Agent运行时成为竞争新战场

2026年8月，大模型竞争的重心开始向“Agent执行层”即Harness（智能体运行时）转移。Harness被定义为连接高阶推理模型与执行环境的枢纽，负责任务拆解、工具调用、沙箱执行、上下文管理及容错恢复等工程环节。实测显示，相同的模型在不同Harness的上下文压缩和推理保留策略下，性能差异显著。例如，GPT-5.6 Sol模型在ARC-AGI-3基准测试中的得分可从13.3%提升至38.3%，且输出token数量可减少至原先的六分之一。

DeepSeek DSH：插件化与去中心化

DeepSeek于8月14日开源了名为DSH（DeepSeek Harness）的模块化框架。该项目在GitHub上线一周后获得超过17万颗Star。DSH采用基于Cordis元框架的“一切皆插件”技术范式，旨在打造一个去中心化、可高度定制且支持动态热重载的智能体操作系统。其核心功能包括：

  • 多模型兼容：提供统一接口接入DeepSeek、OpenAI等各类大模型；
  • 内置工具集：支持联网搜索、代码执行、运行Shell命令及操作文件；
  • 并行执行：支持单进程同时运行多个独立Agent；
  • 安全管控：通过权限沙箱限制AI操作范围。
目前DSH 0.1版本仍处于面向开发者的测试阶段。

OpenAI Codex Harness：工业级确定性

OpenAI于8月20日宣布将基于Rust构建的Codex Harness核心仓库全面开源，采用Apache-2.0协议。OpenAI将Codex定义为“平台”而非单纯的模型，旨在让开发者将智能体深度融入业务软件。其架构特点在于追求工业级生产落地的确定性，建立了从单次脚本任务到端到端产品集成的三阶段分层治理体系，通过控制平面与计算平面的物理分离、持久化状态引擎及高隔离度容器沙盒，解决企业级应用中的安全性与容错性问题。

此次开源包含三大核心组件：支持自动化流水线和CI任务的命令行工具codex exec、官方Codex SDK，以及支持长期会话的app-server。

行业格局与技术路线分歧

目前，Agent运行时领域呈现出不同的布局路线。DeepSeek的DSH与OpenAI的Codex Harness走的是“开源框架”路线，而智谱的ZCode和月之暗面的Kimi Code则更偏向“产品化IDE”。在技术哲学上，DeepSeek被认为倾向于“学术第一性原理驱动的解构主义”，而OpenAI则倾向于“工业场景需求倒逼的工程确定性”。