8月13日，DeepSeek 将智能体框架 Harness v0.1 以 MIT 协议正式开源，把模型之外的执行层推到开发者面前。几乎在同一时间，一份据称是 DeepSeek Harness 内测入选项目的局部名单在网络上流传，让外界得以从生态筛选的角度，观察 DeepSeek 在智能体基础设施上的真实发力方向。需要说明的是，这份名单尚未得到官方证实。
在此前官方与团队的公开表述中，Harness 被概括为“Model + Harness = Agent”：模型负责推理，Harness 负责把推理结果落到真实环境，包括工具调用、文件读写、任务状态管理、权限控制与错误恢复。它最醒目的设计是“一切皆插件”，模型、工具、会话、沙箱、存储乃至 Agent 主循环，都可以作为插件加载、卸载和替换。业界普遍将其对标 OpenAI Codex 与 Anthropic Claude Code，但 DeepSeek 的版本更偏向一个可自由组合的底层框架，而非与单一厂商绑定的成品。
从曝光的名单看，筛选逻辑与“高星项目”并不挂钩。按其中统计，约七成入选项目是几乎没有热度的个人或小团队新作，一些广受关注的高星项目反而落选。分析认为，这是因为不少高星项目做的是通用工具，并非为 Harness 原生设计；而部分小项目此前已经在做 Codex、Claude Code 或 Pi 等平台的插件，能够以较低成本适配 Harness。另一个关键标准是“是否填补生态空白”：特殊的 UI、创新的编排模式、可实际运行的功能，比项目名气更受重视。
赛道分布上，MCP 插件与 Coding Agent 类项目占比最高，对应工具调用与代码落地这两个核心环节；Agent Runtime、编排框架、可视化 UI 与多智能体调度等适配层也大量出现。相比之下，医疗、法律、金融等垂直应用类项目占比不足 4%。这透露出 Harness 现阶段的重点是先把执行层、安全层与调度层做扎实，而不是急着铺行业应用。
在名单列出的 17 个开源项目中，有几个代表性项目颇为直观地说明了这种“补基建”的思路。
- open-managed-agents（OMA，约 224 星）：定位为 Agent 的“安全操作系统”。它通过网关层自动注入凭证，把密钥与执行沙箱隔离开，降低 Prompt 注入风险；同时把每一步操作以事件日志持久化保存，相当于任务级存档，进程中断后可恢复。它自带沙箱与企业工具包，可在 GitHub、Slack 等协作场景开箱即用，技术层面更接近 Agent 执行层基础设施。仓库：github.com/openma-ai/open-managed-agents。
- role-model（约 97 星）：走智能路由路线，先判断任务难度，再决定交给哪个模型。简单任务路由给低成本的本地轻量模型，复杂任务才交给擅长长思考的推理模型，以避免自动化流水线中每个小步骤都消耗大量推理 Token。它还把路由决策固化为请求、画像、策略、产物等可追溯构件，并支持多厂商灾备，属于流量编排与调度层面的适配工具。仓库：github.com/try-works/role-model。
- MateBot（约 46 星）：端侧效率工具，让开发者通过手机远程查看和管理本地 Agent。它设计了自动记忆、外部记忆与失败记忆等多套机制，并维护本地“错题本”，试图补上长周期任务中的人机协同闭环。
- ccteam（约 141 星）：多 AI 协作平台，由强推理模型充当“项目经理”拆解任务，多个模型并行推进，支持用自然语言指挥其他 Agent，并能通过 Telegram、飞书等渠道调度，同时提供预算控制，避免多智能体协作时成本失控。
这四个体量不大的项目，恰好对应 Agent 落地过程中几个高频痛点：执行环境是否安全可控、长任务是否可恢复、成本是否可预估、多模型如何协作。如果把 Harness 看作一个开放底盘，这些项目更像是为底盘补上沙箱、路由、移动端协同与多智能体调度等关键部件。
结合同期发布的 DeepSeek V4 Pro 及其 Agent 能力提升，DeepSeek 的意图正在从“提供强模型”转向“把 Agent 真正跑起来、跑得稳、用得起”。执行层安全、工程可靠性与商业化成本，成为 Harness 生态最急于补齐的三块短板。名单的真实性仍有待验证，但它所勾勒的方向，与 DeepSeek 近期公开的产品与团队动作基本一致。