一切皆插件，DSH在“自进化”之路上狂飙

千呼万唤始出来，DeepSeek V4 Pro正式版和传说中的DeepSeek Harness（DSH）终于问世了。

说起DSH这个产品，它曾于8月1日开始招募内测。招募采取筛选制，优先吸纳具备大型项目开发、AI Agent二次开发经验的工程师，申请人需要提交代码托管平台账号和过往项目代表作品，入选者还要签署保密协议。

现在终于算是见到了DSH的庐山真面目。经过字母AI一晚上的测试，结论是这个产品性能很好、响应速度快，关键是还非常省token。

只能说，还得是DeepSeek，老配方老味道！

再看V4 Pro正式版这边，虽然8月13日时，由于DeepSeek修改了API文件的表述，以及在DeepSeek官网增加公告，导致8月13日上午，全网都在热传V4 Pro正式版已经发布。

可事实上，此次发布实则为一场乌龙，所谓的DeepSeek V4 Pro正式版不仅性能堪忧，而且价格还保持着此前的价格不变。

8月13日下午，DeepSeek官方撤下了首页关于DeepSeek V4 Pro正式版发布的公告。

而8月13日晚间发布的，才是真正的DeepSeek V4 Pro正式版。

Agent能力大幅提升。DeepSWE从预览版的12.8分直接飙到62.7分，涨幅接近五倍；DSBench-Hard从31.1冲到 67.2；DSBench-FullStack从41.8提升到71.1。尤其是在Agent领域影响力最大的基准Terminal Bench 2.1上，DeepSeek V4 Pro正式版性能比肩当下最强的Claude Fable 5。

话又说回来了，虽然此前DeepSeek公告称价格上调，但谁也没想到涨价涨得这么多。

输出方面，高峰时段价格为原价的4.5倍，为27元/百万token，空闲时段为原价的2.25倍，为13.5元/百万token。以单日20万输出token的代码审查场景为例，调价前单日成本约1.2元，高峰时段将升至5.4元，空闲时段升至2.7元。

缓存未命中输入方面，高峰时段为原价的3倍，为9元/百万token，空闲时段为原价的1.5倍，为4.5元/百万token。缓存命中输入方面，高峰涨幅最高，达到原价的12倍，为0.3元/百万token，空闲时段为原价的6倍，为0.15元/百万token。

无论如何，不妨先来一起看一下这个产品。

01

它不是下一个Codex，它是第一个DSH

应了梁文锋那句“我们不在乎C端”，DSH的安装门槛非常高，不仅要有node.js环境，还需要用户自己去GitHub上面用npm命令安装。像是Codex、Workbuddy这样的Harness，都是可以直接双击安装的。

之所以有安装门槛，是因为DSH既不是桌面GUI，也不是TUI、CLI，而是走了一条几乎没人走过的路，DSH是BS架构的Web UI，打开就是个网页，网页里带一块Agent干活的区域。

要理解DSH为什么这么“反用户”，就得先理解支撑它的那篇论文《A Programming Paradigm for Spatiotemporal Composability》，由北京大学和DeepSeek联合署名。

DSH的思路叫做一切皆插件，任务需要什么，就调用什么插件，用完立马卸载腾空间。

打个比方，Claude Code是一辆车，你可以给它装上装甲、防滑胎甚至是武器，但它归根结底就是一辆车。Codex同样是一辆车，可你只能给它改改内饰和车漆。DSH只是一个底盘，你可以给它加轮子让它变成车，但你同样可以给它加螺旋桨让它变成直升机。

为了满足这个核心设计理念，论文提出了两个维度。

第一个维度叫时间可组合性。意思是，当一个组件被移除时，它对共享环境造成的所有修改，必须能被完全、安全地撤销。

论文引用了“效应”这个概念，传统的效应指的是一个程序在跑出结果之外，还会动手改变外面的世界，比如创建了一个文件，那么磁盘里就会记录这个文件的内容。

DSH是把运行办法、撤销办法全都记录在了效应之中，还专门给它起了个名字，叫做可逆效应。

这个很好理解，经典“效应”像是你买东西时收银台给你开的小票，它只记录你买了什么，如果你想退货，你还得走一些程序。而DSH论文中的可逆效应，就像是你在胖东来买东西，你退货的时候不需要走程序，直接把商品交给客服，剩下的他们（系统）会替你解决。

每一次上下文变换都自带一个逆变换，运行时全程追踪，组件卸载时自动回滚。

第二个维度叫空间可组合性。

这是一种运行时的组件组合模型。和传统的静态依赖注入不同，组件的依赖关系不是在代码编写时或启动时固定的，而是在一个共享的运行时“空间”中动态建立、动态消解的。

举个例子，假如说你想让DSH给你念一本书。DSH上有视觉相关的插件，它可以充当眼睛，把书的内容记录下来，但是它没办法念出声。同时DSH还有声音相关的插件，它只会读却不会记。将视觉插件和声音插件放在同一个空间内，它们就会自动关联，视觉插件负责把记录的文字给声音插件，声音插件再将其读出来。

论文里拿VS Code当反例，VS Code的扩展全部跑在一个共享进程里，装了就不能热卸载，想停用一个带代码的扩展，就得重启整个扩展宿主。

按论文统计，安装量前100的扩展里，有87个包含可执行代码，都得靠重启来卸载。

可是一旦重启，进程内积累的缓存、连接、部分计算结果全部作废，重建要花上几秒到几分钟；为了维持可用性，还得养冗余副本，以供重启之后Vs Code调用。

DSH采用了一套Cordis系统，实现了热模块替换，改完插件直接原地替换，缓存和活动连接都给你留着，改炸了还能事务性回滚。

但DSH真正让人惊艳的，并不在这套理论本身，而是它把理论用在了哪里。

DSH定义了四套完全不同的执行模式：普通任务直接做；长程任务进入Goal，可以跨多个自主轮次（autonomous rounds）持续执行；一两个任务可以丢给子Agent，默认后台运行；大规模并行任务进入Workflow，用一段JavaScript去编排多个 Agent。

小事，比如“帮我把这个文件改一下”，AI直接上手就干，不搞流程、不折腾。

大事，比如“给我写一个完整项目”，可能得干好几个小时。为了防止过程中出错，所以DSH给它定制一个“总目标”，让它能连续干好多轮，直到目标达成才收工。就像带了个KPI，没完成不许下班。

为了能更好地完成任务，DSH甚至还有一个单独的Ralph Loop，每一轮都创建一个完全“失忆”的新Agent，不继承上一轮对话，只通过共享的Workspace保留长期记忆，然后一轮轮迭代。

DSH也是为了AI自进化设计的。

插件化意味着架构解耦，任何模块都可以独立演化；AI注意力受限，又是大规模并发，解耦设计能最大限度发挥这种高并发优势，还避免了把自己搞崩溃的问题。

传统软件里，模块之间经常“你中有我，我中有你”。改一个地方，可能连带弄坏十个地方。

插件化就不一样，每个功能都是一个独立的插件，只通过一个标准接口跟系统相连。插件之间不直接认识、不互相扯皮。

正因为这样，任何一个插件都能单独升级、单独替换、单独进化，不用动其他插件。

假如按照传统模块A干活必须等模块B先干完，那大家排着队，互相干等。但解耦之后，每个模块都是独立的，谁也不挡谁的路，几十个任务可以同时撒出去跑，互不干扰。

AI注意力有限没关系，因为每个模块是独立的小任务，AI分头指挥、同时推进，效率拉满。

02

实际效果

我给DSH和DeepSeek V4 Pro正式版准备了三道题，并且让Claude Fable 5和Claude Code作为它的对手。

第一题，经典的鹈鹕测试。提示词为

生成一个循环动画SVG：鹈鹕骑自行车。轮子旋转、踏板转动、鹈鹕的腿正确踩踏板，平滑无限循环，不要JS，只用SVG原生animateTransform动画。

DSH

DeepSeek 鹈鹕

Claude

Fable 5 鹈鹕

在这道题的表现中，Fable 5设计的形象更加合理，并且地面上的公路会不断向后退。DeepSeek生成的演示动画里，虽然天上的云彩也会向后退，但是地上的草地没有变化，不够细节。因此这道题是Fable 5胜出。

第二题，俄罗斯方块小游戏。提示词为

要求：

一个 HTML 文件，Canvas 或 DOM 实现都行

完整的俄罗斯方块：7 种方块、旋转、左右移动、加速下落、消行、计分、下一个方块预览

游戏结束判定，按 R 可以重新开始

不允许用任何游戏引擎

DSH

DeepSeek 俄罗斯方块

Claude

Fable 5 俄罗斯方块

这题两者表现差不多，不过实际玩起来感觉DSH做的手感更好一些，Fable 5做出来的手感略微有些僵硬。

第三题，曼德博集合。提示词为

一个 HTML 文件，用 Canvas 实现

实现曼德博集合（Mandelbrot Set）的可视化

鼠标滚轮可以放大缩小，点击可以平移

颜色用渐变，放大后细节要清晰

不允许用任何外部库

DSH

DeepSeek 曼德博集合

Claude

Fable 5 曼德博集合

曼德博集合是数学里最著名的分形图案，把边缘任意一小块放大，会看到和整体形状相似的“小曼德博”，再放大还有更小的，可以无限下去，永远有新细节。

Fable 5生成的结果最大只能渲染到100倍，而DSH可以渲染超过300倍，因此这一轮是DSH胜出。

03

同样的任务，便宜120倍

相同的任务，差不多的效果，Fable 5一共花了9.8美金的token，约合人民币将近70块钱。用DSH配上DeepSeek V4 Pro 正式版跑，只花了5毛9分钱人民币。

此前根据Artificial Analysis的测算，DeepSeek V4 Flash正式版在相同的任务条件下，比Claude Fable 5便宜了约100倍。

但V4 Flash毕竟只是个轻量模型，并不能完成复杂任务。这次随着V4 Pro正式版以及DSH的组合，已经比Claude Fable 5便宜将近120倍了。

Artificial Analysis曾预测，随着DeepSeek V4 Pro正式版发布，DeepSeek斩杀线将会覆盖全球超过70%的模型。现在看来Artificial Analysis预测的非常准确。

不过我也得“唱个反调”，由于我测试的时间段属于非高峰时间段，所以token价格相对便宜，如果换做高峰时间段，那么V4 Pro正式版的token费用将比Fable 5便宜不到100倍。

在我测试的过程中发现，DSH的缓存命中率能高到离谱，有时候甚至能高到99%。

要知道，无论是高峰还是非高峰，命中缓存都比非命中缓存便宜整30倍。

除了前文提到的热替换和可逆效应以外，还有一点就是论文里的“增量协调”（Incremental Reconciliation）。

配置层是一棵由“档案卡”（entry）组成的树，每张档案卡声明一个插件，里面的信息包括它叫什么、跑哪份代码、带什么配置。

传统做法是，档案一改，就把对应的整个实例连根拔起、全部重来。

增量协调不是这样。它先看改动落在档案卡的哪一格，再做最小动作，只有代码地址变了，才重建整个实例。如果只是隔离方式变了，那就单独调一下隔离域。如果改的是配置本身，就交给插件自己比对，只有真动到实质内容才重载。标成停用就卸掉，取消停用再装回来。插件底下还挂着子插件的话，就按各自的编号“按名对账”：新增的装进来、删掉的卸下去、没动的原样留着，一层层递归下去。

这样一路修补下来的最终状态，和把整个系统推倒重建再加载的最终状态完全一致。

用人话说，就是改东西的时候只动该动的，没动的原地继续干活，而且最终效果跟全部推倒重来一模一样。

在以前，把宫保鸡丁变成宫保鸡丁（微辣），需要将整个餐馆停业，重新培训厨子、服务员和大堂经理。然而这样显然是浪费算力，增量协调相当于是检查一下宫保鸡丁（微辣）的菜谱，发现好像只要撒一点辣椒进去就可以了，于是就让所有流程保持不变，多增加了一道撒辣椒的程序。

DSH在“省token”这件事上，还留了一整套后手。它的PTC模式（程序化工具调用），让模型生成一段代码去组合多轮工具调用，原本要五次模型往返的操作序列，一次就完成了。

相当于是把五次的输入输出，压缩成了一次。

诚然，DeepSeek涨价了，还涨了不少钱。就算是梁文锋也没办法让DeepSeek永远便宜，但DSH能让“便宜”这件事在涨价之后依然成立。

模型定价是DeepSeek说了算，DSH能做的，是把每一分钱榨出最大价值，贵可以贵，但绝不白贵。