DeepSeek Harness 就是这种路数。GitHub 的 Star 已经快到 16 万。热闹是真的热闹，围观的人也多，真掏钱下筷子的，开始发现味道有点怪。
怪在哪。
不是框架先掉链子，是“脑子”先卡壳。
前面很多人已经试过，DeepSeek V4 Flash 其实挺能打。写个网页版 Excel，搭个 3D 引擎，很多任务一把过。这种水平，放开源模型里，算站在前排了，不是凑数的。
可一换到 DeepSeek V4 Pro 正式版，事情就有点像刚换了台新发动机，马力表看着漂亮，真上路却频频熄火。接入 Codex 后，写个植物大战僵尸，豌豆打在僵尸身上，像雨点落棉花，没反应。再写个网页版 Excel，功能东缺一块西少一角，撤销恢复没有，左右对齐和居中像是摆设。
你说这是小毛病？
对开发者来说，这种毛病最烦。像菜市场买了条活鱼，回家一开膛，发现鱼肚子里是空的。不是不能吃，是膈应。
当时圈子里就有个普遍判断：别急，可能得配 Harness 一起用，才算把这台机器真正拧上电门。结果 Harness 一发，大家上手一试，还是那种熟悉的拧巴感。并不是个别倒霉蛋踩坑，社区实测反馈很一致——“V4 Pro 正式版 + Harness”，离灰度测试时那股子猛劲，还有距离。
问题慢慢就浮出来了。
有开发者说得很直白，V4 Pro 对 API 里“你把什么工具摆在它眼前”这件事，敏感得有点过头。像个新来的学徒，进厨房先不看菜谱，先看台面上摆了几把刀。刀多了，它反而发懵；刀少两把，手脚倒利索。
于是就出现了很滑稽的一幕。
Harness 的极简模式，只给 2 个核心工具。标准模式，一下摆出 25 个工具。照理说，工具多，路子该更宽。现实却像农村老汉分地，地块越多，越站在田埂上发呆，不知道先锄哪一垄。
极简模式下，模型轨迹里常能看到“we need”这类词，像几个人围着桌子摊图纸，先定主梁再砌墙。标准模式和 PTC 模式下，更常冒出“let me”，听着就像一个人边挠头边试探，“我先来一下看看”。社区把这两种状态，干脆叫成了“高效”和“低效”。
名字土。意思很准。
有人实测用标准模式做网页版 Excel，轨迹板里确实能看到“let me”。换成极简模式，成功率立刻往上蹿，一次把任务做完整，轨迹里也真的更多出现“we need”。
这说明什么。
不是它不会做。是它容易被带偏。
像一头本来能拉车的骡子，看见路边挂了二十五串玉米，先去闻哪串，反倒把车辕忘了。模型核心能力没丢，丢的是起跑姿势。
社区随后给了个很像老师傅“垫砖找平”的办法。GitHub 开发者 xiaobright 搞了个插件，叫 dsh-anchored-standard。玩法不复杂，心眼很深：第一轮只亮出 2 个核心工具，先把模型推上“高效轨道”；一旦它发出第一次 Tool Call，后面再把 25 个标准工具全放出来。
先给你一把剔骨刀。等你找准骨缝，再把整套家伙端上来。
这招有点意思。
装上之后，Harness 主界面里会多一个 “Anchored Standard (experimental)” 模式。这个模式下，植物大战僵尸那个“子弹打不中僵尸”的 bug 还在，说明问题没被一锅端。可网页版 Excel，已经能一次做成了。
这就很像修老电视。啪一下拍机壳，不是所有雪花点都没了，但至少能出人声了。
更关键的是，复杂任务开始有起色。
有个测试很能看门道。给开源 Excel 项目 Luckysheet 加权限管理系统，还得把原本“角色-权限”这套，细到“用户 ID - 角色 - 权限”。这活儿不是拼一个按钮一个页面，是得在接近 5 万个文件、几十个功能模块的老工程里穿针引线。谁能看懂业务脉络，谁才有资格下刀。
在 Anchored Standard 模式下，把思考强度拉到 Max，DeepSeek 能把这最后一题处理得不错。这种任务最怕“表面聪明”，一顿输出，改了一百处，漏掉最要命的那三处。它如果真能过去，说明跨模块理解和业务连线这块，至少摸到门槛了。
还没完。
有人又拿更硬的骨头试它：用 Three.js 写高精度人形机器人 3D 交互仿真系统。要求很离谱，几乎是照着机械工程系期末大作业来的。头、颈、胸腔、骨盆、上下肢、五指灵巧手，全都要。关节里还得讲减速器、执行器、轴承、法兰、螺栓。下蹲、行走、信息面板、视图切换，也都得有。
这种任务，平常很多模型写出来，外壳像人，骨头像晾衣架。远看是机器人，近看像五金店打烊前剩下的边角料拼起来的。
可这次做出来的东西，居然挺完整。界面里有零件信息面板，能看状态，能切运动模式，机器人本体也像模像样。选“下蹲”，它真能顺滑地下去，再起身。细看当然还不够，放大关节，看不到减速器那种机械细节。可别忘了，V4 Pro 没原生多模态能力，它是靠一堆几何和三角函数硬把空间关系算出来的。
这就有点像没见过活猪的人，靠屠宰场传下来的骨架图，居然把整头猪的站姿给拼出来了。
反过来看标准模式下的表现，就更扎眼。那边的机器人本体设计里塞了很多“线轴”充数，动作单一，只有走路，还是同手同脚，像刚学会遛弯的木偶。信息面板也贫血得厉害。
落差摆在那儿。
所以现在社区很多人基本认一个判断：所谓“高效模式”和“低效模式”，大概率不是幻觉。高效状态下，V4 Pro 的能力已经逼近 Claude Opus 4.8 这一档。至于要碰 Claude Fable 5，那还差点火候，至少从视觉建模效果看，没到那一步。
这件事有意思的地方，不在谁赢谁输。
在于模型太容易被“无关线索”牵鼻子走。
学界这些年一直盯着这个毛病。2026 年那篇《Spurious Prompts: Can Irrelevant Prompts Steer Large Language Models?》说得很明白：跟任务本身没啥关系的提示，也能把模型行为拐弯，甚至拐得更好。另一篇《Measuring LLMs’ Sensitivity to Paraphrased Opinion Prompt》更狠，意思差不多的话，你换个说法，模型反应差距很大，那后训练环节多半有点问题。
说白了，这玩意儿像个脾气古怪的伙计。你跟他说“把桌子搬过去”，他未必动。你换成“咱先把这块地方腾出来”，他反倒麻利了。
荒唐吧。
可现在看，真有点像这么回事。
当然，实锤还谈不上。官方没出来拍板，大家也只能拿一堆实验现象拼图。拼图像不像答案，是一回事。答案是不是官方认的那张图，又是另一回事。
再往下看，Harness 真正让人上头的地方，其实不是“它能不能把 Excel 和机器人写出来”，而是它那个能在运行时改控制流骨架的底子。有人已经开始做二创插件了。GitHub 上，补视觉能力的、自定义主题的，是最多的一拨。还有人把它改成自己的 Codex、WorkBuddy，甚至搞“套娃”：Harness 里嵌 Codex，Codex 里再套 Harness。
听着像俄罗斯套娃。真跑起来，更像后厨加灶台，锅上还架锅。
有开发者说，Harness 最大的特别之处，是运行时可以把单 agent 循环改成多 agent 协作循环。别家很多框架做不到这一手。它不是只给你一把锤子，是连你的手臂关节都允许临时改装。问题也来了：这种能力，到底在哪些场景里真有必要？
现在没人能给硬答案。
连测试那个复杂机器人仿真的案例里，DeepSeek 最后也只用了单一 Agent Loop。等于工具箱已经摆上满汉全席，最后还是只夹了盘花生米。
热闹归热闹，门道也有了。可那层窗户纸，离捅破还差一指头。
屏幕那头的人还在改插件，刷日志，看轨迹板上那几个词来回跳。像修车铺里几个师傅围着一台新来的怪车，扳手油乎乎的，嘴里却都没把话说满。
