住；DeepSeek Harness 给你的是一套建房子的高标准基础设施，能让你自己盖。

dsh 更关心：Agent 内部到底发生了什么？事件、状态、工具执行、会话重建、沙箱、可替换性。

OpenClaw 更关心：Agent 能不能真正帮你生活和工作？消息渠道、手机、Skills、Memory、浏览器、文件、设备。

这不是谁更先进，而是两家在解决不同的问题。

顺便说一句，这种分叉其实说明一件事：Agent 正在慢慢分层——最上面是普通人看到的 Agent 产品，中间是负责记忆、工具、权限、执行的 Agent Runtime，最底下才是模型和推理。当这一层一层分开，"怎么造出可靠的 Agent"就会变成和"模型聪不聪明"同样重要的事。

所以如果你只是想要"一个 AI 助理"，OpenClaw 显然更近——安装、配置、开用就行；如果你是个想"做自己 Agent 产品"的开发者，dsh 这种框架才开始有意思：自己选模型、自己定工具、自己控权限。

你想做什么，决定了你该选哪一边。

结尾：竞争的重点，正在转移

今天我们还在讨论"哪个模型更强"。

但当 Agent 真正开始替我们操作电脑、管理文件、发送消息、调用服务之后，竞争的重点可能会变成：

谁能让 Agent 变得既聪明，又可靠。

OpenClaw 正在把 Agent 变成一个普通人可以使用的"数字助理"；

DeepSeek Harness 则在尝试把 Agent 变成一种可以被工程师反复制造的"基础设施"。

一个在造 Agent，一个在造"造 Agent 的机器"。

觉得这篇把"两个 Agent 项目的根本差异"讲清楚了吗？欢迎转发给也在研究 Agent 的朋友，或者收藏起来慢慢看——Agent 这波浪潮，才刚刚开始。