8月15日国家超算互联网正式上线了DeepSeek V4 Pro正式版同步开源的还有智能体框架DeepSeek Harness。这次上线依托全国首个十万卡级超智融合算力资源池。平台面向科研院所、科创企业和开发者提供大模型全生命周期的算力支撑。模型与框架同时落地国家级算力平台信号远比一次版本更新更重。DeepSeek V4 Pro正式版以0813版本号发布取代了此前的预览版权重在Hugging Face以MIT协议开放。正式版保留了百万token上下文与既有的模型结构重点强化的是智能体能力。官方对比表格里多项智能体与编程基准的分数发生跳跃式变化。这不再是常规的增量更新而是把执行能力作为主线的一次重新校准。更值得关注的是同步开源的DeepSeek Harness也就是DSH。它是一个完整的智能体运行框架负责把模型、工具、技能、会话、沙箱、存储与调度组织在一起。框架采用一切皆插件的架构模型、用户界面乃至运行循环都由插件组成。开发者不需要修改框架源码就能替换或扩展其中的任何单项能力。把两件事放在一起看DeepSeek的意图非常清楚。它不再满足于只提供模型权重和API而是开始争夺模型与真实计算环境之间的执行层。这个执行层过去被Claude Code、Codex等产品占据现在有了国产开源替代。对企业而言私有化部署一套可替换的Agent框架成为看得见的路。这也是发布落在国家级算力平台上的原因。先看模型侧的变化。DeepSeek V4 Pro 0813在预览版基础上附加了DSpark投机解码模块并针对生产环境的智能体任务做了强化。官方对比表中软件工程智能体基准DeepSWE从预览版的12.8跃升至62.7涨幅接近五倍。终端任务基准Terminal Bench 2.1也从72.1提高到87.9。这两个数字说明模型在长链条编码任务上的执行力发生质变而非单项指标的微调。智能体基准的全面提升不止这两项。NL2Repo从38.5升到61.5反映从自然语言直接生成代码仓库的能力。Cybergym从52.7升到83.3展示在攻防类任务上的表现。Toolathlon-Verified从55.9升到74.1说明工具调用链路更加可靠。AutomationBench Public从12.8升到31.8自动化场景的执行能力同样翻倍说明这种提升是系统性的不是某个基准上的巧合。DSBench-FullStack也从41.8升到71.1同样翻倍。对比同代主流模型V4 Pro 0813的成绩处在第一梯队。在DeepSWE上它超过GLM-5.2的46.2接近Kimi K3的67.5落后于Fable-5的70.0。在Terminal Bench 2.1上87.9的成绩与Kimi K3的88.3、Fable-5的88.0基本持平。在Cybergym上83.3明显高于Opus-4.8的78.3也优于Kimi K3的80.0。DSBench-Hard同样从31.1升至67.2翻倍以上的提升在困难任务上更能体现差距。HLE带工具成绩也从48.2升到60.0。这套数字让它与闭源旗舰站在了同一水平线上而它的权重是开放的。官方公布的完整对比表如下所有数值均来自DeepSeek官方模型卡。表格按基准分组方便读者对照各模型的相对位置。需要说明的是Kimi K3与Opus-4.8在个别基准上未公布数据以短横线表示。整体趋势是V4 Pro 0813在编码与工具类基准上全面超过预览版。引用时请保留来源与口径别只看单一数字按基准逐项对照。基准V4-Pro-0813V4-Pro预览GLM-5.2Kimi K3Opus-4.8Terminal Bench 2.187.972.181.088.385.0DeepSWE62.712.846.267.558.0NL2Repo61.538.548.9-69.7Cybergym83.352.7-80.078.3Toolathlon-Verified74.155.959.976.576.2AutomationBench31.812.812.930.827.2对这批数字需要保留一分冷静。TechTimes的报道指出DeepSWE属于更严格的基准62.7若得到独立复现才是真实的能力跃迁。官方评测工具尚未公开发布第三方复现页面目前还是空的。预览版在SWE-bench Verified上厂商自报80.6第三方只测到8.5这个差距提醒我们谨慎看待官方口径。引用分数时务必标明来源这是工程素养。模型侧还有一个细节值得记录。官方模型卡明确给出了本地推理的采样建议智能体场景使用temperature为1.0、top_p为0.95其他场景top_p为1.0。在高与最高推理档位下推荐的最大输出长度达到384K token。这意味着长任务推理被设计为框架默认支持的场景而不是靠外部hack勉强运行。推理档位reasoning_effort支持low、high、max三档官方推荐中等档位作为默认值。API侧的更新同样平滑。deepseek-v4-pro端点直接切换为0813版本模型名、参数量与百万token上下文保持不变。官方表示已有集成无需任何改动即可继续运行。新版本还原生支持OpenAI Responses API并内置Codex集成。应用与网页端在Expert Mode下提供该模型企业用户可以无缝升级不必重写调用代码。对正在评估模型的团队来说迁移成本被压到了最低。接下来进入本次发布的主角也就是DeepSeek Harness。要理解它的价值先要看清Coding Agent的运行本质。传统聊天模型收到一个问题返回一段文本就结束。Coding Agent则要不断重复理解任务、寻找文件、修改代码、运行命令、检查结果、继续修改的循环直到任务真正完成。循环的执行质量直接决定智能体在真实工程里的可用程度。在这个循环里决定最终效果的已经不只有模型本身。模型拿到哪些工具提示词如何组织上下文怎样压缩出错是否重试任务如何拆分何时调用另一个Agent每个环节都影响成败。过去这些环节散落在闭源实现里团队只能整体使用无法按需调整。这也是同一模型在不同框架里表现差异巨大的原因。DeepSeek给出的架构答案是Everything is a plugin也就是一切皆插件。DSH建立在Cordis之上模型适配器、工具注册、Session Log甚至Agent Loop本身都被设计成可替换的插件。模型、文件系统、Shell、网页访问、Skill、子Agent、存储、安全策略与交互界面全部可以通过配置重新组合。框架本身只保留最小的核心其余都是插头。所谓最小核心就是能维持插件生命周期的那一小段运行时。所以它并不只是DeepSeek版Claude Code也不只是DeepSeek版Codex。Claude Code与Codex把工具链当作产品内定死的部分而DSH把工具链当作可替换的插头。同样是编码助手团队可以换成自己的模型换上自己的沙箱接入自己的存储。模型可以换成任意厂商的权重沙箱可以换成自己的容器方案。这个差异在私有化部署场景里是决定性的。Cordis插件系统把可组合性拆成两个正交维度这是架构上最值得细读的部分。第一个维度是时间可组合性卸载一个组件时副作用能够完整回滚。每个context变换都带一个逆操作由运行时负责追踪。这意味着临时接入的插件离开后系统状态不会残留脏数据。回滚不是靠约定而是运行时保证的语义。第二个维度是空间可组合性。依赖可以显式声明context一旦变化就反向通知相关组件。组件之间不再是隐式的全局耦合而是通过声明建立明确关系。官方还给出了一套动态组合的演算用来证明这种性质能够从单个组件传导到整个系统。两个维度合起来就是可替换性不是口号而是可证明的性质。用最少的核心承载系统其余全部作为可插拔插头这是DSH的设计哲学。极致的可替换性带来的直接收益是团队不需要等待上游合并需求。官方没做某个工具自己写一个插件就能接上。官方某次更新破坏了自己的扩展点回滚或换掉那一个插件即可不必迁移整个框架。安装体验的门槛也很低。用户只需要安装Node.js然后执行一条命令就能启动Web界面。官方同时提供TUI、适合脚本与CI的Headless模式以及ACP、JSON-RPC和Python SDK等自动化入口。同一套Harness既能当人直接操作的编程工作台也能接进自动化流水线。不同入口之间共享同一套会话与插件配置。团队按使用习惯选择入口无需维护多份安装。npx deepseek-ai/dsh web这条命令会启动DSH的网页界面模型与插件配置都在界面中完成。想体验四种运行模式中的任何一种也都在这里切换。对于只做本地评估的团队Headless模式更适合批量任务。收到任务后自动检查代码、执行测试、返回结果这些都可以脱离人工界面完成。同样的任务在Web里可以逐步观察在Headless里可以整批跑完。多Agent协作同样是内置能力。一个主Agent可以把工作拆给多个子Agent一个负责搜索项目资料一个负责修改代码另一个负责执行测试。主Agent汇总各子任务的结果再决定下一步动作。官方还提供计划、目标、待办事项和后台任务机制让Agent持续完成一串彼此关联的操作而非局限在一问一答。四种产品形态共享同一套模型、会话与底层插件只是通过不同组件组合成不同形态。Web UI适合人机协作TUI适合终端用户Headless适合脚本接入SDK适合深度集成。对团队来说这意味着同一套代码可以同时支撑产品界面与自动化流程。不需要维护两套Agent实现也不需要为不同入口重复配置模型与权限。这些能力组合起来就回答了为什么要做Harness。模型公司只提供API能力就停在回答质量上。模型公司提供Harness能力就延伸到执行质量上。DeepSeek把执行层开源等于把过去需要付费订阅的编程助手能力变成可以私有化改造的基础设施。这对企业选型的影响比单次基准提升大得多。v0.1之后的插件生态值得持续观察。说完架构再看四种运行模式这是DSH给不同场景准备的档位。标准模式加载完整的工具组合提供文件编辑、Shell、文件与网页检索、Skills、计划、目标、子Agent和工作流。它面向绝大多数日常开发任务开箱即用是团队的第一选择。模式之间可以随时切换不需要重建会话。档位选择只影响能力面不影响已经保存的会话数据。PTC模式保留标准模式的全部能力同时通过Code Mode SDK向模型呈现工具。模型可以编写一段TypeScript程序在一次run_code中组合多步操作。这样能减少模型与工具之间反复往返的开销对调用链较长的复杂任务特别有效。模型先写程序再整段执行而不是一步步地挤牙膏。往返次数下降会直接反映在长链路任务的总耗时上。极简模式只提供持久Bash与str_replace_editor两项工具。较小的工具集合减少了选择与上下文负担适合路径明确、希望Agent直接动手的编码任务。对模型测试来说这也是最干净的实验环境。想比较不同模型在同一任务上的真实差距极简模式是最公平的舞台。工具越少模型的决策越容易归因到模型本身。创造模式在标准模式之上加入Cordis运行时检查、临时插件实验和Agent preset创作指导。Agent不仅能使用现有工具还能重新组合自己的运行时创建新的自定义预设。由于它允许运行模型编写的插件代码这是一个面向高级用户的高信任模式。普通团队不应该默认打开它。它验证的是Agent自进化的可能性而非日常效率。创造模式带来的是自修改式Agent的可能性。Agent在运行中临时编写事件监听器、注册新工具、提供一个服务任务完成后再卸载。这就像汽车在高速公路上给自己换发动机项目没有默认打开它。动态插件仍运行在Cordis的Context与Effect机制下注册项有明确清理路径。它不是概念演示而是真实可用的高级能力。四种模式对应不同的信任等级与任务复杂度。标准模式适合日常PTC模式适合长链调用极简模式适合基准测试创造模式适合研究与高级自动化。模式的切换不改变底层会话与插件结构只改变呈现给模型的能力面。这个设计让团队可以在不同任务上使用不同档位而不需要维护多套部署。Session Log是DSH里另一个值得单独讲的能力。系统提示词、推理过程、工具调用与结果、子Agent调度、所有context注入全部写入同一份仅追加日志。这份日志是append-only的任何一次运行都留下完整的事件流。调试Agent时最痛苦的黑盒问题在这里变成了可以翻看的白盒记录。模型每一步为什么这么做日志里都有当时的输入与输出。更关键的是resume、fork、search、replay全部跑在同一条事件流上。被打断的运行可以从断点恢复出现分支可以fork出新会话探索。想复现某个结果可以直接回放当时的完整上下文。这些操作在传统Agent产品里往往需要手工保存快照这里由事件流天然支撑。同一个会话可以在不同时刻被恢复成不同的形态互不干扰。断点恢复对长任务的价值尤其明显。一个需要跑二十分钟的任务中途网络抖动导致进程退出过去只能从头再来。事件流让恢复直接从最后一个成功动作继续。团队的CI可以把Agent任务当作可恢复作业来调度长任务的生产可用性边界因此改变。稳定性由可回放的事件流兜底不再依赖单次进程的运气。审计与复现也不再依赖运气。权限切换、审批请求、工具参数、执行结果与取消原因都会进入Session Log。出现问题时可以精确还原当时模型看到了什么、做了什么、被拒绝了什么。对需要合规审计的团队这份日志本身就是可交付的证据。对需要复现bug的开发者这份日志就是完整的现场记录。安全策略是Harness最容易被忽视、却最值得细读的部分。项目默认采用workspace-write模式把命令执行和文件修改限制在当前工作区及允许的临时目录中。需要扩大权限的操作配合ask审批策略处理。更宽松的danger-full-access模式也存在但必须由部署方明确选择。它不会被包装成一个看似无害的兼容选项。工具调用还要经过前置策略、单调安全守卫、执行包装和后置处理。被守卫拒绝的操作不能被后续插件重新放行。需要扩大权限的命令必须说明原因并通过审批机制重试。文件系统、Bash和子进程共享同一套沙箱策略。这避免了命令受限、文件工具却能绕过的割裂边界权限路径一致。更值得注意的是失败关闭原则。如果系统无法确认隔离机制真正生效它会拒绝执行而不是悄悄退化为无保护运行。这种选择牺牲了少量便利换来了确定性的安全边界。对把Agent放进生产环境的团队来说确定性的安全行为比花哨的权限界面重要得多。安全不是功能列表而是系统性的默认行为。把模型、执行层与安全策略放在一起看DSH的目标是成为可信任的Agent运行底座。它允许团队用自己的模型、自己的工具、自己的沙箱在受控边界内运行智能体。这种模式与只订阅一个云端编程助手完全不同。数据不出域、权限可控、过程可审计正是私有化部署最看重的三件事。模型侧的新东西不只是基准分数部署路径也同步开放。官方模型卡给出了vLLM与SGLang两套正式支持的部署方式并且把DSpark投机解码做成了单flag开关。想体验投机解码只需在vLLM启动参数里追加一段speculative-config。目标权重与草稿权重来自同一个检查点不需要额外下载草稿模型。这让自托管从概念变成了可执行的方案。vllm serve deepseek-ai/DeepSeek-V4-Pro-0813 --trust-remote-code --kv-cache-dtype fp8 --block-size 256 --data-parallel-size 4 --enable-expert-parallel --moe-backend deep_gemm_mega_moe --attention-config {use_fp4_indexer_cache: true} --speculative-config {method:dspark,num_speculative_tokens:7,draft_sample_method:greedy}这条命令在单节点四张GB300上即可运行官方把对应的硬件食谱与参数组合放在了vLLM的recipes页面。对只想跑通推理的团队照抄官方配方是最稳妥的起点。需要更低延迟的场景再逐步调整数据并行度与投机参数。部署不再需要从零摸索官方已经给出了可复制的路径。照做即可踩坑成本被压到最低。SGLang路线同样完整。启动时指定--speculative-algorithm DSPARK目标与草稿权重同样来自同一个检查点。官方还提供了flashinfer_mxfp4后端与低延迟策略组合的cookbook。两条推理引擎路线同时维护说明DeepSeek清楚企业环境里引擎选择的分歧。团队用哪套顺手就用哪套模型侧不做绑定。两条路线共享同一套模型文件切换引擎不必重新下载权重。部署层面的硬件门槛也写得很明白。官方明确这是面向单节点四张GB300的方案参数规模决定了它不属于消费级硬件能跑的范畴。这反而让选择变得清晰想跑满血V4 Pro备好H100或GB300级别集群。想低成本验证走API或等待更小的蒸馏版本。算力预算不同路线完全不同。硬件规划应该放在立项阶段而不是上线前。本地推理的采样参数官方同样给出了明确建议。智能体场景推荐temperature为1.0、top_p为0.95其他场景top_p为1.0。在高与最高推理档位下最大输出长度建议开到384K token。这些数字写在模型卡里而不是留给用户猜。参数有出处复现才有依据团队之间也好对齐。对Agent长任务输出长度上限直接决定任务能否完整跑完。模型与Harness组合起来才构成完整的私有化拼图。模型负责回答质量Harness负责执行质量安全策略负责边界。三者可以分别替换也可以整体部署。对企业来说这意味着一套完全由自己控制的Agent栈成为可能。数据不出域模型可换工具可加过程可审计。这套组合把选择权完整交还给了使用者。开源的意义在这里体现得最充分。MIT协议意味着商用无需额外授权可以放心集成进产品。权重开放意味着可以按需量化、微调与蒸馏。Harness开源意味着执行层不再是黑盒安全边界可以被审查。三个MIT叠加在一起私有化不再是妥协方案而是完整的产品路线。每一层都可以被验证也可以被替换。与既有选择的对比也很直接。Claude Code与Codex体验成熟但工具链与数据都留在厂商侧。DSH把同样的能力放回用户手里代价是需要自己维护部署。对重视数据合规的行业这个取舍方向明确。对追求开箱即用的个人开发者官方云服务依然是更省事的选择。两条路线各有代价关键看数据边界在哪。风险同样需要说清楚。DSH v0.1仍是早期预览版本核心插件与基础接口会继续调整后续更新可能包含破坏兼容性的改动。官方把这一点写在仓库提示里没有粉饰。DeepSWE的62.7也还缺少第三方独立验证。评估时把官方口径与社区复现分开看别把营销数字当成能力保证。评估要做验证也要等。回到8月15日这次上线的整体图景。国家级算力平台提供算力开源模型提供能力开源框架提供执行层。三者缺一不可构成了一条完整的国产Agent技术栈。模型公司之间的竞争正在从回答质量延伸到执行质量。谁同时把模型与执行层做好谁就掌握下一轮开发者选择的主动权。对开发者来说现在是最好的测试窗口。v0.1时期参与可以影响接口走向也能提前积累插件经验。对企业来说先在小范围验证私有化部署的成本与收益再决定是否全面切换。这一轮开源浪潮里行动早的团队会拿到先发优势。执行层的竞争才刚刚开始。技术红利期不会等人。