Harness成AI编程新战场：OpenAI开源Codex Harness，DeepSeek一周三更

2026年8月下旬，AI编程赛道的竞争焦点发生了一次肉眼可见的位移：大家不再只比谁的模型分数高，而是开始比谁的 Harness（智能体运行框架）更强。8月21日至22日的几条消息几乎撞在了一起——OpenAI 进一步开源 Codex Harness 的核心能力；DeepSeek Harness 一周内密集发布多个版本，把 Claude Code 和 Codex 收编为子代理；NVIDIA 的通用编程 Agent 系统 AVO 在 ARC-AGI-3 公开测试集上拿到 100% 满分；Anthropic 则把 Computer Use、Skills API、Files API 一并推向正式可用（GA）。TechCrunch 在评论 NVIDIA 这一成绩时写下一句相当直白的判断：真正的英雄是 Harness，而不是 AI 模型本身。

什么是 Harness：模型之外的那一层

按 OpenAI 的口径，Codex Harness 是 Codex 背后的核心 Agent 运行时环境，负责连接模型、用户和工具，管理任务执行、上下文、会话和代码操作等流程。换句话说，它不是”代码生成工具”，而是一整套 Agent 执行框架，核心包括 Agent Loop、线程生命周期与持久化、配置与认证、工具执行和扩展机制。

这次开放的关键在于 Codex App Server：开发者可以使用双向 JSON-RPC 协议，把 Harness 与不同客户端集成，获取实时事件流，从而构建 IDE 插件、桌面应用等定制化 Agent 产品。此前 OpenAI 已经开源了 Codex CLI 和相关核心代码，这次相当于把”发动机舱”也打开了。

一个值得记住的工程数据

OpenAI 在 Harness 中实践了”代码完全由 Codex 编写”的工程理念：一个内部产品在约 5 个月内生成约 100 万行代码，完成约 1500 个 Pull Request。团队核心理念也随之从”手写代码”转向”人设目标、Agent 执行”。这个数字比任何跑分都更能说明问题——工程组织方式已经变了。

DeepSeek 的选择：不做工具，做调度层

DeepSeek Harness 近期一周内发布多个版本，最引人注意的动作是把 Claude Code 和 Codex 收编为子代理。它的定位类似 OpenAI 的 Codex Harness，但更强调跨模型调度：开发者可以在单一框架内切换不同模型和工具链，根据任务类型自动选择最优 Agent 执行。

同步更新的还有工具链至 0.1.1-rc.1 版本，新增 V4-Flash-Vision-Exp 视觉模型体验版。这个模型是 DeepSeek 在 8月21日上线的实验性视觉理解模型，在 V4-Flash 和 V4-Pro 基础上扩展多模态能力，支持原生图片请求和图文混合输入，视觉 Agent 基准测试表现接近 Opus-4.8，API 沿用 V4-Flash 定价，图片最多折算 384 token。同时 DeepSeek 还推出了免费的 Files API。

把这几件事连起来看，DeepSeek 的意图很清楚：不跟你抢”最好用的编程助手”这个位置，而是抢”谁来调度所有编程助手”这个位置。这是典型的平台层打法。

四家的 Harness 动作对比

Anthropic 的补位：把 Agent 能力做成企业可采购的东西

Anthropic 这次把 Computer Use、Skills API 和 Files API 一起推向全面可用，几个细节值得留意：

• Computer Use 升级：允许 Claude 在单次模型调用中执行多个连续操作，大幅减少任务完成时间和调用次数，同时达到 HIPAA 合规标准，可用于受监管的医疗健康工作负载。
• 全新 Browser Use 工具：继承多轮操作优势，并引入网页结构解析能力，能直接识别和交互网页上的特定输入框或按钮，比传统”截图+点击”方式更精准高效。
• Skills API：企业可上传和管理专有技能文件夹（含行业指令、脚本和模板），在 Claude 的代码执行沙箱中安全运行，无需企业自行托管。
• Files API：支持 PDF、表格等文件上传，通过 ID 在后续请求中引用，实现自动文件过期机制，速率限制提升 5 倍，每个组织可享 1TB 专用存储。

HIPAA 合规和 1TB 存储这类描述，说明这已经不是给极客玩的功能，而是给采购部门看的参数。

顺带一提：模型层的价格还在往下走

就在同一时间窗口，OpenAI 宣布未来 3 个月内将 GPT-5.6 Sol 的 API 与 Credit 调用价格下调 20% 以上：输入从每百万 Tokens 5 美元降至 4 美元（降 20%），输出从 30 美元降至 20 美元（降 33%），缓存输入与长上下文价格同步下调；功能已在 API 上线并面向 ChatGPT Work 和 Codex credits 方案推送，Pro/Plus/Business 订阅权益不变。

另一边，阿里云千问 AI 平台正式接入智谱 GLM-5.3 和 DeepSeek-V4-Pro 官方版本。据报道，GLM-5.3 显著增强了编程能力、长周期任务执行能力和网络安全能力，编码和 Agent 能力接近 Claude Fable5。模型能力越来越接近、价格越来越低，这恰恰是竞争必须往 Harness 层跑的原因——模型本身正在快速商品化。

对创业者和技术团队的三点提醒

• 别把技术护城河押在模型选型上。模型一个月能降价 20%-33%，能力差距在收窄，选型是可替换的决策。
• 真正的差异在运行时。上下文管理、工具调用编排、任务持久化、失败重试与人工介入点——这些工程细节决定 Agent 在真实业务里能不能跑。
• 组织方式要跟上。“人设目标、Agent 执行”不是一句口号，OpenAI 那 100 万行代码背后是研发流程、Code Review 机制和责任边界的重新设计。工具先进，流程落后，等于没升级。

FAQ

Q1：Harness 到底和普通的 AI 编程插件有什么区别？

普通插件解决的是”帮我写这段代码”，Harness 解决的是”接到一个目标后，怎么规划、调工具、管上下文、维持会话、把任务跑完”。前者是功能，后者是运行时架构。OpenAI 明确表示 Codex Harness 包括 Agent Loop、线程生命周期与持久化、配置与认证、工具执行和扩展机制。

Q2：DeepSeek 把 Claude Code 和 Codex 当子代理，实际意义是什么？

意味着开发者可以在一个框架里按任务类型自动选最优 Agent 执行，而不用绑定单一厂商。对使用方是灵活性提升，对 DeepSeek 是占据调度层位置。谁掌握调度，谁就掌握了流量分配权。

Q3：NVIDIA AVO 拿到 ARC-AGI-3 满分意味着什么？

ARC-AGI 是目前最具挑战性的通用智能基准测试之一，旨在评估 AI 系统的抽象推理和模式识别能力。AVO 在公开测试集的全部 25 个环境取得 100% 满分、完成全部 183 个关卡。行业解读的重点不在”NVIDIA 模型多强”，而在于同样的模型配上更好的运行框架，表现可以有质的差别。

Q4：中小团队现在该做什么？

建议三步：一是把内部重复度最高的研发或运营流程拆成可被 Agent 执行的明确任务；二是选一个 Harness 框架做集成而不是自己从零造轮子；三是把评测机制建起来——没有评测，你无法判断换模型或换框架是变好还是变差。价格在降，试错成本比一年前低得多，但评测能力是自己的资产。