DeepSeek 发布 V4‑Pro 与首个 Harness：模型之后，Agent 基础设施成为下一战场
DeepSeek‑V4‑Pro‑0813 正式发布，第一代 DeepSeek Harness 对外开放，API 服务同步调整价格策略。单独看，每一项都能找到熟悉的行业叙事；连在一起看，指向却很清楚：DeepSeek 正在把模型、Agent Runtime 与规模化服务放进同一套技术版图。
V4‑Pro 负责提供更强的推理、编程和工具使用能力；Harness 负责把模型接入工具、会话、文件系统、沙箱与执行循环；插件机制则让这些部分可以按场景替换和重组。价格调整落在最现实的一层：当 Agent 开始持续运行，模型厂商必须考虑计算资源如何调度，企业也要重新理解一次任务的真实成本。
这次发布值得关注的，正是 DeepSeek 对 Agent Runtime、插件体系和动态组合能力的进一步探索。
01 DeepSeek‑V4‑Pro 正式发布:Agent 与 Coding 能力表现亮眼
V4‑Pro‑0813 是 V4 系列的高能力版本。它采用 MoE 架构，总参数量1.6T，每个 Token 激活约49B参数，上下文长度达到100 万 Token。MoE 的意义在于保留庞大的专家容量，同时让每个 Token 只调用其中一部分参数，避免推理成本随着总参数量同步增长。V4‑Pro 因而能够把更多容量用于知识密度高、决策链长的复杂任务。
百万上下文并不只是把窗口数字做大。代码 Agent 需要同时容纳仓库结构、多个源文件、依赖关系、终端输出、测试日志和历次工具返回；任务一旦拉长，KV Cache 与逐 Token 推理开销都会迅速增加。V4 使用由 Compressed Sparse Attention（CSA）和 Heavily Compressed Attention（HCA）组成的混合注意力结构：CSA 从压缩后的上下文中筛选重要信息，同时保留局部窗口；HCA 对压缩程度更高的全局信息做密集关注。两类注意力交替工作，兼顾局部细节和长距离联系。
在 100 万 Token 场景下，V4‑Pro 的单 Token 推理 FLOPs 约为 V3.2 的 27%，KV Cache 约为后者的 10%。这组数据比“支持百万上下文”更能说明问题。Agent 能否持续读写长轨迹，受制于显存、延迟和服务成本。上下文只有放得下并且跑得动，才有机会用于大型仓库分析、长文档研究和多阶段工具执行。
模型内部还有两项容易被 Benchmark 遮住的变化。mHC（Manifold‑Constrained Hyper‑Connections）用于改善深层网络中的信号传递稳定性，避免残差路径在大规模训练中失控；Muon 优化器则承担 1.6T MoE 模型的收敛效率与训练稳定性。V4 系列在超过 32T Token 上完成预训练，后训练先分别培养代码、推理等领域能力，再通过 on‑policy distillation 合并到统一模型中。最终发布版本对 MoE 专家参数采用 FP4、其余主要参数采用 FP8，也为大模型部署压低了存储与计算负担。
再看 Agent 成绩，不同任务类型同时都有变强。Terminal Bench 2.1 的87.9说明模型在终端环境中的操作能力稳定；DeepSWE 从 Preview 的 12.8 提升到62.7，变化发生在真实代码仓库理解、修改和验证这一整段链路；DSBench‑Hard 从 31.1 提升到67.2，Toolathlon‑Verified 达到74.1，也说明复杂数据任务和多工具协作没有成为明显短板。
更强的模型提供了能力基础，而这些能力如何连接工具、环境和任务流程，则需要模型之外的运行体系。
V4‑Pro 正式发布后，API 价格也即将上调。
与目前执行的价格相比，新的非高峰价和高峰价均有上涨。按人民币/百万 Token 计算，Flash 的缓存命中输入、缓存未命中输入和输出价格，当前为 0.02 元、1 元和 2 元，新非高峰价为 0.05 元、1.5 元和 4.5 元，新高峰价为 0.10 元、3 元和 9 元。Pro 当前为 0.025 元、3 元和 6 元，新非高峰价为0.15 元、4.5 元和 13.5 元，新高峰价为0.30 元、9 元和 27 元。
也就是说，新非高峰价本身已经高于当前价格，高峰价又在此基础上翻倍。与当前价格直接比较，新高峰价中 Flash 的三项费用提高到3—5倍，Pro提高到3—12倍，V4 API的实际使用成本将明显上升。
02 DeepSeek 发布首个 Harness：Everything is Plugin
DeepSeek Harness 是 DeepSeek 推出的第一代 Agent Harness。它把一次 Agent 运行需要的关键部分组织到一起：模型适配器负责连接不同模型，工具注册表提供可调用能力，会话日志保存运行轨迹，系统提示词定义行为边界，Agent Loop 驱动推理与执行，文件系统和沙箱则承接真实操作。
这套架构最鲜明的设计是Everything is Plugin。模型适配器是插件，工具注册表是插件，会话日志是插件，Agent Loop 同样是插件。Web 界面、一次性 Headless 运行器以及面向具体业务的自定义形态，都由同一棵插件树组合出来。系统没有一块不可替换的“特权内核”，具体能力通过共享 Context 注册服务、事件和副作用。
插件树并不是把一组模块简单堆在一起。Profile 决定一次启动采用哪套具名装配，Bundle 提供可以复用的能力组合，Patch 则允许在启动时覆盖局部配置。团队可以从基础运行包开始，加入模型、工具、持久化、沙箱审批、凭证和遥测，再根据 Web、Headless 或内部工作流的需求继续叠加。更换模型或工具集时，不必复制整套 Agent；调整对应配置和插件即可。
插件的退出机制同样重要。一个插件加载时可能注册工具、订阅事件、修改 Context，甚至创建外部资源。如果卸载只删除插件名称，遗留的监听器、状态和连接会让系统越来越难以预测。
Harness 依赖 Cordis 跟踪这些注册与副作用，在插件退出时按生命周期撤销相关变化。可替换因此不再停留在目录结构上，而成为运行期可执行的能力。
Profile、Bundle、Patch 和可撤销注册共同构成了一套可持续扩展的 Agent 运行体系。开发者可以针对任务组装 Harness，产品团队也能维护多种运行形态，同时保留一致的底层机制。
当 Agent 的各项能力都变成插件，新的问题就出现了：这些组件如何在运行过程中安全加入、退出和重新组合？
03 从 Plugin 到自演化 Agent：DeepSeek 探索动态组合的软件范式
未来的 Agent 不会永远使用一套固定能力。它可能根据任务加载新工具、替换模型、调整执行环境，甚至生成新的能力组件。要做到这一点，插件数量多还不够；运行体系必须解决两个问题：组件离开后能否恢复现场，组件进入新环境后能否找到所需依赖。
Temporal Composability：组件离开后，系统能够恢复
插件进入系统后通常会留下痕迹。一个代码审查组件可能注册若干工具，写入系统提示词，订阅文件变更事件，创建临时目录，再建立与外部服务的连接。任务结束后，如果这些动作无法逐项撤销，下一次运行就可能读到残留状态，或者重复注册同名能力。
Temporal Composability 处理的是组件跨时间变化的问题。它引入Revertible Effects：每次 Context Transformation 都携带对应的 inverse，Runtime 记录组件产生的变化及其恢复操作。
注册工具对应注销工具，添加监听器对应移除监听器，打开资源对应关闭资源。组件退出时，Runtime 沿着已记录的生命周期恢复上下文，不要求每个上层调用者记住全部清理细节。
这套机制让热替换具备实际意义。模型适配器需要升级时，可以先卸载旧版本，再载入新版本；某个临时工具只在特定任务阶段存在，阶段结束便能完整退出；任务失败后，运行环境也可以回到可继续使用的状态。通俗地说：组件可以来，也可以干净地离开。
Spatial Composability：组件能够根据环境自动组合
组件能卸载，还不等于能够自由组合。传统依赖往往直接写死对象或调用路径：某个工具依赖指定数据库客户端，某个 Agent Loop 绑定固定模型服务。一旦运行环境变化，开发者就要手工改线、重启，甚至复制一套实现。
Spatial Composability 换了一种关系。组件声明自己需要什么能力，例如“可写文件系统”“具备审批能力的沙箱”“满足某种接口的模型服务”，而不是把依赖锁定在一个具体对象上。这类需求被描述为 Reactive Coeffects。共享 Context 发生变化时，Runtime 重新解析依赖，并根据结果决定组件激活、停用还是保持当前状态。
时间可组合性管理“修改”，空间可组合性管理“依赖”。前者保证变更可逆，后者保证关系可重算。两者放进同一种 Context 类型后，动态加载、完整卸载和依赖重组才形成闭环。
Cordis：让动态组合真正运行起来
Cordis 将这套机制落到了运行框架中。
- Declarative Component Loader 负责读取配置条目、协调目标配置与当前状态，并支持热模块替换；
- First‑class Context 承载服务、状态以及组件之间的依赖关系；
- Effect Tracking 记录副作用与恢复操作；
- Coeffect Resolution 则在 Context 变化时重新求解依赖，推动组件激活、停用或重组。
这四部分解决的是同一个工程问题：Agent 的能力结构如何在运行时变化，同时保持可控。声明式装载器告诉系统“希望有哪些组件”，Context 告诉组件“当前拥有哪些能力”，Effects 负责安全修改，Coeffects 负责响应环境。上层只需要表达配置和需求，底层完成生命周期管理。
对 Agent 来说，这意味着能力扩展可以进一步摆脱固定流程。今天的 Agent 调用预先配置好的工具；下一阶段，它可以依据任务动态装载工具包、切换执行环境、替换模型策略，并在任务完成后清理这些临时能力。再向前一步，Agent 还可能根据运行反馈生成或调整自己的组件结构。所谓 Self‑Evolving Agent，关键不在“自动写出一个新工具”的演示，而在新能力能否被验证、加载、约束、撤销并持续管理。Harness 与 Cordis 提供的，正是这条路径所需的运行基础。
04 OpenCSG：连接模型、Runtime 与企业 AI 基础设施
DeepSeek 展示了模型和 Runtime 的发展方向。企业要让 Agent 进入研发、客服、运营和数据分析等核心流程，还要管理模型、数据、Skill、工具、工作流和每一次运行记录。能力越动态，资产来源、访问权限、版本关系和效果评估就越不能分散处理。
OpenCSG 正在围绕这条链路建设企业 AI 基础设施。CSGHub用于统一管理模型、数据集、Prompt、Skill、MCP 与 Agent 组件，让团队知道能力来自哪里、由谁维护、当前使用哪个版本。CSGLite 提供模型下载、本地运行和效果验证入口，便于企业在接入业务前完成小范围测试，也让敏感场景保留本地部署选择。
进入执行层，CSGClaw面向由 Manager、Worker、Skill、Tool 与 Sandbox 组成的多 Agent 协作。Manager 负责拆分和调度任务，Worker 承接具体执行，Skill 与 Tool 提供能力，Sandbox 控制代码和命令的运行边界。它解决的是复杂任务如何分工、协作和受控运行，并非对某一套 Harness 的简单映射。
再向上，AgenticHub 以 Enterprise Agent Control Plane 的方式统一管理 Agent、Workflow、Knowledge、Skill、Tool、MCP 及其生命周期，把分散的能力转成可配置、可复用的企业资产。
AgenticOps则继续覆盖上线后的观察、评估、优化和治理：任务是否完成、在哪一步失败、用了哪些模型和工具、成本是否符合预期，都需要留下可分析的运行依据。
这些产品关注的是企业落地的连续过程：先管理 AI 资产，再验证模型与能力，然后组织 Agent 协作，最后对运行过程进行治理。动态组合为 Agent 打开了更大的能力空间，企业基础设施则要为这种变化补上权限、安全、版本、成本和责任边界。
这也是企业部署 Agent 时容易被低估的一点：能力不是上线一次便固定下来。模型会升级，Prompt 和 Skill 会调整，数据权限会变化，MCP 服务与外部工具也可能临时下线。缺少统一控制面后，一次局部更新就可能影响多条业务流程。完整基础设施需要把“谁在什么时间，用哪个版本的能力，处理了哪些数据，产生了什么结果”记录清楚，才能在效率提升之外守住审计和治理要求。这样，业务创新与平台治理才能同步推进。
05 结语
V4‑Pro 为 Coding Agent、Tool Agent 和复杂任务系统提供了更强的模型基础；DeepSeek Harness 把模型、工具、会话、循环与执行环境组织成可替换的插件树；围绕可逆副作用、反应式依赖和统一 Context 的设计，又让运行时动态组合成为可能。
对企业而言，下一步并非简单增加几个 Agent。模型、Runtime、AI 资产与业务流程需要被连接到同一条可管理的链路中。
模型决定 Agent 能力的上限，而 Runtime、插件体系和企业基础设施，决定这些能力能否真正进入业务。
06
OpenCSG 社区：
Hugging Face 社区：
Deepseek Harness开源链接：
07 OpenCSG vs 魔搭：如何选择？
模型部署和推理使用在魔搭、OpenCSG 等模型社区中均可实现，但OpenCSG/CSGHub 的核心在于，它不只是让模型“跑起来”，而是进一步支持企业把模型、数据集、代码和应用等 AI 资产放到本地、内网或离线环境中统一管理。它解决的不只是“模型怎么部署、怎么调用”的问题，更是“模型进入企业后如何被安全管理、版本沉淀、权限控制和持续运营”的问题。
对于企业来说，CSGHub 可以帮助构建自己的私有模型资产中心，降低对外部平台的依赖；对于个人开发者来说，也可以用更系统的方式管理模型、实验项目和 AI 应用流程。相比更偏向模型发现、体验和使用入口的魔搭，CSGHub 更适合那些希望把 AI 能力真正沉淀下来，并长期维护、持续迭代的用户。
08 关于OpenCSG
OpenCSG 是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps是人工智能领域的一种AI原生方法论，由OpenCSG（开放传神）提出。AgenticOps是Agentic AI的最佳落地实践也是方法论。核心产品CSGHub提供模型、数据集、代码与 AI 应用的 一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。
浙公网安备 33010602011771号