寫在前面2026 年 8 月兩個(gè)都叫「Harness」的東西前后腳出現(xiàn)在視野里。8 月 13 日 DeepSeek 放出了 dshDeepSeek Harness的開發(fā)者預(yù)覽幾天后的 8 月 19 日OpenAI 發(fā)了一篇《Codex as a platform》把已經(jīng)在驅(qū)動(dòng) Codex App、CLI、IDE 的那套執(zhí)行系統(tǒng)正式講成一套可復(fù)用、可嵌入的開源 Agent Harness。我這邊把兩邊的官方文檔和源碼都翻了一遍——Codex 那份是 clone 下來的openai/codex倉庫dsh 是之前就在本地跑過的deepseek-ai/dsh。翻完最直接的感受是兩者都自稱 harness都在解決「模型之外那層執(zhí)行系統(tǒng)」的問題但設(shè)計(jì)取向幾乎是相反的。一個(gè)像整車一個(gè)像底盤。這篇文章不想給兩者排優(yōu)劣也不預(yù)測誰會(huì)贏。只想講清楚一件事同樣是「模型周圍的執(zhí)行系統(tǒng)」為什么會(huì)長成兩個(gè)方向以及這兩個(gè)方向分別適合什么場景。先對(duì)齊一個(gè)概念Harness 到底指什么如果你還沒接觸過這個(gè)詞可以先記住一個(gè)等式Agent Model Harness。模型負(fù)責(zé)的事其實(shí)很窄——給它上下文它決定下一步做什么產(chǎn)出一段文字或者一次工具調(diào)用。但一個(gè)真實(shí)的任務(wù)遠(yuǎn)不止「決定下一步」。假設(shè)你讓 AI 改一個(gè)倉庫它要先讀文件、再改代碼、然后跑測試中途可能要申請(qǐng)網(wǎng)絡(luò)權(quán)限進(jìn)程斷了還得能接著來。這里就冒出一串模型自己答不了的問題誰記住改到哪一步了誰真正去執(zhí)行那條 shell 命令誰在危險(xiǎn)操作前攔一下等你批準(zhǔn)失敗了誰決定要不要重試這些「臟活累活」的集合就是 Harness。它做的遠(yuǎn)不止給模型套一層 Prompt——狀態(tài)、工具、執(zhí)行邊界、進(jìn)度、審批這一整套圍繞模型運(yùn)轉(zhuǎn)的系統(tǒng)都?xì)w它管。OpenAI 官方的說法很直白「That surrounding execution system is the harness.」概念對(duì)齊之后兩種取向的分歧就好講了。Codex 的取向把執(zhí)行層做成一臺(tái)一體化引擎Codex Harness 給人的第一印象是「重」。它的核心實(shí)現(xiàn)是 Rust倉庫里codex-rs目錄下有 104 個(gè) crate子模塊涵蓋 agent loop、協(xié)議、傳輸、沙箱、身份認(rèn)證一整套。這不是一個(gè)輕量腳本而是一臺(tái)編譯成原生二進(jìn)制的執(zhí)行引擎。它對(duì)外暴露能力的方式是三個(gè)層層遞進(jìn)的原語Thread一段可以持續(xù)、可以恢復(fù)的長期工作回答「這段工作和歷史屬于誰」TurnThread 里當(dāng)前這一輪目標(biāo)回答「這一輪怎么開始、怎么引導(dǎo)、怎么結(jié)束」Item這一輪里產(chǎn)生的一條可持久化記錄比如一條用戶消息、一次推理、一條 shell 命令、一次文件改動(dòng)你的應(yīng)用通過一個(gè)叫app-server的進(jìn)程連上它走 JSON-RPC 協(xié)議創(chuàng)建 Thread、啟動(dòng) Turn、流式接收 Item 和事件、在模型要執(zhí)行危險(xiǎn)操作時(shí)把審批請(qǐng)求交回給你的界面。Codex 的 VS Code 插件、CLI本質(zhì)上都是這個(gè) app-server 的客戶端。安全邊界也是「內(nèi)建」的。源碼里按操作系統(tǒng)分了三套沙箱——Linux 走 landlock、macOS 走 seatbelt、Windows 單獨(dú)一套。也就是說「在什么范圍內(nèi)能讀寫文件、能不能聯(lián)網(wǎng)」這層約束是 harness 自己在 OS 級(jí)別兜住的不用應(yīng)用層自己去搭。這套設(shè)計(jì)的代價(jià)是它只跑 OpenAI 自己的模型。Codex 的 agent loop 深度依賴 OpenAI Responses API 的推理鏈條reasoning items傳遞和壓縮這套機(jī)制是 OpenAI 模型特有的。換句話說你拿到的是一臺(tái)調(diào)校好的引擎但油箱只認(rèn)一種油。它的取向可以概括成一句話把執(zhí)行層做厚、做穩(wěn)、做成開箱即用代價(jià)是綁定一家模型、內(nèi)核不可改。你能控制的是「給它什么工具、什么上下文、什么審批規(guī)則」但 agent loop 本身的重試策略、上下文壓縮策略你只能用 OpenAI 給的那套。dsh 的取向把一切拆成可替換的插件dsh 的第一印象正好相反——它很「薄」。它基于一個(gè)叫 Cordis 的運(yùn)行時(shí)核心理念只有一句everything is a plugin一切皆插件。薄到什么程度在 dsh 里界面上的按鈕比如文件附件是插件系統(tǒng)提示詞是插件工具調(diào)用是插件——連 agent loop 本身都是一個(gè)插件。你看到的整個(gè)產(chǎn)品是一堆插件在 Cordis 上組裝出來的結(jié)果。這帶來一個(gè) Codex 給不了的能力你可以把 loop 換掉。Codex 里 agent loop 的行為是 OpenAI 定死的dsh 里如果你覺得默認(rèn) loop 太啰嗦、愛跑偏可以寫一個(gè)自己的 loop 插件替換進(jìn)去。dsh 還自帶一個(gè)類似 LangSmith 的 trajectory 視圖agent 每一步動(dòng)作都能點(diǎn)開看是哪個(gè)插件產(chǎn)生的、為什么——這種顆粒度的可觀測性來自它「一切都是插件」的結(jié)構(gòu)。模型這塊 dsh 也不綁定。它默認(rèn)用 DeepSeek 自家模型但可以通過 API Key 接任意 provider包括走 OpenRouter 接一大堆第三方模型。最能體現(xiàn)取向差異的一點(diǎn)dsh 可以把 Codex、Claude Code 當(dāng)成 sub-agent 來驅(qū)動(dòng)。它有專門的插件能在一個(gè) dsh 會(huì)話里把某個(gè)子任務(wù)委派給 Codex 去跑再收回結(jié)果。在 dsh 眼里Codex 不是競品而是「一個(gè)特別擅長 OpenAI 模型的可調(diào)用執(zhí)行單元」。代價(jià)也很實(shí)在dsh 目前還是開發(fā)者預(yù)覽官方自己都說「迭代快到?jīng)]有一處是穩(wěn)定的」。而且它「開箱即用」的能力比 Codex 弱——給你的是一個(gè)框架墻得你自己砌。它的取向也能概括成一句話把一切做成可插拔換來極致的靈活和可組合代價(jià)是穩(wěn)定性和開箱體驗(yàn)要你自己補(bǔ)齊。同一個(gè)問題的兩種答案三個(gè)分歧點(diǎn)把兩邊放到一起看分歧集中在三個(gè)地方。第一個(gè)分歧是模型綁定。Codex 為了在 OpenAI 模型上榨出最大性能深度適配了一家模型dsh 把模型當(dāng)成可替換的 provider。這更像「專精」與「通用」的經(jīng)典取舍談不上誰更先進(jìn)——Codex 官方披露過一個(gè) ARC-AGI-3 的例子僅靠 harness 層做「保留推理 上下文壓縮」兩項(xiàng)調(diào)整GPT-5.6 Sol 的得分從 13.3% 提到 38.3%同時(shí)輸出 token 減少。這種收益恰恰來自它跟模型的深度耦合換模型未必能復(fù)現(xiàn)。第二個(gè)分歧是內(nèi)核可不可改。Codex 開源的是執(zhí)行層和集成接口但 agent loop 的行為邏輯你只能用不能改dsh 把 loop 本身也做成插件行為邏輯對(duì)你是敞開的。前者適合「我信任你的調(diào)校別讓我操心」后者適合「我知道我要什么別擋著我」。第三個(gè)分歧是怎么擴(kuò)展。Codex 的擴(kuò)展入口是 MCP——你把自己的數(shù)據(jù)和操作包成 MCP 服務(wù)接進(jìn)去harness 內(nèi)核不動(dòng)dsh 的擴(kuò)展入口是插件——從 UI 到 loop 到工具哪一層都能換。一個(gè)是「在穩(wěn)定內(nèi)核外圍接?xùn)|西」一個(gè)是「內(nèi)核本身就是可拆的」。有意思的是這兩條路在協(xié)議層反而在慢慢靠攏。dsh、OpenClaw 這類項(xiàng)目都能通過標(biāo)準(zhǔn)協(xié)議把 Codex 接進(jìn)來當(dāng)運(yùn)行時(shí)——設(shè)計(jì)取向不同不代表老死不相往來。那到底該用哪個(gè)先說結(jié)論這不是一道二選一的題判斷依據(jù)是「你的系統(tǒng)需要控制到哪一層」。如果你要的是在 OpenAI 模型上快速拿到一套調(diào)校好、開箱即用、還帶 OS 級(jí)沙箱的執(zhí)行能力并且能接受綁定一家模型那 Codex Harness 是省心的選擇。尤其當(dāng)你要把 agent 嵌進(jìn)已有產(chǎn)品運(yùn)營看板、工單系統(tǒng)、IDEapp-server 那套 Thread/Turn/審批的協(xié)議是現(xiàn)成的。如果你要的是跨模型切換、深度定制 agent 行為、或者把多個(gè) harness 編排到一起那 dsh 的插件架構(gòu)更貼合。它的價(jià)值不在開箱而在于你愿意花時(shí)間打磨之后能得到一個(gè)完全長成你團(tuán)隊(duì)工作流樣子的 harness。還有一種常被忽略的情況你現(xiàn)在可能一個(gè)都不需要。如果你的場景是固定流程的 workflow已有的方案能穩(wěn)定處理狀態(tài)、工具和執(zhí)行邊界那沒必要為了「用上 harness」而引入 harness。它真正的用武之地是當(dāng)任務(wù)要跨多輪持續(xù)、要在受控環(huán)境里調(diào)工具、要處理審批和失敗恢復(fù)的時(shí)候。一句話收尾Codex 把復(fù)雜度收進(jìn)引擎里替你扛了dsh 把復(fù)雜度攤開交給你自己搭。選哪個(gè)取決于你想省心還是想掌控。數(shù)據(jù)口徑本文基于 OpenAI《Codex as a platform》官方文章、openai/codex倉庫Apache-2.0截至 2026-08-26 的快照與 dsh 公開資料整理。文中不對(duì)兩者做優(yōu)劣判斷也不預(yù)測演進(jìn)關(guān)系。