最近一直以低价突围的 DeepSeek 终于对外调整了 API 定价：V4‑Pro 每百万输出 token 的峰值从 0.87 美元拉到 3.96 美元，涨幅接近 355%；V4‑Flash 从 0.28 美元升到 1.32 美元，涨幅约 371%。这是 DeepSeek 首次大幅提价，并且开始采用峰谷分时计费——低谷价格仅为高峰的一半。与此同时，V4‑Pro 的正式版上线，官方强调其在 Agent 场景下的能力；早先发布的 V4‑Flash 在官方 Code Agent 测试中就已使用到当时未公开的 Harness Minimal Mode。随后，Harness 在 GitHub 上开源并迅速走红，截至 8 月 18 日获得约 15.2 万颗 Star。

Harness 给开发者留下了高度自由：它不强制绑定 DeepSeek 的模型，OpenAI、Anthropic 等第三方模型可以接入，企业自建的模型网关或内部服务也能通过自定义接口加入；Codex、Claude Code 等工具甚至可以作为子 Agent 直接参与任务。换句话说，DeepSeek 在为自己构建一条变现之路的同时，也搭建了竞争对手可以进入的通道。DeepSeek 最核心的资产依然是模型，而 API 是主要的营收来源——把一个对生态极开放的底座放出来，其利弊如何权衡，成为需要计算的问题。

那么 Harness 本质上做了什么？为什么一个 Agent 的“组装底座”能在短时间内吸引大量开发者关注？我们熟悉的 ChatGPT 类产品早期主要是问答式的对话：用户提问，模型回复。随着工具调用能力（Tool Calling）的加入，模型可以去检索网页、调用外部软件、读写文件、执行代码，回答问题的能力开始延伸到替用户“完成任务”。但当任务变得复杂且需要反复决策时，单纯的模型输出不够用——需要一套机制来管理任务状态、决定下一步调用哪个工具、在失败后如何恢复、何时结束，以及如何把复杂任务分解给多个 Agent。

Harness 就是为了管理这套持续执行的流程而存在。可以把它理解为：Agent = 模型 + Harness。在一次长流程任务中，模型不断经历“看资料 → 做决定 → 调用工具 → 获取结果 → 再判断”的循环，Harness 负责保存上下文、维持会话、调度工具、处理失败与重试、支持定时任务和子 Agent 协同，从而保证整个任务围绕最初目标不断推进。更形象地说，模型是车间里的“工人脑子”，而 Harness 则是车间的管理系统——告诉工人用什么工具、原料在哪、流程到哪一步、失败如何回滚、什么时候该交付成果。

DeepSeek 将底座做得非常模块化，提出“一切皆插件”的设计思路：模型、工具、技能（Skill）、会话（Session）、隔离环境（Sandbox）、Agent 循环机制、定时任务乃至界面都可以替换与重组。开发者不需改动 Harness 核心，就能按照自身需求拼装不同类型的 Agent，快速搭建适配特定业务的自动化流程。正因为这种高度可组合性和开源的门槛低，开发者社区反应热烈。

这并非 DeepSeek 独创——OpenAI、Anthropic 等也已经推出了各自的 Agents SDK 或完整的 Coding Agent 产品，开发者同样能加入工具、Skill、子 Agent 等能力。不同的是，DeepSeek 把产品定位成一个极度开放且易替换组件的底座，试图通过生态化的方式扩展应用边界。将底座开源，一方面可以快速带动更多场景落地和社区创新，另一方面也把竞争者更容易地引入到自己的生态中；而同步的大幅提价，则是对其模型能力商业化的一次直接动作。整体上，这是一种以开源生态撬动增长、以模型定价实现变现的双轨策略。