AI 变现案例

DeepSeek发布首个Harness产品，以“一切皆插件”为核心，支持模型、工具、Skills等模块自由拆装，并提供四种模式。实测显示其在复杂任务上表现不俗，但长任务稳定性待提升。本文深度评测其能力与门槛，解析这款开发者工具的独特定位与生态潜力。 DeepSeek也有自己的“马具”了。 8月13日晚，DeepSeek发布首个Harness产品DeepSeek Harness。上线一天，GitHub Star就突破5万。 Harness是什么？简单理解，如果模型是“大脑”，Harness就是让模型真正动手干活的一套“手脚”。文件怎么读、工具怎么调、上下文怎么管理、任务如何持续执行，都需要Harness来组织。模型决定它有没有能力完成一件事，Harness则影响这些能力最后能不能顺利跑起来。 过去，这套“手脚”通常由厂商提前装好。用户打开Agent，只需要告诉它要做什么，很少需要关心背后的工具、上下文和运行逻辑。 DeepSeek偏偏反着来。它给DeepSeek Harness定下的核心理念是“一切皆插件”。模型、工具、Skills等模块都可以拆开、替换和重新组合。缺什么能力，可以装插件；觉得现有Agent不顺手，还可以通过创造模式重新配置一套自己的Agent。 为了适应不同场景，它还提供标准、程序化工具调用模式（Programmatic Tool Calling，PTC）、极简和创造四种模式。标准模式功能最完整，适合直接干活；PTC模式可以通过代码组合多步工具调用，更适合批量、结构化任务；极简模式则把能力压缩到最基础的工具，更接近模型“裸奔”；创造模式允许用户自定义Agent。 DeepSeek Harness还有一个比较特别的设计，运行过程基本都可以回看。模型看到了什么、调用过哪些工具、在哪一步出错，以及上下文如何变化，都被记录下来。 DeepSeek配上自己的Harness，真的会更好用吗？我们也来上手试一试。 需要说明的是，除特别说明外，本文测试均接入DeepSeek-V4-Pro的API，使用标准模式，思考档位设置为High。本次测试也没有为了“集邮”逐一覆盖四种模式，PTC更偏向开发场景，因此没有单独展开。同时，各项结果均为单次生成，存在一定随机性，仅作为实际使用体验参考。 下面进入具体测试。 01.简单任务：财报会读，网页能搭 正式上强度之前，我们先从两个基础任务开始。 我们先让DeepSeek Harness读取桌面上的腾讯财报文件，整理关键数据，并总结其中值得关注的变化。 整个过程比较顺利，它能够正常读取文件，把主要财务指标和业务变化整理出来，再给出一份简短总结。结果谈不上惊艳，但信息抓得比较准，总结也比较到位。 一个细节是，它在补充个别背景信息时，会主动注明内容来自外部来源，没有把额外搜索到的信息和财报原文混在一起。对于财报解读这类强调信息出处的任务来说，这种边界感还是比较实用的。 接下来，我们想看看，DeepSeek Harness的标准模式和极简模式之间到底有没有明显差距。 我们用两个不同的模式分别为一家名为“山雾咖啡”的独立咖啡店制作单页官网，页面需要包含品牌介绍、6款饮品菜单、营业时间和门店信息，同时有菜单分类切换、饮品详情板块。 结果是，几乎没拉开差距。标准模式选择了棕色作为主视觉，更接近常见的暖色咖啡馆风格；极简模式则用了墨绿色，整体更清冷一些。除了配色和部分排版细节，两边的页面结构、功能模块和交互都比较接近，菜单切换、饮品详情等要求也都正常实现，完成时间同样相差不大。 这可能和题目本身比较简单有关。网页的需求清楚，任务链也不长，不需要频繁搜索资料、调用多个工具或者长时间维护上下文。即便只保留最基础的能力，模型也足够把页面做出来。 至少在简单任务里，工具更多，并不等于结果一定更好。 02.复杂任务：能做“重”活，也会栽在细节上 接下来，我们继续上强度，加入更复杂的物理模型和3D交互演示，看看DeepSeek Harness面对长任务时，能不能把整套逻辑真正跑通。 我们要求它用Three.js制作一套鲁布·戈德堡机关：要求金属球从斜坡滚下，依次撞倒多米诺骨牌，再触发摆锤，最终弹起小方块撞下按钮、升起旗帜。 这道题最重要的是因果链必须成立。小球没有滚下来，多米诺骨牌就不能自己倒；骨牌没有触发摆锤，后面的机关也不能凭空开始运动。 DeepSeek Harness第一次交出的结果，就在这里出了问题。点击开始后，小球并没有顺着斜坡滚下来，多米诺骨牌却自己开始倒下。后面的摆锤虽然确实被骨牌撞到，但整条因果链从第一步就已经断了。 DeepSeek Harness生成的机关 我们指出问题后，它重新检查并修改了问题。第二版里，小球终于能够沿着斜坡滚落，撞上多米诺骨牌时，还能明显看到速度下降和受阻的效果。 第二道题，

AI智能体能力调度微服务技术文档 1. 服务概述 AI智能体能力调度微服务是面向多智能体集群的轻量化调度核心服务，旨在解决多AI智能体能力冗余、资源浪费、任务分配混乱、执行效率低下等问题。服务基于微服

IT之家 8 月 15 日消息，英伟达 8 月 11 日宣布与阿波罗、贝莱德、黑石、布鲁克菲尔德、高盛和 KKR 合作，建立独立融资平台，计划随着时间推移调动超过 5000 亿美元的第三方资本，用于 AI 基础设施建设。英伟达 CEO 黄仁勋在声明中提到：公司可能会在某个时候针对部分 AI 基础设施投资项目提供最高 25% 的残值支持，以帮助金融机构降低相关资产融资风险。英伟达将这一计划定位为推动 AI 算力成为可投资资产类别的一项举措。公司认为，过去企业通常自行采购 GPU 并建设数据中心，而未来 AI 工厂可以像其他生产性基础设施一样，通过长期机构资本和标准化融资平台进行建设。黄仁勋表示，这些融资平台面向符合条件的 AI 实验室、企业和 AI 云服务商。超过 5,000 亿美元（IT之家注：现汇率约合 3.38 万亿元人民币）指的是相关平台计划随着时间推移调动的第三方资本总规模，并非英伟达的收入、单一基金规模，也不是对某一家客户的单笔融资承诺。根据英伟达公布的信息，参与合作的金融机构将独立评估具体项目，包括客户情况、算力需求、利用率、现金流和资产残值等因素。英伟达负责提供 AI 工厂平台，而长期资本和融资则由金融机构提供。此次计划公布后，市场关注点之一是这种融资模式是否会形成所谓“循环融资”。英伟达对此回应称，相关融资平台将由独立的长期机构资本参与，具体项目也需要经过金融机构独立评估，公司并不会替投资机构决定是否提供融资。在残值支持方面，黄仁勋表示，在部分情况下，英伟达可能为单个项目提供最高 25% 的残值支持，但会逐个项目进行审慎评估。英伟达强调，这一支持机制以资产残值为基础，旨在补充而非取代金融机构自身的风险评估。所谓残值支持，核心是降低金融机构对 AI 算力设备未来价值下降的担忧。如果相关项目出现违约或资产处置情况，GPU 等设备的实际残值低于融资模型预期，英伟达提供的支持机制可以覆盖部分风险，但并不意味着英伟达承担整个项目的融资责任。英伟达认为，其 AI 算力基础设施具有一定的资产属性。公司所称的“AI 工厂”并不只是 GPU，还包括高速网络、系统软件、AI 框架以及 CUDA 开发生态，可以运行语言、视觉、语音、生物、机器人等不同类型的 AI 工作负载。黄仁勋认为，NVIDIA 平台具有较广泛的客户和应用基础。当某一客户需求发生变化时，相关算力基础设施理论上可以重新部署给其他客户、云服务商或运营商，因此资产并非只能服务于单一用户。英伟达还强调，软件升级可以延长硬件的经济使用周期。公司以 A100 为例称，该产品于 2020 年推出，到 2026 年仍在用于 AI 训练、微调、推理和高性能计算，并有客户继续签订多年算力部署协议。相关阅读：《NVIDIA 牵头组建 5000 亿美元人工智能计算基础设施融资平台》《英伟达 CEO 黄仁勋谈 5000 亿美元融资计划：AI 芯片已是“投资级资产”》