DeepSeek Harness 开源之后：执行框架的公共化与产业 Agent 的工程边界
8 ⽉ 13 ⽇，DeepSeek 正式开源其 Agent 执⾏框架 DeepSeek Harness。这个建⽴在“Model + Harness = Agent”理念之上、以“⼀切皆插件”为设计原则的微内核框架，开源公测两天内即收获近⼗万 GitHub Stars，成为该领域增⻓最快的开源项⽬之⼀。
消息传来，不少市场参与者的第⼀反应是紧张：模型⼚亲⾃下场做执⾏框架，是不是要把做 Agent 落地的公司“卷”没了？我们的判断恰恰相反——这不是威胁的开始，⽽是确认的开始，更是扩容的开始。
今年年中，我们在《Harness 时代：海致科技如何定义 AI 的“驾驭⼯程”》⼀⽂中系统论述过：产业级 AI 的决胜点不在模型的“⻢⼒”，⽽在驾驭模型的“⻢具”；模型是烈⻢，Harness 是缰绳，模型决定智能的上限，Harness 决定系统稳定运⾏的底线。随后在《Graph Engineering》⼀⽂中，我们进⼀步回答了“模型该信什么”——靠图谱⼯程构建可信、可推理、可演化的知识底座。
如今，最懂模型的头部玩家亲⾃下场造“⻢具”，并选择把它开源。这等于由产业最核⼼的⼀⽅，为这套论断盖上了来自模型层的产品与生态验证。对海致而言，这是一次方向确认，也是一次加速：它验证了我们两年前就选定的路径。海致并非从今天才开始回答“模型之外那一层”的问题，而是早已在 Harness 工程、本体、图模融合与 FDE 上持续投入。底盘被开源，不会削弱这些积累，反而让它们的价值更容易被看见。
本⽂将从以下三个方面展开：这次开源确认了什么、它做不到什么、以及海致如何在标准化底盘之上构建不可替代的工程层。
01 范式确立：当“模型之外的那⼀层”被头部玩家背书
模型⼚的天职是把模型做得更强，为什么要把宝贵的资源投向模型之外的执⾏框架？
合理的解释只有⼀个：在 Agent 时代，“开箱即⽤”不存在。模型能⼒要转化为客⼾现场的可执⾏动作——任务规划、⼯具调⽤、权限控制、结果校验、安全运⾏，必须有⼀层⼯程框架来承载。这层框架重要到模型⼚⽆法假⼿于⼈，也重要到值得⽤开源去争夺⽣态标准。
这次开源带来两个确认：
第⼀，Harness 作为独⽴价值层被确认。“Agent = Model + Harness”从⼯程圈的共识，变成了头部模型⼚的产品路线。2026 年 AI 工程领域正在完成从模型竞赛向系统竞赛的范式转移——Harness 作为 Agent 的运行系统，承担状态管理、工具执行、反馈校验与安全约束等核心职责，将模型的概率性推理转化为确定性行动序列。
行业数据也印证了这一判断：生产环境 Agent 的失败率在 70%~95% 区间，但 60% 的失败归因于数据质量、上下文缺口和治理缺失，而非模型本身。换言之，决定 Agent 能否落地的，不是模型有多聪明，而是模型外面那圈工程有多扎实。
第⼆，Harness 作为公共设施被确认。值得特别注意的不是发布本⾝，⽽是“开源”这个动作：DeepSeek Harness 构建在 Cordis 元框架之上，采用微内核架构，运行时组件以彼此隔离、可相互替换的插件形式运行。模型适配器、工具注册表、沙箱环境、会话状态处理器、事件分发器和用户界面等功能单元均作为独立扩展加载，通过更新声明式配置文件即可替换执行工作流。微内核加全插件的设计，说明 DeepSeek ⽆意把 Harness 做成封闭栈，⽽是把它做成 Agent 时代的“底盘标准”。
回顾信息产业史，Linux 的开源没有消灭做系统的公司，⽽是把操作系统从竞争壁垒变成了公共设施，把竞争推向上层的应⽤与⾏业纵深。在 Agent 技术栈中，一个类似的“拆分”正在发生：执行基础设施正在从单体框架向模块化、解耦式架构转变。底盘标准化之后，价值不会消失，只会向底盘之上转移——⾏业知识、可信数据、结果责任，将成为新的定价基准。
02 边界分析:Harness 解决不了什么
对⼀项新技术最负责任的评估，是说清它的边界。
DeepSeek Harness 提供的是⼀套⾼质量的通⽤执⾏框架。但从 2026 年 Agent 工程的行业实践来看，产业 AI 的落地清单上，还有⼀⼤半条⽬与它⽆关——⽽这些条⽬，恰恰是 Agent 从 Demo 走向生产系统的核心瓶颈。
第一，⾏业知识不会随框架⽽来。Harness 能保证 Agent “正确地执⾏”，但保证不了“执⾏的是对的东西”。供热企业的供回⽔温差阈值、政务场景的业务事项关联、制造企业的质量归因链路——这些刻在⾏业专家脑⼦⾥、沉在客⼾台账与系统⾥的知识，任何通⽤框架都⽆法预置，必须⼀项⼀项地访谈出来、建模成本体、沉淀为机器可推理的规则。同济大学王昊奋教授的判断值得引用：大模型越强，本体和知识图谱反而越重要——它们正是 AI Agent 需要的那道“缰绳”。大模型做的是相关性推断，而严肃决策要的是因果链——哪一步导致哪一步，必须说得清、查得到。
第二，企业环境不会因框架⽽简化。数据不出域的合规要求、异构系统林⽴的 IT 现状、层层审批的组织流程、必须可审计的责任链条——在这些约束下，Agent 落地不是“跑通⼀个 Demo”，⽽是包含数据⼯程、本体建模、权限治理、驻场运营的系统⼯程。在我们的实践中，某制造业客⼾跨系统数据对接的开发量曾占到整个项⽬的六成以上，这部分⼯作与模型和框架都⽆关，靠的是⼈对企业系统的理解。
第三，中⽴性是模型⼚的结构性盲区。模型⼚的 Harness 天然以⾃家模型为中⼼设计和调优。⽽企业的真实采购清单上，模型从来不⽌⼀个：信创场景要求国产化适配，成本敏感场景要权衡推理价格，能⼒敏感场景要在不同模型间取⻓补短。2026 年，多模型路由已从高端特性变成企业 Agent 平台的标配。以单⼀模型为中⼼的 Harness 越多，多模型中⽴调度的需求反⽽越旺盛。
第四，长程任务的记忆瓶颈尚未被任何通用框架解决。CMU、耶鲁和亚马逊联合发布的调研指出：“The harness is becoming the binding constraint”——运行框架正在成为制约 Agent 能力的瓶颈，而非底层模型。在该调研梳理的 ETCLOVG 七层分类法中，执行环境与沙箱层已有 20 个主项目，是基础设施层最成熟的部分；而上下文与记忆管理层几乎是七层里最薄的，独立发布的组件极少。Agent 正在从跑几分钟的短任务走向跑几个小时的长期任务，但每次任务结束后环境被销毁，下一次启动从零开始——它永远无法积累经验。这个问题，通用 Harness 本身解决不了。
把边界画清楚，产业分⼯反⽽前所未有地清晰：
⼀句话概括：DeepSeek 把最好的底盘开源了，但把⻋开到客⼾⽬的地、应对沿途所有路况的活，依然是专业运输公司的⽣意。
03 行业正在往哪里走：三个技术趋势
理解了通用 Harness 的边界，就能看清产业 Agent 的技术演进方向。
趋势一：从单 Agent 循环走向多智能体图化编排。单个 Agent 又做规划、又做执行、又做验证，上下文很快撑爆，长任务跑到 10—15 步就开始“目标漂移”。行业给出的答案是把多个专职 Agent 组织成有向状态图：一个负责拆解任务，一个负责调研，一个写代码，一个跑代码，一个做评审，再由编排器收集结果决定下一步。
2025 年的一项对照实验显示：单 Agent 在事件响应任务中产生可执行建议的比例是 1.7%，多智能体编排是 100%。2026 年的架构动量已明确转向图化编排，LangGraph 1.0 正式 GA，OpenTelemetry 成为默认的链路追踪格式。图化编排的核心原语已经清晰：节点（每个节点是一个跑着自己循环的 Agent）、边（定义数据流和依赖关系）、类型化状态、检查点、中断与恢复。
趋势二：协议层收敛，竞争上移到应用层。MCP 协议在 2026 年 7 月完成史上最大修订——从有状态双向协议转向请求/响应模型，引入无状态核心和标准化扩展框架。Anthropic 随后推出高级工具调用套件，补齐了 MCP 此前在工具发现、选择和组装环节的缺失。
协议之争基本结束，“MCP 管工具，A2A 管代理”的格局已经形成，竞争上移到应用层与行业纵深。这意味着，通用工具调用的标准化程度越高，行业规则、数据约束、业务语义的差异化价值就越突出。
趋势三：本体从“静态地图”变成“动态导航”。早期的本体是一张静态地图，画的是一个组织里有哪些人、哪些事。但到了 Agent 时代，光有地图不够了——还得能走起来。本体需要挂上接口和各种功能，把背后的服务、流程接出来，让 AI 能照着去做事。
Snowflake 已经在 Cortex Agents 中实践本体感知的推理方案，将行业标准本体与知识图谱、GraphRAG 结合，弥补关系型数据与领域语义之间的建模鸿沟。在需要确定性因果链的严肃场景中——反洗钱、质量归因、故障根因——模型优先的路线只能提供相关性，本体优先的路线才追得到因果。
04 海致的工程应对
在上述三个趋势下，海致的工程路径是清楚的。
第⼀重：交付杠杆——FDE 的成本曲线整体下移
2026 年，FDE （Forward Deployed Engineer，前线部署工程师）岗位需求同比增长 729%，AWS 投入 10 亿美元组建 FDE 团队，这一模式正在全球范围内被验证为 Agent 落地的关键路径。海致是国内较早把 FDE 模式系统化落地的国内团队之⼀。FDE 效率的核⼼杠杆从来不是⼈⼒密度，⽽是⼯程杠杆：AI Coding 让单⼈⽇产出从千⾏级迈向万⾏级，标准化的 POC ⼯具链让售前周期被持续压缩。
DeepSeek Harness 开源后，这根杠杆⼜⻓了⼀截。过去我们为每个项⽬⾃建的 Agent 脚⼿架——任务规划、⼯具调⽤、结果校验——如今有了⾼质量的开源底盘，FDE 的⼯作重⼼从“造轮⼦”进⼀步转向“装⾏业模块”：本体构建、规则库校准、场景联调。
以我们交付的北京热⼒ Data Agent 项⽬为例——L0 总调度、L1 规则引擎、L2 数据调⽤智能体的分层架构，放在 Harness 标准底盘上重建，⼯程量还可以显著收缩。底盘越标准，⾏业模块越值钱；⽽⾏业模块，正是海致⼀个项⽬⼀个项⽬攒下来的家底。
第⼆重：体系融合——Atlas 智能体与开源框架的体系融合
Atlas 智能体是海致⾯向产业级 Agent 的核⼼平台，也是公司已公开披露并规模化创收的产品线：2026 年上半年收⼊同⽐增⻓ 135.6%，占公司整体收⼊的⽐重升⾄ 38.8%。它在这场变局中的位置，值得从技术架构层面单独讲清楚。
其⼀，Atlas 的架构理念与 Harness 天然同构。编排层将企业 API、数据库、业务系统封装为Agent 可调⽤的⼯具，以状态机管理复杂任务流程，并在关键决策点保留⼈的最终决策权；控制层依托⾏业本体与图模融合技术做“AI 除幻”——通过图查询验证模型输出是否符合本体事实，冲突即触发强制重推理；记忆层由 AtlasGraph 提供可推理的关系记忆。这套“控制—记忆—编排”三层体系，与 DeepSeek Harness 的微内核正是同⼀命题的两个实现。
其⼆，中⽴路由是 Atlas 与⽣俱来的⽴场。Atlas 兼容百余款⼤模型，Agent 根据任务类型动态路由⾄最合适的引擎，客⼾不被任何单⼀模型锁定。事实上，Atlas 智能体正是基于DeepSeek、通义千问等开源⼤模型适配构建的——DeepSeek 早已是我们的⼀等公⺠，⽽⾮新来的竞争者。
其三，我们的路线图因此更加明确：基于 DeepSeek Harness 的框架与思路，构建海致⾃有Harness 的下⼀代。底盘层借⼒开源社区——插件机制、⼯具标准、运⾏内核，能复⽤的不再⾃研；⾏业层坚持⾃有——本体约束、图模融合验证、⾏业插件与组件库，这些是开源框架给不了、客⼾买账的部分。同时，海致⾃研的多模型 Agent 引擎将继续作为中⽴侧的补充：在客⼾需要跨⼚商评测、私有协议适配或深度定制执⾏逻辑的场景中，提供 Atlas 平台之下的弹性内核。⽤开源的底盘跑⾃家的⾏业模块，是这场开源浪潮⾥成本结构最优的姿势。
第三重：市场扩容——门槛从工具层向知识与责任层迁移
DeepSeek 模型的开源把企业级推理成本拉低了⼀个量级，DeepSeek Harness 的开源⼜把 Agent 的⼯程⻔槛拉低了⼀个量级。两个量级叠加的直接后果是：⼀⼤批原本观望的政企客⼾，从今年开始真实⽴项。
供热、政务、电⽹、制造——我们今年交付的项⽬清单上，新增客⼾的典型画像正是“第⼀次上 Agent，预算已有，缺⼀个能对结果负责的伙伴”。
市场变⼤当然也会引来更多竞争者，但竞争的⻔槛正在发⽣对海致有利的迁移：当“搭⼀个 Agent Demo”⼈⼈可为，客⼾的选择标准就会从“能不能演⽰”变成“懂不懂我的⾏业、敢不敢对结果负责、量产后谁来运维”。⻔槛没有消失，只是从⼯具层移到了知识与责任层。
工具层正在变成公共品——通用 Harness 把任务规划、工具调用、权限控制、结果校验这些能力标准化了。而知识与责任层对应的是行业本体、规则库、图模融合验证、驻场交付和长期运维能力。这些能力无法通过一次开源获得，只能在一个个项目中沉淀：把行业专家的判断变成可推理的规则，把客户系统里的数据变成可验证的本体，把一次性的 POC 变成能通过验收、能长期运行的生产系统。那⾥，是海致 FDE团队、⾏业本体与图模融合体系所在的主场。
对有国产化要求的客户，“开源模型 + 开源框架 + 国产图数据库 + 全栈信创部署”的组合正在扫清技术合规障碍；同时，Agent 从试点走向生产之后，采购评审关注的重点也会从“模型能力演示”转向“结果是否可审计、责任是否可追溯、系统是否可运维”。市场扩容不是把竞争变简单，而是把竞争推到更靠近客户现场、更靠近结果责任的位置。
05 海致的三个既定动作
其⼀，全⾯拥抱，做 DeepSeek ⽣态最深度的落地伙伴。基于 DeepSeek Harness 的框架与思路升级海致⾃有 Harness 已进⼊路线图：插件机制对⻬、⼯具标准互通、⾏业插件双向封装。底盘越普及，我们⾏业模块的复⽤率越⾼。
其⼆，坚持中⽴，让 Atlas 成为多模型时代的“公共站台”。DeepSeek 是⼀等公⺠，通义千问是⼀等公⺠，未来每⼀家主流模型都应是⼀等公⺠。客⼾要的不是站队，⽽是每个任务都跑在当下最优的模型组合上，并且随时可换。中立不是技术上的“谁也不靠”，而是工程上的可评测、可路由、可替换：模型接入标准化、效果评测可量化、路由策略可配置、故障切换可回退。
其三，持续加深 Graph Engineering 的护城河。Harness 解决“怎么执⾏”，图谱解决“凭什么信”。执⾏框架越标准化，幻觉治理、可审计推理与⾏业本体的差异化价值就越突出。郑纬⺠院⼠那句“图谱如左脑，⼤模型如右脑”，在 Harness 时代应当补上后半句：Harness 是躯⼲，让右脑的意图变成左脑约束下的⾏动；⽽⾏业知识，决定这具躯体最终能⾛多远。落到工程上，就是三件事：本体约束前置、图模融合验证、推理链路可追溯。
结语
2026 年初，我们论述“模型是 CPU，Harness 是操作系统”；年中，我们论述“图谱是让 Agent 不迷路的地图”；8 ⽉，DeepSeek ⽤⼀次开源把操作系统铺成了公共设施。
操作系统⼈⼈可得之后，胜负⼿在哪⾥？在⾏业数据、⾏业本体、⾏业插件，以及那个愿意驻在客⼾现场、对结果签字的⻆⾊上。
这不是某一家公司的机会，而是整个产业分工走向成熟的标志。海致选择的位置，是在标准化的执行框架之上，持续投入行业本体工程、图模融合验证与驻场交付体系——把这些工程能力做深、做扎实，让每一个项目的行业知识都能沉淀为可复用的组件库和规则库。执行框架的公共化，让这件事变得比以往任何时候都更有杠杆。
这三件事，恰好对应海致过去十年持续投入的工程方向。引擎开源不是终局威胁，而是一个起跑信号：当执行框架成为公共设施，产业的竞争重心将进一步向行业知识与结果责任转移。海致选择继续把工程能力压在这一层。
参考资料：
1、同济大学王昊奋教授2026年7月《大模型越强，知识图谱反而越重要》系列访谈
2、Agent Harness Engineering: A Survey
*本文作者为海致科技首席架构师张伟，经编辑。
本文来自微信公众号“海致科技”，作者：海致，36氪经授权发布。