DeepSeek + Harness：给 AI 工程底座换上国产引擎，成本砍到十分之一
一、先说清楚：什么叫"DeepSeek Harness"
什么是"DeepSeek Harness"， 框架是 App，Harness 是操作系统。Harness 给你的是受控、可复现、可观测的执行环境，至于"被执行的那个智能"到底是谁，它根本不在乎。
所以"DeepSeek Harness"不是某个官方产品，而是把 DeepSeek 当成你 Harness 里的"执行引擎（LM 层）"。
三个角色分清楚：
- 你的 Harness = 一台电脑的操作系统（环境层、工具层、状态层、校验层、约束层）
- 你的测试任务、Eval 任务、Agent 任务 = 跑在系统上的程序
- DeepSeek = 这台电脑的 CPU
换 CPU（从 GPT 换成 DeepSeek），操作系统不动、程序不动、你沉淀的八大组件不动。这正是 Harness 架构的价值：把"模型"从核心逻辑里解耦出去，让它变成可热替换的零件。
这也是我把它作为第一篇实战钩子文的原因：多数团队卡在"想做 AI 工程，但跑一次评估烧不起钱"，而 DeepSeek 恰好把这道门槛削掉了一大截。
二、便宜不是噱头：先讲清楚它为什么能这么低
很多人看到价格表直接怀疑"是不是能力缩水"。答案是架构层面的，不是偷工减料。
2.1 MoE：看起来是大模型，跑起来像小模型
DeepSeek 的核心武器是MoE（混合专家）架构。以 V3 为例，总参数 671B，但每次推理只激活约 37B。
原理是这样的：模型内部被拆成很多个"专家"子网络，每个 token 进来，一个路由网络只挑少数几个最相关的专家参与计算。你问一句话，真正被点亮的参数只有零头。
这意味着它在"知识容量"上是个大模型（671B），在"单次算力消耗"上却接近个小模型（37B）。成本和延迟都压得下来，能力没有被等比例牺牲。
2.2 价格对比（2026 年中，美元 / 每百万 token）
模型 | 输入 | 输出 | 上下文 | 备注 |
DeepSeek-V3.2（deepseek-chat） |
| $0.42 | 128K | 默认通用引擎 |
DeepSeek-R1（deepseek-reasoner） |
| $2.19 | 128K | 推理型，数学/代码对标 o1 |
DeepSeek-V4 |
| $0.50 | 1M | 2026.3 旗舰，混合推理+多模态 |
OpenAI GPT-5.x | ~$2.50 | ~$10.00 | 128K | 约贵 8-20 倍 |
Claude Sonnet 4.x | $3.00 | $15.00 | 1M | 输出约贵 30 倍 |
价格会变动，发布前到api-docs.deepseek.com核对一次。
2.3 缓存命中：反复跑评估还能再省一折
注意表里"缓存命中"那列。如果你的 system prompt、工具定义、文档模板长期不变，DeepSeek 会把这部分前缀的 KV Cache 复用，输入价能再打一折（V4 输入降到 $0.03/M）。
对要反复跑评估的工程团队，这点省得最多。你的任务框架是固定的，变的是被测对象，所以前缀高度可复用。原理上，这就是 LLM 推理里 KV Cache 的工程化收益，不是临时优惠。
2.4 三个对工程团队友好的特性
- OpenAI 兼容接口：把
base_url改成https://api.deepseek.com，model改成deepseek-chat或deepseek-reasoner，现有 OpenAI 集成零改动，这正是 Harness 想要的"模型热替换"。
- 开源权重（R1 为 MIT 协议）：可以私有化部署、空气隔离，满足数据不出域的合规要求。
- 新账号赠送约 500 万免费 token：够你把一个 Harness 原型跑通，再决定要不要充值。
三、三行代码，把 DeepSeek 接进 Harness
复用《系列三·实战与落地》里的LM抽象。你之前写的任务（yaml）、评估逻辑（evaluate）、判定（oracle）一行都不用改，只要新增一个DeepSeekLM实现：
关键点：evaluate里没有写死任何厂商。哪天 DeepSeek 涨价，或者你想换国产其他模型（通义、文心、GLM、Kimi、豆包），只改DeepSeekLM这一处就行。模型解耦的好处，落到代码上就是这么直接。
这背后是依赖倒置原则：高层任务逻辑依赖抽象接口LM，不依赖具体模型实现。模型是最易变的外部依赖，把它压在抽象之下，你的核心代码就稳了。换引擎不动架构，这是 Harness 设计最值钱的一点。
关于"可复现"的诚实提醒：LLM 本身不是严格确定性的，
temperature=0也只能逼近稳定。真正的可复现来自三层：① 任务定义固定（yaml 不漂移）；② 采样数 n 固定、数据打乱用固定 seed；③原始输出全部落盘，可追溯、可重判。别迷信"同 prompt 同结果"，要把不确定性当成被测对象，而不是忽略它。
四、DeepSeek + 两道防线：AI 系统怎么可信可控
我在《系列四·进阶与智能化》讲过 AI 的两大结构性风险：约束规避、自审失效。解法是两道独立防线，约束层（操作系统级卡死）加校验层（独立 oracle 复核）。DeepSeek 便宜，反而让这两道防线"跑得起"：
① 约束层（卡死，不靠模型自觉）
DeepSeek 调用工具前先过guard。模型"想越权"也没用，OS 层直接挡掉。
② 校验层（独立复核，不让模型自己当裁判）
这里有个 DeepSeek 独有的好处：deepseek-reasoner会把思维链（reasoning_content）直接返回给你看。OpenAI 的 o1 把思维链藏起来，DeepSeek 选择公开，做工程的人很受用：你能看到它"怎么想错的"，而不只是拿到一个答案。可审计、可调试，信任才有依据。
五、怎么选模型：一个工程决策框架
不是越贵越好，也不是越便宜越好。按任务性质选：
- 日常评估、分类、摘要、生成：用 V3.2（deepseek-chat），性价比最高的一档。
- 硬推理（数学证明、复杂调试、多步规划）：切 R1（deepseek-reasoner），多烧的 token 换推理深度。
- 超长文档、长程任务（超过 128K）：上 V4，1M 上下文兜底。
一个实用做法：用便宜的 V3.2 当"裁判"复核贵的 R1 产出，成本可控，质量不降。模型之间靠 LM 抽象层自由切换，不用改业务代码。哪天某个模型不稳或涨价，换一个实现就行，任务逻辑一行不动。
六、避坑：DeepSeek 不是银弹
写之前先把踩过的坑告诉你，省得你深夜救火：
- 峰值 503 / 高延迟：DeepSeek 免费额度大，高峰期容易排队。生产环境一定加重退避重试（
with_retry），超时设 60s 起步。
- 数据合规：服务器在中国，敏感数据走 API 要评估出境风险。解法正是上面的"开源权重私有化部署"，数据别轻易出域。
- R1 输出贵：R1 靠思维链多烧 token，输出 $2.19/M。日常评估、分类、生成用V3.2 默认；只在硬推理才切 R1。
- 思维链别进历史：多轮对话时，往 history 里只塞
content，千万别塞reasoning_content，塞了会显著拉低后续回答质量。
- 价格会变：本文价格截至 2026 年中，发布前请到
api-docs.deepseek.com核对一次。
结语
做工程的人，最贵的从来不是脑子，是反复试错的成本。DeepSeek 把这道成本压到原来的十分之一不到，意味着以前只有大厂玩得起的 AI 工程，现在小团队也接得住了。
我前面四系列反复在说一件事：你写出来的不应该只是"一个测试"，而是一套 Harness 的内核。模型只是零件，随时能换，底座得自己稳住。引擎可以换，操作系统不能烂。