AI 变现案例

模型不缺了，企业缺的是“认知”几个月前，一份财报，改变了外界理解 Snowflake 的方式。截至 2026 年 4 月 30 日的 2027 财年第一季度，Snowflake 收入达到 13.91 亿美元，同比增长 33%，其中产品收入为 13.34 亿美元，同比增长 34%。过去 12 个月产品收入超过 100 万…

谷歌正在以前所未有的速度更新 Gemini。昨晚 当地时间 8 月 13 日，Google DeepMind 正式发布 Gemini 3.7 Flash。谷歌给它的定义非常直接：“迄今最智能的主力模型（workhorse model）”，重点面向编程和 Agent。有意思的是，3.7 Flash 的发布时间，距离 Ge…

Codex 和 Claude Code 两位负责人吵翻了一场开发者封号风波，最后演变成了 OpenAI 和 Anthropic 两位 Coding Agent 负责人之间的一场大型公开“互怼”。事情的戏剧性在于，双方几乎把能发生的情节都演了一遍：OpenAI 的 Codex 负责人手把手教用户怎样把 GPT-5.6 S…

昨天我把 DeepSeek Harness 装上跑了一轮：DeepSeek Harness 安装，初体验，没有惊喜。 写的比较仓促，仅仅是从安装到使用走了一遍。上午我把官方仓库整个拉下来，让 AI 分析了一下，从启动配置一路翻到 Agent Loop、会话事件、工具管线、上下文压缩和插件加载，很多看到的地方，确实有很多 DeepSeek 的设计巧思 省流：本文有AI味，不喜请立即马上迅速叉掉 DeepSeek 这次开源的真正主角，藏在网页下面 这套仓库里有 238 个工作区项目，大家使用的 Web 界面只占其中一层，模型、会话、沙箱、审批、Skills、子 Agent、工作流、上下文压缩、存储和 UI，全被拆成了可以重新组装的零件，我更愿意把它理解成一套 Agent 运行时加发行版骨架，大家说它是 Agent 时代的安卓，很形象 219 个包，DeepSeek 到底拆出了什么 官方反复强调一句话：Everything is a Plugin，至少有三层含义 DeepSeek Harness 三层插件运行时 第一层是组装层，决定这次启动要装什么 第二层是 Cordis 运行层，决定插件如何依赖、通信、卸载和清理 第三层才是用户能看到的 Agent 能力，模型、工具、循环、会话、存储、沙箱和 UI 都在这里 第一层：一个 dsh 进程，先由配置拼出来 DeepSeek Harness 启动时不会加载一份巨大的固定配置 它会按顺序叠几层东西： Bundle 列表，先放进 dsh-base web 或 headless Profile，决定产品入口 Profile 自己的 cordis.patch.yml 用户目录里的长期修改 本次命令行传入的 --patch Profile 决定整个进程有哪些能力，Preset 决定某个会话能拿到哪些工具、提示词和工作流 同一个 Web 进程里，不同会话可以挂不同 Preset 这意味着 DeepSeek Harness 的扩展单位已经从“给 Agent 多加一个工具”，扩大到“给一个会话换掉整套运行方式” 第二层：Cordis 负责让插件活起来 Cordis 是这套系统的底盘 它的 Context 可以理解成一个带作用域的服务容器，插件从里面拿 tools、llm、sessions 等服务，也把自己提供的能力注册进去 一条能力通常会拆成三个角色： 服务定义：约定能力叫什么、数据长什么样 Provider：真正提供能力，例如 DeepSeek 模型适配器 Consumer：使用能力，例如 Agent Loop 请求模型 Cordis 还提供多种事件方式 普通广播适合通知，waterfall 可以让多个插件依次改写同一份数据，parallel 可以并行执行，serial 可以按顺序找到第一个愿意处理的插件 Agent 的请求、工具审批、压缩触发、结果加工，很多接缝都靠这些事件串起来 这里最漂亮的细节叫“可逆副作用” 插件注册一个工具、监听一条事件、挂一条网页路由时，会同时登记清理动作 插件卸载或重载，Cordis 会把这些注册一起撤掉 热插拔才不会变成“旧工具还挂着、监听器越叠越多、重载几次就行为漂移” 这也是它敢把 UI、循环和存储都开放给插件的基础 第三层：连 Agent Loop 都只是一个插件 很多产品把 Agent Loop 写成不可碰的核心，再开放几个工具入口 DeepSeek Harness 把 Loop 本身也放进插件树 模型怎么请求、一步何时开始、工具怎么调度、任务什么时候停，都可以在这条链上被观察和改写 官方仓库里甚至准备了另一套 LLM 适配器 dsh-llm-pi-ai，底层使用 Pi 的 @earendil-works/pi-ai，dsh 借用了它成熟的多模型适配层，自己的会话、工具和运行时仍然走 Cordis 体系 这个安排很能说明 DeepSeek Harness 的思路：需要一项能力时，做一个 Provider 接进来，用户无需跟着重写 一轮任务，源码里同时跑着两条线 DeepSeek Harness 里，一个 Turn 可以包含很多 Step 一次 Step 大致等于一次模型请求，加上这次请求产生的工具调用 DeepSeek Harness Turn 与事件管线 第一条是持久事件线 一次任务会依次出现： turn/start step/start user/message request header assistant/chunk assistant/message tool/call tool/result step/end turn/end 模型供应商、模型名、思考强度、系统提示词和工具目录，也会作为请求头快照写进日志 后面恢复会话时，系统能知道当时到底给模型看

千呼万唤始出来，DeepSeek Harness 发布了，先说个冷知识，DeepSeek Harness 是用 Claude Code 开发出来的 如果你还在好奇 Harness 到底是什么，最简单理解： 除模型本身以外的所有工作，都属于Harness的范畴 基座大模型相当于智能体的“大脑”，负责推理、理解需求、生成代码；读文件、改代码、执行命令、组织上下文、调用工具、保存会话、申请权限、派发子 Agent，这些模型之外的工作都在 Harness 这一层 同一个模型放进不同 Harness，体验可能差得非常远，细节大家可以看我这篇文章，会有感受：被Harness圈捧成圣的 Pi Agent，接上 DeepSeek-V4-Flash，如虎添翼 如果你想更细致了解Harness可以看我这篇：2026 年，AI 编程 Agent 的真正分水岭——Harness 详解一文中已有详细介绍 下面一起看看 DeepSeek Harness 到底如何，是不是 Claude Code 平替？ 安装极简单：npx @deepseek-ai/dsh web 比较意外，它甚至没有 TUI，也没有客户端，只能网页端打开 目前还在内测，初步感觉：半成品上桌了，maybe 功夫都用在了看不见的地方吧 看 Github 上 DeepSeek Harness的设计，已经把一套完整运行环境搭出来了： Web 界面负责会话、工作区和设置 Agent Loop 负责组织模型请求与工具调用 工具系统负责执行命令、文件操作等动作 会话记录负责恢复、分叉和重放上下文 权限策略负责在高风险操作前拦一道 插件系统负责把上面这些能力替换、组合和扩展 配置模型 把官网开放平台获取的 API Key 填进去就行了 使用 界面可以用“陋室”形容，你甚至感觉来到了 DeepSeek 官网 第一步要做的是选择一个本地文件夹作为工作区 它有几种Agent预设模式，大致看了下，默认标准模式就可以，全县更大点的是 PTC 模式，可以通过 Code Mode SDK 让模型用 TypeScript 程序组合多步操作 Agent 预设可以自定义 预设即一个会话的 Agent 所运行的插件组装 —— 它的工具、提示词与能力。复制一份既有预设改成自己的，或用「创造模式」让 Agent 帮你创建。 我没来得及细致研究预设，玩深了在倒腾吧 选择一个工作区以后，输入框才会真正解锁 设置 剩下的东西都藏在设置了 比如权限设置，我都已经麻木了，直接 Full access 前面有一步模型添加，在设置中也可以，支持第三方大模型的接入 重头戏——插件 一切皆插件，才是这次开源的重点 DeepSeek Harness 的核心设计叫「一切皆插件」 我初步理解，很像被Harness圈捧成圣的 Pi Agent，接上 DeepSeek-V4-Flash，如虎添翼中 Pi 的扩展 模型适配器是插件，工具注册表是插件，会话日志是插件，连 Agent Loop 本身也是插件 很多 Agent 产品允许你装几个工具，dsh 往前又走了一步：Agent 怎么循环、工具怎么执行、上下文怎么进入模型，都可以在配置层被替换 它的底层由 Cordis 驱动，一个正在运行的 dsh，本质上是一棵启动时组合出来的插件树 官方目前提供两种主要形态： web：带浏览器界面的完整应用 headless：没有服务器，接收一次任务并返回结果 每种形态都由多层配置叠起来，基础能力放在底层，用户自己的修改放在上层 想看机器实际启动了哪些插件，可以运行： dsh --profile web --dump-config 实测 照惯例，所有模型我都会让其先做一下《背影》阅读理解+SVG 代码生成 + 审美测试 Harness 是否真的可以给 DeepSeek-V4-Flash 注入神秘力量呢 请看 整整4分钟鏖战 输出结果：差点意思，第二次背景原文没的不对呢 Token消耗情况：1 轮 · 14 步 LLM 3m55s 工具调用 18.2s 首 token 平均 1.2s 112 tok/s 缓存命中 93% 输入 680K tok 输出 24.5K tok 作为对比，看下我最近常用的 Pi+DeepSeek-V4-Flash 确实稍微好一点点，虽然第二个识别也不行 Token消耗情况 找GPT分析了一下： 指标 DeepSeek Harness Pi + DeepSeek-V4-Flash 对比 输入 680,000 245,232 Harness 约 2.77 倍 输出 24,500 6,794 Harness 约 3.61 倍 总量 704,500 252,026 Harness 约 2.80 倍 缓存命中率 93% 98.2% Pi 高 5.2 个百分点

一款广受欢迎的、隶属于 Anthropic 公司的 JavaScript 运行时及工具链在利用 AI 重写后，因其执行速度之快而广受赞誉，但也因其项目背后糟糕的编码实践而遭到批评。Bun 的创建者 Jarred Sumner 宣布，他利用一批并行运行的 Claude 智能体，仅用 11 天就将 Bun 从 Zig 编程…

过去一年，编程 Agent 的能力大幅提升，软件工程师对它们的要求也比以往任何时候都高，但上下文窗口的大小却基本停滞不前——一年前，一百万个 token 大致就是最先进的水平，如今依然如此。随着我们逐渐进入 Agent 日常处理 Monorepo（单体仓库）级任务的世界，将越来越多的信息塞进模型那固定的上下文限制中，这…

8 月 11 日，Pi Harness 创始人 Mario Zechner 转发了一组数据：开发者 0xEvan 用 Pi 调用 DeepSeek V4 Flash，处理了近 10 亿输入 Token，缓存命中率达到 99.93%，最终只花了 2.65 美元。如果没有缓存，同等用量预计需要 132 美元。同一天，另一名…

近期，Rust 项目中的五个团队已经正式采纳了一项关于 AI 编程的新准则，用来规范贡献者在向 rust-lang/rust 提交代码时，应该如何使用大语言模型（LLM）。rust-lang/rust 是 Rust 项目的主要单体代码库。该准则的作者 Jynn Nelson 于 2026 年 8 月 5 日在 Insi…