不到 3 天，DeepSeek Harness 在 GitHub 上的 Star 数已突破 12 万。
DeepSeek Harness 并非旨在复刻 Claude Code，而是定位为 Agent 基础设施层。其核心理念是“一切皆插件”：模型、工具及执行循环均可灵活替换。即便桌面端尚未发布，DeepSeek 的野心已显而易见——作为底层基础设施嵌入各类模型，以谋求市场份额的垄断。
DeepSeek 的战略节奏精准，极擅长塑造用户心智。从 2025 年春节的爆红，到 2026 年 8 月前的大众感知沉寂，再到 8 月 13 日晚 DeepSeek Harness 的再度“王炸”，其策略始终清晰：若说 V4 Pro 模型是大脑，Harness 则为其装上了手脚。该方案不执着于弥补短板，而是将兼容性与低成本优势发挥到极致。
DeepSeek 的核心定位与市场逻辑
DeepSeek 的火爆源于其精准的差异化定位，主要解决了以下痛点：
1. 弥补国内模型代码能力短板
当前国内模型在代码生成能力上仍有不足，核心开发动作往往需依赖国外模型完成。
2. 降低执行与测试成本
国外模型费用高昂，代码开发完成后的执行和测试环节，急需高性价比模型进行承接。
3. 极致算力性价比
DeepSeek 的核心优势在于算力成本极低。其定位并非提供顶尖的技术开发体验，而是确保结果执行的持久落地与低成本。
理性看待：为何大多数企业暂无需跟进？
尽管 DeepSeek Harness 热度高涨，但对于多数业务方而言，盲目跟进可能得不偿失。主要原因在于过高的学习与迁移成本：
1. 迁移与调试成本高企
从本地 Claude 开发环境切换至接驳 DeepSeek 跑任务，涉及巨大的迁移成本。此外，DeepSeek 目前成熟的数据调用方式主要为 MCP，缺乏网页可视化支持，用户需自行搭建方案，导致兼容性与稳定性存在隐患。
2. 现有体系已具备分层能力
Claude Code 已支持为不同 Subagent 指定模型（简单任务用 Haiku，复杂任务用 Sonnet/Opus），本质上已实现“算力分层”。Anthropic 官方亦建议通过主 Agent 安排任务、子 Agent 执行任务的方式，最大化利用 Token 效益。
3. 业务流程重塑优先于算力优化
在业务规则与流程未完成重塑迭代前，过度关注多模型测试并非最优解。若 Claude 体系内部已通过"Agent 分层 + 模型分层”解决 80% 的成本问题，普通用户无需为了节省剩余 20% 的 Token 成本，而引入复杂的异构调度。
省下的仅是 Token 费用，增加的却是迁移、调试、环境适配、规则兼容及认知等多重成本。许多团队陷入“追逐新技术却忽视业务实质”的误区，导致技术先进但组织生产力未获提升。
结论：正确的演进路径
DeepSeek Harness 值得学习，但时机至关重要。正确的演进顺序应为：
业务流程 → 业务规则 → Agent 化 → 稳定运行 → 算力分层 → Token 优化
只有当单一 Harness 运行顺畅、Agent 规模扩大且 Token 成本真正成为经营瓶颈时，再考虑"Claude 开发 + DeepSeek 执行”的异构模型调度，其收益才会大于复杂度带来的负担。
-End-