上线12小时5万星 DeepSeek Harness实测：能干活，但得盯着

过去，这套“手脚”通常由厂商提前装好。用户打开Agent，只需要告诉它要做什么，很少需要关心背后的工具、上下文和运行逻辑。

DeepSeek偏偏反着来。它给DeepSeek Harness定下的核心理念是“一切皆插件”。模型、工具、Skills等模块都可以拆开、替换和重新组合。缺什么能力，可以装插件；觉得现有Agent不顺手，还可以通过创造模式重新配置一套自己的Agent。

为了适应不同场景，它还提供标准、程序化工具调用模式（Programmatic Tool Calling，PTC）、极简和创造四种模式。标准模式功能最完整，适合直接干活；PTC模式可以通过代码组合多步工具调用，更适合批量、结构化任务；极简模式则把能力压缩到最基础的工具，更接近模型“裸奔”；创造模式允许用户自定义Agent。

DeepSeek Harness还有一个比较特别的设计，运行过程基本都可以回看。模型看到了什么、调用过哪些工具、在哪一步出错，以及上下文如何变化，都被记录下来。

DeepSeek配上自己的Harness，真的会更好用吗？我们也来上手试一试。

需要说明的是，除特别说明外，本文测试均接入DeepSeek-V4-Pro的API，使用标准模式，思考档位设置为High。本次测试也没有为了“集邮”逐一覆盖四种模式，PTC更偏向开发场景，因此没有单独展开。同时，各项结果均为单次生成，存在一定随机性，仅作为实际使用体验参考。

下面进入具体测试。

01.简单任务：财报会读，网页能搭

正式上强度之前，我们先从两个基础任务开始。

我们先让DeepSeek Harness读取桌面上的腾讯财报文件，整理关键数据，并总结其中值得关注的变化。

整个过程比较顺利，它能够正常读取文件，把主要财务指标和业务变化整理出来，再给出一份简短总结。结果谈不上惊艳，但信息抓得比较准，总结也比较到位。

←左右滑动查看更多→
Slide for more photos

DeepSeek Harness总结的财报信息

一个细节是，它在补充个别背景信息时，会主动注明内容来自外部来源，没有把额外搜索到的信息和财报原文混在一起。对于财报解读这类强调信息出处的任务来说，这种边界感还是比较实用的。

接下来，我们想看看，DeepSeek Harness的标准模式和极简模式之间到底有没有明显差距。

我们用两个不同的模式分别为一家名为“山雾咖啡”的独立咖啡店制作单页官网，页面需要包含品牌介绍、6款饮品菜单、营业时间和门店信息，同时有菜单分类切换、饮品详情板块。

结果是，几乎没拉开差距。标准模式选择了棕色作为主视觉，更接近常见的暖色咖啡馆风格；极简模式则用了墨绿色，整体更清冷一些。除了配色和部分排版细节，两边的页面结构、功能模块和交互都比较接近，菜单切换、饮品详情等要求也都正常实现，完成时间同样相差不大。

这可能和题目本身比较简单有关。网页的需求清楚，任务链也不长，不需要频繁搜索资料、调用多个工具或者长时间维护上下文。即便只保留最基础的能力，模型也足够把页面做出来。

至少在简单任务里，工具更多，并不等于结果一定更好。

02.复杂任务：能做“重”活，也会栽在细节上

接下来，我们继续上强度，加入更复杂的物理模型和3D交互演示，看看DeepSeek Harness面对长任务时，能不能把整套逻辑真正跑通。

我们要求它用Three.js制作一套鲁布·戈德堡机关：要求金属球从斜坡滚下，依次撞倒多米诺骨牌，再触发摆锤，最终弹起小方块撞下按钮、升起旗帜。

这道题最重要的是因果链必须成立。小球没有滚下来，多米诺骨牌就不能自己倒；骨牌没有触发摆锤，后面的机关也不能凭空开始运动。

DeepSeek Harness第一次交出的结果，就在这里出了问题。点击开始后，小球并没有顺着斜坡滚下来，多米诺骨牌却自己开始倒下。后面的摆锤虽然确实被骨牌撞到，但整条因果链从第一步就已经断了。

DeepSeek Harness生成的机关

我们指出问题后，它重新检查并修改了问题。第二版里，小球终于能够沿着斜坡滚落，撞上多米诺骨牌时，还能明显看到速度下降和受阻的效果。

第二道题，我们提高复杂度，让它制作一套可交互的3D机械陀飞轮。

相比连锁机关，这道题更考验持续运动中的协调关系。中心轮需要保持固定，陀飞轮框架持续旋转，擒纵轮既跟随框架公转又要自转，擒纵叉快速往复，摆轮周期摆动，游丝还要同步收缩和扩张。

这一次，DeepSeek Harness先闹了一个乌龙。它前后跑了40多分钟，最终却交付了一个打不开的成品。追问之后，它才发现由于两个任务同时在同一个文件夹里运行，另一个任务把陀飞轮的首页文件覆盖了，导致最后打开的不是正确版本。

DeepSeek Harness生成的机械陀飞轮

排除交付问题后，最终成品的完成度比较高。陀飞轮整体结构完整，播放、速度调节、爆炸视图等功能都可以正常使用，交互过程流畅，没有明显卡顿。框架、摆轮和游丝之间的运动关系也比较清楚。

两道复杂任务测下来，DeepSeek Harness更像一个能力强、但仍需要人工验收的搭档，不过它在复杂任务上的上限并不低，问题被指出以后，能够继续修正。

03.独家玩法：插件随便装，Agent也能自己造

前面两轮，我们测的还是DeepSeek Harness“干活”的能力。到了这一部分，才真正进入它最特别的地方。

DeepSeek Harness的亮点有两个，一个是“一切皆插件”，不同模块都可以被拆开、替换和重新组合；另一个是允许用户直接定制一套新的Agent预设。

我们先从插件开始试。我们从GitHub上找了一个开源设计插件，直接把仓库链接丢给DeepSeek Harness，让它自己完成安装。整个过程很省事，它很快识别了插件的安装方式并完成配置，重启后，新插件就可以正常调用了。

接着，我们让它制作一套“旅行足迹”App原型图，并调用刚刚安装的插件继续编辑页面。生成之后，卡片、文字和布局都可以基于插件在原有基础上继续调整，如果某个部分不满意，直接指定元素让它修改即可。

DeepSeek Harness编辑页面

这也是插件体系最容易让人感知到价值的地方，原本没有的能力，可以装进去。用户不必等DeepSeek官方把所有功能都做进产品，而是可以根据自己的需求补工具、换工具。

当然，这套玩法现阶段还谈不上完全“傻瓜式”。用户首先要知道自己缺什么能力，还得去社区找到合适的插件或是自己开发一个插件。对于普通用户来说，这本身就有一定门槛。

但给现有Agent加一个插件，还只是“添工具”。DeepSeek Harness更进一步的玩法，是连Agent本身也允许用户重新配置。

于是第二项测试，我们让它创建一个名为“事实核查员”的Agent，专门负责检查文章里的事实错误。

DeepSeek Harness花了大约11分钟完成创建。新开一个会话后，“事实核查员”已经出现在可选的Agent预设中，可以直接调用。

DeepSeek Harness模式选择页面

我们故意给它出了几道“找茬题”，混入模型参数、报告数据等不同类型的错误，再交给这个新Agent核查。结果问题都被它找了出来，并给出对应的核查结果和修改建议。

如果只是偶尔核查一次文章，直接在标准模式里写一大段提示词也能完成。但当一套工作方法需要反复使用时，把标准都提前固化下来，新会话里就不用每次从头解释一遍。创造模式真正省掉的，是重复任务里的沟通成本。

可以看出，DeepSeek Harness希望把更多原本藏在产品内部的能力开放出来，让用户自己决定Agent该拥有什么工具、遵循什么规则、以什么方式工作。

04.同一颗“大脑”，三种干活方式

前面几轮，我们基本摸清了DeepSeek Harness自己的能力。但一款Agent好不好用，只看它能不能完成任务还不够，还要放到现有产品里横向比较，才能更直观地看出它现在到底处在什么水平。

我们选了Codex和WorkBuddy作为参照。一个是海外同类产品中的重要玩家，一个是国内已经跑了一段时间的Agent产品。正好可以看看，DeepSeek第一次自己做Harness，实际体验能不能追上这些更成熟的对手。

为了尽量减少模型能力本身的干扰，我们在三款产品中都接入同一个API，并使用相同提示词完成两个任务。

第一题是相对常规的数据看板，主要看日常任务的执行效率和准确性；第二题则直接把难度拉到3D游戏，看任务变复杂以后，它们在执行、调试和最终交付上的差距会不会进一步放大。

先来看数据看板。我们要求三款产品制作一个大模型价格与能力对比的数据看板，不仅要展示各家模型的输入、输出价格和上下文长度，还要制作价格对比图、价格与跑分散点

Codex动作很快，大约8分钟就交出了结果。图表和数据表都有，但部分数字出现了重叠。此外，模型数据的新旧并不完全一致：刚发布不久的Grok 4.6已经能够正常展示价格，此前发布的Qwen3.8-Max价格却没有补全。它“做页面”很快，但在整理数据时，信息覆盖并不稳定。

WorkBuddy花了大约半小时，速度明显更慢，但结果没有因为耗时更长而更稳。部分图表存在渲染问题，有的数据没有完整展示，其中输出价格的柱状图甚至出现了方向错误。

DeepSeek Harness这一轮的过程最曲折。第一次测试，它跑了两个半小时，最终仍然没能把看板完整做出来。我们重新测试，并让它调用视觉插件以后，大约3分钟它就交出了完整成品。

它是数据最全的一个，一共整理了37款模型。除了常规的价格图表和数据表，散点图还会进一步解释不同区间代表的意义，帮助用户直接判断哪些模型处在“价格较低、能力较高”的位置。

我们再让它们分别做一个3D滑索游戏。玩家打开页面后就已经挂在滑索上向前滑行，需要左右倾斜身体穿过沿途的发光树叶环，在倒计时结束前抵达终点。

DeepSeek Harness交付最快，大约只用了13分钟。但快归快，还是犯了错误。按理说，角色应该挂在滑索上，但成品内的角色却没有受到绳索束缚。我们指出这个问题后，它重新调整了，角色才真正被“挂”在滑索上。

DeepSeek Harness生成的游戏

WorkBuddy大约23分钟完成初稿，但过程最不顺。第一次交付直接是一个空白页面，任务过程中甚至一度在思考链里吐槽自己“脑子转不过来了”。提醒以后，它重新修改，才成功给出可以运行的版本。

WorkBuddy生成的游戏

它的成品很有自己的特点，没有像另外两款一样把玩家放进相对密集的树林，而是把滑索架在树冠上方，画面更简单，滑索更“真实”。树林的建模方式也不同，DeepSeek Harness和Codex更偏体素化，能够看到明显的几何切面；WorkBuddy的视觉效果更精致细腻。

Codex生成的游戏

Codex用了大约30分钟，是最慢的。它的游戏能够正常运行，滑索、树叶环和雨林环境也都做了出来，但一个比较明显的问题是路线规划，角色在滑行过程中经常直接穿过树林，说明场景虽然搭起来了，空间关系却没有真正处理好。

两轮比下来，并没有出现“自家模型配自家Harness，就一定全面领先”的情况。DeepSeek Harness更像一个可塑性很强的开发者工具，默认表现未必最稳，但插件和配置空间大，调对工具后提升会很明显；Codex的特点是执行直接、效率优先，更像一套已经比较成熟的工程工具；WorkBuddy稳定性稍弱，但在视觉呈现和设计感上有自己的风格。

05.结语

几轮测下来，简单任务DeepSeek Harness能正常完成，复杂任务纠错后完成度也不错，插件和创造模式还提供了不少常规Agent没有的玩法。但它长任务和并行执行也还会出现一些问题，对工具配置比较敏感。

不过，好不好用也要区分来看。一方面是产品还在早期阶段，另一方面是DeepSeek主动选择了不同的产品定位。

DeepSeek从一开始就把Harness定义为“开发者预览版”，官方也明确表示，核心插件和基础API还会持续变化，希望开发者参与插件生态建设。它不追求“打开就能用”，而是把更多工具、配置和运行逻辑交给开发者自己调整。这样做换来了更大的自由度，也自然抬高了普通用户的使用门槛。

这也解释了为什么DeepSeek Harness发布后口碑迅速分化。一边是开发者对它的架构设计很感兴趣，认为留下了很大的改造空间；另一边，也有人觉得它的安装和使用体验还不如成熟工具，部分基础功能不够完善。再加上相关概念和文档明显偏工程化，即使只是想弄明白它到底怎么用，也需要一定学习成本。

DeepSeek为什么不干脆做一个“开箱即用”的Agent？

一个“开箱即用”的Agent，优势是用户不用理解背后的运行逻辑，但代价也是这些东西大多由厂商决定。DeepSeek Harness反过来把模型、工具、Skills、沙箱、存储、Agent Loop甚至UI都开放出来。甚至连模型也没有锁死在DeepSeek上，官方支持接入Anthropic、OpenAI以及其他自定义模型提供方。

这其实对应着DeepSeek正在补的一块能力。过去，DeepSeek主要解决的是模型层的问题：把模型能力做强，再通过API交给开发者。但到了Agent阶段，模型强不强已经不能完全决定最终体验。真正把能力转化成结果，还取决于模型被放进怎样的一套执行系统里。

Harness让DeepSeek第一次从提供模型，进入模型如何被组织起来完成任务的环节。相比直接做一个面向普通用户的Agent产品，这条路线更偏底层，也更符合DeepSeek过去偏技术和开发者生态的打法。

如果开发者在DeepSeek Harness里同时使用其他模型，这套产品的价值就不再只依附于某一个模型的能力。模型可以换，插件、Agent预设和工作流却可能继续留在同一套Harness里。这也是DeepSeek Harness更大的想象空间。

当然，现在谈生态还为时尚早。热度来得很快，但接下来还要看开发者愿不愿意长期使用、持续开发和维护插件。