炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：雷峰网）

“V4 Pro实测表现、Harness拆解、DeepSeek的产品哲学，一篇文章全讲透。”

作者丨Rhea

编辑丨李娜 岑峰

不管哪个时代，人都会遇到同一道题：无论宏大叙事还是人生决策，面前问题太复杂，资源和时间却不够，必须决定先做哪个、放弃哪个。

从 1812 年黑格尔的辩证法，到马克思、列宁，再到 1915 年毛泽东在延安写下的《矛盾论》，一百多年里，这套思想最终落到了一个很实际的问题上：复杂事物中矛盾很多，但真正重要的是找到决定其他矛盾的主要矛盾。

今天的大模型行业也不例外，当前大模型行业面临的主要问题有以下这些：

这些矛盾才构成了交错向上发展的行业和机会。没有人能逃避这些选项，DeepSeek 也一样。

我们对 deepseek-v4-Pro以及 Harness 做了几轮实测：直接打接口的探针、七次编码任务运行（其中四次是只改一个变量的对照）、把上下文压到 92 万 token 的位置测试，加上把它 19.8 万行源码和 21.7 万行测试过了一遍。试图来回答以下问题：

总而言之，这几天的研究和使用下来还是很精彩的，我们甚至能透过 v4-Pro和 Harness 管中窥豹，看到一些 DeepSeek 对技术、对人性，甚至对世界的判断和认知。

01

先看模型：DeepSeek V4 Pro 到底强在哪里？

Pro 很可能重做了一次非常先进的后训练

Pro和 Flash 这两个模型其实有挺多版本，我们一次性拉出来看下：

【Provs Flash 全参数对照，含字段释义】

我们会发现两个有意思的结论：

还有一处彩蛋，后面会再 call back：deepseek Harness 的出厂默认模型写的是 deepseek-v4-flash。

【packages/bundle/base/cordis.patch.yml

里 agent-default-model 】

为什么 Pro 正式版拖到 Flash 转正之后才公布？坊间其实预测 Pro 早就该来了。

我们都知道模型预训练定天花板，后训练定发挥。如果去翻旧账会发现四月那版 v4-Pro-Preview 其实有一个缺陷：竞赛型代码题三项全场第一，但 Terminal Bench 2.0 只有 67.9。7 月 31 日 Flash 转正，官方贴出它的 Terminal Bench 2.1 是82.7，而同一张表里 Pro-Preview 是72.1。也就是说 Flash 正式版的 Terminal Bench 已经比旗舰模型Pro的分数高不少了，我合理推测 DeepSeek 在 Flash 版本上尝试出了更好的后训练方法，因此 v4-Pro被回炉重造。

【官方自测当前 v4 家族和几款旗舰模型的评测分数】

再看 v4-pro-0813 的几项跃升里边，正好 Terminal Bench 2.1 从 72.1 到87.9，DeepSWE 从 12.8 到62.7，内部全栈测试集从 41.8 到71.1。

我自己也出了两道题去验这件事，因为分数涨了和活能不能干好是两回事。一道是同一个改动要落到五处分散的调用点上，其中一处是用字符串登记的，grep 根本搜不出来；另一道是两个前后串联的故障，修的顺序错了就白改。在实测中六次运行全部满分，那个搜不出来的点它也找到了。（我们自己造的题、样本小，不与官方或第三方的分数并列比较。）

也就是说这一版补上的是能自己把一件活干完的能力。以前估计得在旁边盯着，现在可以把一件有明确验收标准的活交出去，然后走开。（而且做的更好了。）

但这张官方表还有另一半，中英文媒体都没提。媒体的叙事是“逼近 Claude Fable 5”。而在 DeepSeek 自己贴的对照表里，Kimi K3 在多数 agentic 项上仍然领先 0813，比如 Terminal Bench 2.1 是 88.3 对 87.9，DeepSWE 67.5 对 62.7，Toolathlon 76.5 对 74.1，Agents' Last Exam 27.6 对 25.7。0813 只在三项上领先。（这是官方自测表，K3 与 GLM 的分数来源官方未说明。）

大概 deepseek 想传递的叙事是发生在国产开源之间，并无心和国外闭源模型较真。

还有一个更有意思的数据：官方 changelog 里 Flash-0731 和 Pro-0813 用的是同一套内部测试集、同一个 Harness，所以可以直接并排：

【Flash-0731 vs Pro-0813 同口径九项】

Pro 的总参是 Flash 的 5.6 倍、激活参数 3.8 倍。但换来的是个位数的领先。最难那一项 Agents' Last Exam 分别是25.2 对 25.7，几乎打平。而且它自己那个框架的出厂默认模型写的是 deepseek-v4-flash；第三方评测机构 AA 的 coding agent 榜上，DeepSeek 那一行用的也是 Flash；两个老模型名下线前指向的同样是 Flash。

【AA 的 coding agent 榜上 DeepSeek 那行用的是 Codex+Flash】

几条独立线索都指向同一件事：Flash 才是它认定的主力性价比档，Pro是上限档。

但是官方并没有披露过 0813 这个版本重做了后训练，只说它建立在 Preview 的结构之上、外挂了一个投机解码模块。但同系列的 Flash-0731 有明文："keeps the same model architecture and size … and was only re-post-trained"。因此 Pro模型重新做过后训练是我们的单纯推断而已。

【Flash-0731 官方明文“只重做了后训练”】

还有个值得一提的行业现象，隔一天发布的 GLM-5.3也是同一个 744B 底座、不换架构、不重新预训练，全部提升来自延长后训练，也主打 agentic。两家头部开源模型隔一天做了同一个动作是否说明这一代旗舰升级的主战场，已经从预训练挪到了后训练。

1M 上下文的真相

这是本轮最独家的一处发现，而且任何人都能自己核对。

【Hugging Face 上 config.json 里的 rope_scaling 那几行】

65536 × 16 = 1,048,576，正好 1M。也就是说这 1M 不是原生训练出来的，是在 64K 的基础上用一种叫 YaRN 的办法外推 16 倍得到的。像一个只在 100 米跑道上练过的人，你让他跑 1600 米。也不是不能跑，但是很可能最后几百米的质量直线下降。而且这在同行里是特殊的。三家都标 1M：

【三家 1M 的三条不同路径】

我们可以看到在三个都标 1M 的开源旗舰里，只有 DeepSeek 在配置里明确用了外推缩放。

Kimi K3 没有这个字段，它换掉了注意力机制本身；GLM-5.2 也没有外推参数，它把 rope_theta 拉到了 800 万。但必须说明配置只能证明是否在推理期做位置缩放，不能直接证明训练长度，所以准确说法是只有它明确用了外推。另外 GLM-5.3 的权重开源延后约两周，这一栏对照的是 5.2 的可核配置。

顺便一提：GLM-5.2 的架构类名叫 GlmMoeDsaForCausalLM，它的 indexer 字段和 DeepSeek V4 同名，index_head_dim 连值都一样是 128。而智谱在自己的官方模型卡里明写："GLM-5 also integrates DeepSeek Sparse Attention (DSA), largely reducing deployment cost while preserving long-context capacity."

这就不是推断了，是对方正面写出来的。

【智谱官方模型卡承认集成 DSA，且是正面致谢式表述】

那么按通常的工程认知，外推得来的长上下文代价会出现在窗口后段，也就是说越到后期质量越差。

我跑了个脚本实测了一下，把可客观判对错的事实埋进长文本的不同位置，看它能不能取回来。

【自测五个位置的命中率与埋点深度】

语料 3,857,465 个字符 =923,858 个输入 token。五个位置各埋两条，10/10 全部命中，零编造，零文档中未提及。其中 95% 那个位置，落在约 90.2 万 token 处（真正的尾巴片段）。

所以结论是外推并没有导致窗口后段衰减。不过最后大约 8% 我们仍然没碰到，但足以说明跑到 1440 米还没掉速，只是最后 160 米没测。不过官方自己给 Claude Code 的接入建议里，把自动压缩窗口设在 768K，也就是 1M 的四分之三。他们的建议就是别把 1M 跑满。

【Integrate with Claude Code-768K 自动压缩窗口建议】

02

V4 Pro 到底贵不贵？

单价偏贵，一项任务便宜

第三方评测机构 Artificial Analysis 明确把它的输入价标为 expensive。同类中位数是每百万 token $0.33，它是 $1.32。但它每个任务只花 $0.25，在同批 106 个开源大模型里第二低。

【AA 每任务成本 × 智能指数，含缓存经济学】

比它强的 Kimi K3 每任务 $0.84，贵 3.4 倍；和它同分的 GLM-5.2 是 $0.32；最强的 Claude Opus 5 是 $2.34，贵 9.4 倍。就是说它起步价比别人贵，但路线短、绕得少，一趟算下来还算便宜。

真正省钱的是缓存

agent 干活的方式天生就是绕弯的。读一遍不够就读两遍，改错了再改回来。绕弯就是烧 token。所以真正算账的时候不应该去看单价多少，应该去看完成一次任务要多少米。

我们在长上下文测试里正好量到了这个数：同一份 92 万 token 的上下文，第一次提问花了约 ¥9.00，第二到第五次提问加起来只花了约 ¥0.28。五次提问里被缓存命中的部分完全相同：923,776 个 token，只有 143 到 151 个 token 是新的。而我们四次编码任务的缓存命中率在93% 到 98%之间。这就像熬火锅底料。第一次熬很贵，之后每次下菜只加一点新料。但底料只要被改动一点点，就得从头重熬。也就是说让他多试几遍也没关系，反正大头出在第一次上面。

省钱是写在工程里的

我们在它 219 个包里查到，215个 README 都必须回答同一个问题：我对 KV 缓存前缀稳定性有什么影响。

而且它还有个只许规划、不许动手的 plan 模式。正常做法是把写文件、改代码这些工具从工具表里摘掉，摘了模型就调不到。但是 dsh 没摘。出厂提示词里明写：

【packages/bundle/base/cordis.patch.yml】

它宁可承担模型不听话、真去调用了被禁工具的风险，也要保住请求前缀不变、保住缓存命中。因为很可能拿掉一个工具后整个缓存命中得重来。而且还有一个工程设定：工具结果超过 8,192 字符就裁、留头 4,096 尾 1,024；超过 50,000 字节直接落盘不进上下文；连给会话起个标题都设了 64 token 的输出上限。每一处都在算 token 真不是愿景或者口号，DeepSeek 是真为你钱包着想。

【工程常量三连，都出自同一个文件 packages/bundle/base/cordis.patch.yml】

8 月 17 日 0 点涨价正式生效（英文页写的是 16:00 UTC, Aug 16，恰等于北京时间 8-17 00:00）。

【 定价页峰谷两档价 + UTC 高峰时段脚注】

对旧价的倍数：缓存命中涨 6 到 12 倍，未命中涨 1.5 到 3.0 倍，输出涨 2.25 到 4.5 倍。高峰时段是 UTC 01:00–04:00 和 06:00–10:00，也就是北京时间 9 点到 12 点、14 点到 18 点。

注意涨得最多的是缓存命中。而我们四次编码任务的命中率在 93% 到 98% 之间（最高那次是 1,431,040 对 30,672）。所以这次涨价真正肉疼的是那些把缓存用得最好的人。

把前面几章串起来看，会发现同一件事在不同层面重复出现。

DeepSeek 一直在做同一件事：用更少的算力和更少的上下文，买同样的产出。而当 DeepSeek 把自己的 Harness 也开源之后，我们发现，这种对计算成本的敏感已经不只体现在模型和定价上，而是直接写进了 Agent 的运行方式里。

03

为什么换个 Harness，模型就像“降智”了？

社交媒体和知乎上早有用户实测：把 V4 Pro接到 Claude Code 里明显变差，同样任务换 OpenCode 就正常。那位作者自己也说，分不清是模型的问题还是工具的问题。我们实际测试，打了接口，发现答案是官方路由导致的。

DeepSeek 为了让 Claude 生态的工具直接接过来，做了一层模型名翻译。Anthropic 那边有三档（Opus 旗舰、Sonnet 主力、Haiku 轻快），DeepSeek 只有两档，于是 claude-opus 对应到 Pro，而claude-sonnet 和 claude-haiku 一起对应到 Flash。响应里的 model 字段就是这么回的。

【DeepSeek API Docs-Anthropic 三档压两档的映射】

问题就发生在 Sonnet 这里，这在 Anthropic 那边是干活主力，能力离 Opus 更近，但在这套映射里被和 Haiku 一起归到了 284B 的 Flash。

这是可以定向做的兼容层。我们试了非 claude 的名字：foobar-9000 和 gpt-5-turbo 都直接报 400，错误信息明说只支持那两个 DeepSeek 模型名。只有 claude-* 开头的名字才会静默落到某个 DeepSeek 模型。

所以 Claude 生态的用户命中它是必然的并不是意外。

还有一个更容易踩的坑：配置里写着任何非当前代的 claude 名字，都可能落到 Flash。比如claude-3-opus-20240229 名字里有 opus，但最后落到的是 Flash。 而 claude-opus-4-6 落到 Pro。如果开发者照抄老教程、老脚本，那几乎必然会踩到这个坑里，你以为用的是 pro，实际是 flash 在跑。

那这时候有用户要问了，好家伙你不会收着我 Pro 的钱，实际跑 flash 的质量吧？！我们实际打了 23 发会被映射到 Flash 的请求、把累计输出堆到 10.3 万 token，让余额跳动 ¥1.00。四套价格假设里最接近的是按 Flash 计价（预测 ¥0.925，差 ¥0.075；次近的“按 Pro”差 ¥0.388，远 5 倍）。

所以这不是钱的问题，主要问题是我以为在用 1.6T 的旗舰，实际有一部分活是 284B 的小模型在干，而且没有任何提示。如果开发者拿这样一个环境去评测和跑任务，其实干活的是两个模型的混合物。

因此对开发者而言，用 Claude 生态的工具接它，ANTHROPIC_MODEL、ANTHROPIC_DEFAULT_OPUS_MODEL、ANTHROPIC_DEFAULT_SONNET_MODEL、CLAUDE_CODE_SUBAGENT_MODEL这四个环境变量要一起显式覆盖。

这次测试也让我们意识到，到了 Agent 阶段，只讨论模型本身已经不够了。模型接入什么 Harness、看到什么工具、如何管理上下文，同样会直接影响最终表现。

04

DeepSeek Harness :

它到底解决了什么问题？

8 月 13 日晚 19:19，V4-Pro正式版公告发出。76 分钟后，DeepSeek 把自己的那套脚手架也开源了。

最后一条它写在了仓库描述第一行：

【Harness 时间线十行 + 单向开源四字段】

官方分数终于可以复现了

厂商报跑分，用的都是自家的脚手架，而脚手架不公开。所以我们看到的分数是这个模型配那套脚手架的成绩，实际上不是这个模型的成绩，因为环境拿不到也就没法复现。

DeepSeek 自己在公告脚注里也说明了这件事：0813 的 Code Agent 成绩是用「DeepSeek Harness 极简模式」加 max 思考档跑的，并主动声明“其他框架下结果可能略有不同”：

它把这套配置直接放进了仓库：

【 minimal.cordis.yml 的关键几段】

极简模式下模型能看到的工具只有两个：一个持久 bash、一个字符串替换编辑器。上下文压缩：关闭。系统提示词：一句话。而流空闲超时是 172,800,000 毫秒48 小时。他们预期的是能跑两天的任务。

而有意思的是 Claude Code 恰好是反过来的：重系统提示词、一大堆工具、带自动压缩。两者几乎是对立的两端。

我们照它跑通了，两道题同样满分。那官方备注的“略有不同”到底有多少？我们用同一批题跑了两边：

【实测三配置 × 两题矩阵】

同一道多文件重构题，标准模式走了42 步，官方极简模式走了65 步（多 55%）。另一道终端修故障题，20 步对 27 步，多 35%。两道题极简模式都做对了，但改动密集那道题的成本高了58%，累计的缓存命中量是标准模式的2.4 倍（它没有上下文压缩，65 步全累在一条链上）。

咱比喻一下，相当于只给你一把瑞士军刀去修车，对比给你一整套工具箱。军刀什么都能干一点，所以你确实能修好，但要多拧很多下。工具少不等于省，它是用步数换了工具数。

Everything is a Plugin

Everything is a Plugin那到底什么是 Plugin？我理解其实就是 OS 和 APP 的关系，苹果造 iPhone 的时候，根本不知道十年后会有个叫「小红书」的 App。 核心没变我只需要加强平台环境，能力却无限长出来，这就是插件能带来的想象力。

dsh 把这件事推到了什么程度呢？模型适配器、工具注册表、会话日志、沙箱策略、连派活的那个主循环本身，都是插件，都能从配置里换掉。听上去都是附加能力嘛，但这和 skill 本质的不一样是，skill 是教模型做事，但dsh 的插件是能把底层都掀了，包括文件系统后端、压缩策略、循环驱动这些内核件。

而且它还多走了一步，也是自进化这个愿景的实际工程落地：它给模型准备了五个工具，让模型在运行中的进程里自己写插件、挂载、执行、停止。

【出自packages/extensions/tool-cordis/README.md 头两段】

官方原文第一句："The self-referential Cordis toolset: five model-facing tools over the live runtime in the current DSH process."其中 cordis_define 让模型自己写一个包——名字、用途、宿主端代码，可选浏览器端代码；语法检查后登记，用户会在对话里看到一张带启动按钮的卡片；cordis_run 在一个 vm 沙箱里执行它。

这相当于允许一个 App 在运行时自己写一个新 App，然后立刻装进系统。而官方对这件事的说明非常坦诚：

也就是说它递给你一把上膛的枪，同时非常认真地告诉你这把枪没有保险栓。

实话说“一切皆插件”做到这个程度，已经解释不通了。因为插件一直以来追求的是灵活性，但灵活是有边际的。把工具做成插件我懂，把压缩策略做成插件我也懂，但把派活的主循环也做成插件、还专门给模型开一套“自己写插件”的工具，这已经超出方便用户自定义能解释的范围了。

它有一个特性，可以把竞品当子代理，也就是说可以让Claude、Codex 作为小弟来给 dsh 打工。我们把这条实测了一遍：

【 测试任务 E7 的 ps 输出，

dsh 主进程 + 被拉起的 claude 子进程】

Claude 子进程真的被拉起来了，我们还抓到 Claude Code 正在 clone 它的官方插件市场。所以这条路是真接到 Claude Code 二进制上的，不是配置摆设。但委派连续两次失败，返回 Error: subagent run failed。模型于是自己降级到普通子代理完成了任务，并主动交代了它换了工具、以及为什么换。

【agent 输出里承认降级】

V4 Pro和 Harness，是两种完全不同的产品

用 V4-Pro和 用 dsh 是两件不同的事。前者很简单：拿个 API key，接进现在用的 Claude Code、Codex、OpenCode 就完事了（参考第二章那四个环境变量），大多数人需要的只是这个。而 v4-Pro 几乎是一个产品了，成品交付到用户手里。但 dsh 却完完全全是一个纯粹的开发工具，绝对不是一个高度集成、封装好一次性交付的产品。

用好 dsh 需要以下四样东西:

总结一下：如果你是在右边那一列，答案很干脆：用 API 接你现在的工具，别装 dsh。

我们有一发 92 万 token 的请求在客户端被超时 kill、本地什么都没落盘，但服务端已经完整处理并计费了，那 ¥9.00 就是这么花掉的。客户端超时不等于没花钱，菜照做、钱照付，只是我没吃上。还有一个正面观察，虽然样本只有一次：委派工具连续失败两次之后，模型没有硬撑也没假装成功，它换了方案完成任务，并主动交代自己换了工具、以及为什么。

回到上面那张表。你会发现 dsh 可能压根没打算服务这些场景。这就有意思了，为啥 DeepSeek 交付的是这样一个东西呢？

05

DeepSeek 把判断权交给了谁？

一切从矛盾论开始，也从矛盾论结束，事物的本质就是矛盾的。解决一个矛盾，就产生新的矛盾，也就留下新的机会，如此循环。

以下就从这次研究和实测来聊聊我看到的 DeepSeek 解决和产生的新矛盾：

自由和选择成本一起交给了用户

【GitHub 仓库页顶部：star / fork / watch 三个数字，注意导航栏没有 Issues】

事实是四条 API 字段：Issues 功能关闭、外部 PR 总数为 0、只开了讨论区、330 个 watch 对 85,268 个 star（数据抓取于 2026-08-14）。而仓库里带着完整的 issue 治理流水线——policy、lifecycle、模板，连单测都写了，就是没开。

【.github/workflows/ 里的 issue 治理设施】

如果目标是让丰富的个体自由创造，为什么不接一个外部 PR？真正指向共同创造的开源都会张开手接贡献。它的姿态好像是给你自由改，但别来跟我协作。像是宜家把板材、螺丝、图纸全给用户，但不接受用户的任何改进建议。

【docs/architecture.md 第 7 行 dsh 建议用一个 agent 来读，而不是自己看】

但如果我们转换视角，在经历上面这些拆解和研究后你会发现，在它的假设下这其实是自洽的。如果每个人都知道自己要什么，那提 issue 让我改本身就是多余的，你直接拿去改你自己那份不就好了。

我们实测了两道同样的题，但结果方向相反：

【 三配置 × 两题矩阵】

多文件重构那道题，写程序模式贵 22%、慢 34%；终端修故障那道题，省 23%、快 38%。为什么？工具调用次数确实降了（67 次到 44 次），但输出 token 涨了 42%、思考 token 涨了 53%。官方自己也留了余地说Code Mode “并不承诺普遍减少 token”。

【出自 packages/core/tools/README.md】

也就是说你究竟想要什么，你能付出多大的代价，这都需要你自己想清楚，或者亲自去尝试摸清楚。就好像那句话说的，自由不等于繁荣，如果你不是对自由有着极其强大的掌控能力，那结果很可能不尽人意。

DeepSeek 把选择权给你的同时，也把做出这些选择所需要的认知成本交给了你。

Harness 到底是给人用的，还是给模型用的？

【这个代码库是为谁组织的：九条反常 × 两种解释】

从上图也可以看出，这个代码库是按对 Agent 友好而不是对人友好来组织的。九条证据全是公开源码，任何人都能验。至于他们这么做是为了让模型自主迭代，(当然这是我的判断，并不是官方说法)。回到之前的问题，“一切皆插件”做到“连主循环都能换、还给模型开一套自己写插件的工具”这个程度，用“方便用户自定义”是解释不通的。但换一个假设就全通了：如果它期待的使用者不是人，而是模型自己呢？

一个要长期自己跑、自己改自己的系统，需要的恰恰是这些：

在这个假设下，这几处矛盾也全部顺理成章。关掉 Issues 的假设是如果迭代的主体是模型，人提的 issue 本来就不在这条链路上。为最高远的目标做最琐碎的事情的假设是长期模型自己跑，单位成本就是天花板。

我也算在产品岗位上摸爬滚打多年的老人了，我理解的产品是建立在对用户的 N 多判断和假设之上的。用户是谁、他要干什么、他会先点哪里、他愿意为哪一步多等三秒，每一个默认值背后，都是我们替他做完的判断。但我发现 DeepSeek 拒绝做这些判断。

它没有推荐设置、没有默认模式、不告诉你哪个开关该开，因为给你一个默认值，就等于替你判断了一次。比如 iOS 是平台，可 iPhone 对普通用户是完全可用的成品，你不装任何 App，开机就能打电话、拍照、上网。苹果做了两层：对开发者是平台，交出判断权；对用户是产品，承担判断。易上手难精通的真正含义，就是这两层同时存在。

而 dsh 只做了平台那一层。也就是说它是一个只有内核、没有出厂系统的 OS。真正的对照物是 AOSP——手机厂商拿它去做自己的发行版，HyperOS、OriginOS 都是这么来的。AOSP 也不接你的 issue，你 fork 走自己维护。从这个角度看，关掉 Issues 不是傲慢，是这种模式的常态。

【交付四级阶梯】

苹果几十年都在致敬极富创造力的人，但它交付的始终是产品。同样相信用户有创造力，一家替你铺路，一家把零件递给你。没有谁优谁劣，只有不同的选择，仅此而已。DeepSeek对世界的判断是它假设面前的主体是自主的，无论那个主体是人，还是模型。

我觉得最终的主要矛盾我觉得可以用一句话总结：DeepSeek 交还判断权的彻底程度，同接过这份判断权所需的能力与成本之间的矛盾。

矛盾恰恰出在彻底上。不彻底就不矛盾了，给一半自由、留一套默认值，那是 Claude Code 的做法。而它把判断权完整交还出去，包括那些你不知道自己需要判断的地方（该开哪个模式、默认模型是哪个、那把枪有没有保险栓）。事实上主体并不总是具备承接这份判断权的条件。

那它为什么会这么选？我想至少有三个解释：

我倾向第三个解释，只有它能同时解释模型侧和用户侧。前两个解释不了为什么要专门给模型做一套自己写插件的工具（这其实挺费力不讨好的）它是一个交付给自主主体的零件箱，而这一代最重要的自主主体，可能不是现在的我们。没准是针对未来的模型或者人们。（一瞬间就科幻起来了。）

我自己是做产品的，其实产品经理的工作就是替用户做那些假设。所以把这套东西看完，我自然而然的想到，如果不做假设是一种更尊重人的姿态，那我这个岗位的意义是什么？我想，做假设的本质是替用户承担认知成本。DeepSeek 把这个成本还给了我们，苹果替我们吃掉了它。

两种都是选择，代价不同而已，最终取决于人们想要什么，还有这家公司相信什么？

这篇文章本身也是一个组合的产物。四道自造题、七次运行、两轮实测，所有结论都只在这个特定组合里成立。而且我们从开始全程都在问它能不能干活，直到很晚才意识到该问一句：它是给谁做的，我适合用吗？

回头看 V4 Pro 和 DeepSeek Harness，这次真正有意思的或许不只是一个模型又变强了多少。模型越来越强、上下文越来越长、Agent 能做的事情越来越多之后，新的问题也随之出现：能力该怎么用，成本该花在哪里，哪些判断应该交给产品，哪些又应该留给人，甚至留给模型自己。DeepSeek 给出的答案并不轻松——它把更多能力开放出来，也把更多选择和责任一起交了出去。当 AI 开始能够独立完成越来越复杂的工作，真正稀缺的可能不再只是更强的模型，而是知道自己究竟想让它做什么，以及愿意为这种自由承担什么代价。