📚InfoQ中国•最新收集於 0m
DeepSeek 開源可插拔 Harness
💡探索可獨立替換模型、工具與編排邏輯的模組化 Agent 基礎。
⚡ 30-Second TL;DR
有什麼變化
這套 Harness 採用開源模式發布。
為什麼重要
插件化 Harness 可降低 Agent 開發過程中替換模型、工具與編排邏輯的成本，也可能促進更具互通性與實驗性的 Agent 技術堆疊。
下一步行動
檢視 DeepSeek Harness 的程式碼庫，並在現有 Agent 工作流程中試作替換一個模型或工具插件。
誰應關注：Developers & AI Engineers
關鍵要點
- •這套 Harness 採用開源模式發布。
- •模型以可插拔元件的形式實作。
- •工具與 Agent Loop 同樣採用插件化設計，可進行模組替換。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •DeepSeek 的這套 Harness 框架旨在解決 AI Agent 開發中常見的『硬編碼』問題，透過解耦模型推理與任務執行邏輯，顯著降低了開發者切換不同底層模型的成本。
- •該框架支援標準化的 API 介面，允許開發者在不修改核心 Agent 邏輯的情況下，動態掛載如 LangChain 或自定義的工具集。
- •此開源專案特別強化了對長上下文（Long Context）處理的插件支援，優化了 Agent 在處理複雜任務時的記憶體管理與檢索效率。
- •DeepSeek 透過此架構推動了『Agent-as-a-Service』的開發範式，使企業能夠更靈活地將特定領域的知識庫與通用模型進行組合。
- •該 Harness 整合了自動化評測模組，開發者可以針對不同的插件組合進行 A/B 測試，以量化評估 Agent 在特定場景下的決策準確度。
📊 競品分析▸ Show
| 特性 | DeepSeek Harness | LangChain | Microsoft AutoGen |
|---|---|---|---|
| 核心定位 | 高度模組化與輕量化 | 生態系統整合與工作流 | 多 Agent 協作與對話框架 |
| 模型插拔性 | 原生支援，極高 | 透過抽象層支援 | 透過配置支援 |
| 學習曲線 | 中等 | 高 | 中等 |
| 評測工具 | 內建自動化評測 | 需依賴第三方 | 需依賴第三方 |
🛠️ 技術深入
- 採用模組化架構（Modular Architecture），將 Agent 的感知（Perception）、規劃（Planning）與執行（Execution）層完全分離。
- 支援動態插件載入機制（Dynamic Plugin Loading），利用 Python 的動態導入特性，實現運行時（Runtime）替換模型或工具。
- 內建統一的狀態管理介面（State Management Interface），確保在切換不同 Agent Loop 策略時，上下文資訊能無縫遷移。
- 提供標準化的工具定義協議（Tool Definition Protocol），簡化了外部 API 與 Agent 之間的參數映射與錯誤處理流程。
- 支援非同步執行引擎（Asynchronous Execution Engine），提升了 Agent 在並發處理多個工具呼叫時的效能。
🔮 前景展望AI analysis grounded in cited sources
AI Agent 開發將從『單體架構』轉向『微服務化插件架構』。
DeepSeek 的開源行動將促使業界標準化 Agent 組件，使得跨平台、跨模型的組件複用成為可能。
模型供應商將被迫提供更強的工具調用（Tool-use）能力以適應插件化趨勢。
隨著 Harness 類框架普及，模型本身的推理能力將不再是唯一指標，與工具鏈的兼容性將成為競爭關鍵。
⏳ 時間線
2024-01
DeepSeek 發布首個開源模型系列，奠定技術基礎。
2025-03
DeepSeek 開始內部測試模組化 Agent 框架。
2026-05
DeepSeek 正式對外開源其可插拔 Harness 框架。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： InfoQ中国 ↗