DeepSeek 這次開源的不是模型，而是它自己在用的編程應用 DeepSeek Harness（簡稱 DSH），上線第一日就在 GitHub 衝到約 3.6 萬星。它的設計主張只有一句：所有能力皆為外掛（everything is a plugin）——連讀寫檔案、執行指令、搜尋程式碼這些最基本的工具，都不是寫死在核心裡，而是以插件形式掛上去，可以換、可以拆、可以自己寫一個蓋掉它。
如果你只把它當成「又多一個 CLI coding agent」，其實會錯過重點。這次真正值得看的，是一間模型公司第一次把「我如何調度我自己的模型」這層外圍工程完整開源出來。過去一年 coding agent 的體驗差距，很大部分不在模型本身，而在這層 harness。DeepSeek 把它掀開了。
先搞清楚：harness 到底是什麼
很多人用 Claude Code、Codex CLI、Gemini CLI 時，直覺會以為「好不好用」等於「模型夠不夠強」。但實際決定體驗的，往往是模型外面那一圈東西：
- 它怎樣決定要不要先看檔案結構，再開始改程式
- context 快爆的時候，壓縮誰、丟掉誰、保留誰
- 一個 tool call 失敗之後，是重試、換方法、還是直接放棄
- 什麼情況下派出 subagent 去做子任務，什麼情況自己做完
- 危險指令要不要先問人
這一整套「調度邏輯」就是 harness。模型是引擎，harness 是底盤與變速箱；過去一年拉開差距的，其實是底盤。
而各家模型廠都很清楚這件事，所以 harness 幾乎都是閉源的、或只開放一層皮。DSH 的意義在這裡：它不是開放一個介面，而是開放整套調度方式。
這次最值得注意的四個設計點
1. 連核心工具都是外掛，不是「主程式 + 插件市集」
一般工具講「支援插件」，意思通常是：核心功能寫死，插件只能在旁邊加東西。DSH 的做法相反——檔案編輯、shell 執行、程式碼搜尋、任務規劃這些能力本身就是插件，跟你自己寫的插件地位相同。
實際差別很大。舉個具體場景：你的團隊有一套內部程式碼索引服務，比 grep 精準得多。在傳統架構下，你只能「再加一個搜尋工具」，然後祈禱模型選對；在 DSH 這種設計下，你可以直接把預設搜尋插件替換掉，讓 agent 根本不知道 grep 的存在。
2. context 管理與 tool loop 可以自己改
這是我最看重的一點。用過長時間 agent 任務的人都遇過同一個痛：跑到第 40 分鐘、context 被自動壓縮之後，agent 突然「忘記」前面的架構決定，開始改回舊寫法。
閉源工具遇到這種情況，你只能重開一個 session 再解釋一次。DSH 把壓縮策略、保留規則、循環終止條件都放出來，代表你可以針對自己 codebase 的特性去調——例如規定專案的 architecture 決策檔案永遠不被壓縮掉。這種調整在閉源產品裡是不可能的。
3. 模型廠自己寫的調度邏輯，本身就是參考答案
DSH 對 DeepSeek 系列模型的調用方式，等於官方示範「這個模型被訓練成怎樣使用工具」。對於一直在自己接 API、自己寫 agent loop 的開發者來說，這比任何文件都實用：prompt 怎麼組、工具描述怎麼寫、多輪之間怎麼交棒，全部有現成寫法可以抄。
4. 開源 + 可自架，把成本與資料主權問題一次解掉
這點對特定團隊是硬需求。金融、醫療、政府外包這類環境，往往不是「不想用 AI 寫程式」，而是根本不能把 repo 內容送去境外 API。DSH 是開源應用，配合可自架的模型部署，整條鏈可以留在內網。加上 DeepSeek 一貫的價格結構，長時間跑 agent 的 token 成本壓力也小得多。
3.6 萬星該怎麼讀
說實話，一日 3.6 萬星不代表它比 Claude Code 好用。DeepSeek 這個名字本身就帶巨大關注度，開源專案的星數更多是「我想留著看看」而不是「我每天在用」。
真正值得觀察的是接下來兩三個月：有多少人真的寫出第三方插件、有多少團隊把它接上非 DeepSeek 的模型、有沒有人拿它做 harness 對照實驗（同一個模型、不同 harness，跑同一批任務）。這種對照實驗以前做不了，因為沒人拿得到一套完整、生產級的 harness 原始碼。現在可以了。
星數證明的是好奇心，插件數量才會證明架構。
插件化的代價，要先認清
全插件架構不是免費的。它換來彈性，代價通常有三個：
預設體驗未必最順。 打磨得最好的 agent 產品，往往因為它敢寫死很多決定。DSH 把決定權交回使用者，等於第一次上手時，你要自己判斷哪些插件要開、哪些要關。
插件品質會參差。 早期生態一定會出現一堆「能跑但寫得很粗」的插件，尤其是有 shell 執行權限的那類。用第三方插件前先看它拿了什麼權限，這件事在 DSH 會比在封閉產品重要得多。
可換模型不等於換了一樣好。 DSH 的調度邏輯是圍繞 DeepSeek 模型的行為習慣寫出來的。換成別家模型，工具調用格式、長任務穩定度都可能出現微妙落差，需要自己再調。
誰現在就該去看，誰可以等
如果你屬於這幾類，值得今晚就 clone 下來跑一次：自己在寫 agent、想抄一套生產級 harness 寫法的開發者；受法規限制、必須自架整條鏈的團隊；已經被 context 壓縮問題折磨過、很想自己動手改的重度使用者。
如果你目前只是想要一個「開箱即用、少煩少配置」的 AI 編程助手，現階段其實不急。成熟產品在預設體驗上仍然領先，DSH 的價值要等插件生態長出來才會完整釋放。
但無論你用不用，這次開源的訊號很清楚：coding agent 的競爭已經公開移到 harness 層。以後再看到某個工具「特別好用」，值得問的不是它用了哪個模型，而是它的 harness 到底做了什麼決定。
追蹤以下平台，獲得最新AI資訊：
Facebook: https://www.facebook.com/drjackeiwong/
Instagram: https://www.instagram.com/drjackeiwong/
Threads: https://www.threads.net/@drjackeiwong/
YouTube: https://www.youtube.com/@drjackeiwong/
Website: https://drjackeiwong.com/
