LinkX View|万物皆插件:为什么代理框架正逐渐演变为操作系统

星连资本·2026年11月20日 11:43
智能体Harness正从补丁工具演进为类操作系统基础设施

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。

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。

+1
0

好文章,需要你的鼓励

参与评论
评论千万条,友善第一条
后参与讨论
提交评论0/1000

36氪AI测评

选靠谱AI,看真实评测
查看
36氪AI测评官方交流社区
加入

36氪项目推荐

咨询项目审核和入驻
联系
36氪项目推荐订阅号
关注

下一篇

黄仁勋离任,英伟达AI“央行”角色引市场担忧

9分钟前

36氪APP让一部分人先看到未来
36氪
鲸准
氪空间

推送和解读前沿、有料的科技创投资讯

一级市场金融信息和系统服务提供商

聚焦全球优秀创业者,项目融资率接近97%,领跑行业