鸭哥 (@grapeot)

DeepSeek 开源的第一个 agent harness DSH，论文里堆满了范畴论符号，很容易让人觉得又是研究员在真空里搞出来的理论产物。但在仔细读完源码并与 Codex 逐行对照后，我的工程判断很明确：对绝大多数日常写代码的开发者来说，它重得毫无必要；但对探索自进化 agent 的工程团队来说，它搭建了一套目前其他方案完全没有的底层骨架。 架构上最本质的差距在于插件模型的选择。 Codex 代表了典型的声明式路线：插件只是磁盘上的文件夹，贡献的是 Markdown 写的 skill 文件、MCP server 配置或 shell 脚本。插件不进 harness 进程，也不在同一进程里跑代码，改完配置重启独立进程只需两三秒。对于搜索、加工具这类绝大多数日常需求，声明式模型简单可靠，门槛接近于零。 DSH 走的是命令式路线：插件带着自己的状态，直接跑在 harness 进程内部，互相注册与调用。一旦要在运行时替换插件，悬空引用清理、后台任务终止、依赖链协同以及崩溃回滚都会变成棘手难题。为此，DSH 引入了一套叫 Cordis 的重型运行时，单是管理 fiber 生命周期的核心模块就有 750 行代码。 如果只是为了替换搜索服务或挂载常用工具，让开发者背上 Cordis 这套复杂度完全是过度设计。但 DeepSeek 包这盘饺子的真实意图，隐藏在控制流结构里。 在 Codex 中，agent loop 的控制流被硬编码在 Rust 核心逻辑里，开发者只能在预设时刻挂载 hook，无法在运行时把单 agent 循环改成多 agent 协作循环。而在 DSH 里，agent loop 本身是放在 packages/core/agent-loop 中的一个普通 TypeScript 插件，向外提供 ctx.agentLoop 服务。只要实现相同的接口，运行中的控制流骨架随时可以整体卸载并替换。 Cordis 打造的那些副作用跟踪、依赖变动通知和事务性 HMR，本质上全是在支撑 agent loop 可替换这个核心目标。它保证了 agent 在运行期如果动态生成了新工具或新 loop，系统能在不中断进程的前提下平滑加载；一旦生成的代码出现错误，又能通过事务性回滚退回上一个稳定状态。 Codex 交付的是结构固定的成品家具，而 DSH 交付的是允许动态改造的生成内核。DSH 不会让你的日常 coding 变得更快，但它让 harness 本身具备了面向自进化进行物理扩展的可能。 深度剖析与两套架构的完整对照：

OpenAI 和 Cursor 同时在 2026 年 4-5 月把重心从 Skill 转向 Plugin。 驱动这个动作的原因完全不同——OpenAI 在防守模型商品化，Cursor 在逃离供应商陷阱。这篇文章拆了三层：Skill 为什么赚不到钱、Plugin 补了哪三个缺口、两种策略为何走向不同方向。

一个熟练掌握数据结构和算法的高手，和一个水平一般但认真写Docstring的人，谁用AI写代码更快更好？答案可能让你不舒服：后者赢面更大。因为AI辅助编程的核心产出不再是代码，而是注释。

Meta 花 20 亿买 Manus，Musk 给 Cursor 开了 600 亿收购选项。中文互联网最常见的反应：套壳，冲动消费。 这个判断方向性地错了。 Manus 在所有人照搬人类组织架构做 multi-agent 的时候，判断 LLM 天生是 generalist，不该 hat wearing。Cursor 判断 AI 编程的产品瓶颈在模型速度，自训模型绕不过去，然后五个月把训练链路从纯 RL 迭代到 continued pretraining + RL，做出了质量接近 Sonnet 4.5 但快数倍的 Composer。 两家共同点：认知领先行业至少一个身位，而且这个领先可以用竞品对比和技术路线验证。

AI 写的中文，读两行就能认出来。 "三条反馈都很关键，我都接住。" "迁移到我们现在的问题，就得到一个更锋利的重构：" "你的直觉被数据验证了，比我预期的更干净：" 语法没错，意思也通，就是别扭。换模型、换 prompt 都去不掉。 我最近注意到这股味儿的真实身份：翻译腔。上面每一句都能翻回英文——"I caught all of them"、"a sharper refactoring"、"verified cleaner than I expected"。字是中文，骨架是英文的。 鲁迅和王小波骂了一百年的老问题，现在被 AI 批量生产出来了。但套路有限，最常见的四种： 一是物理动作描述思考。"接住"来自 catch，"锋利"来自 sharp，"不崩"来自 doesn't break。英文里有棒球和物理生活的支撑，搬到中文里就悬空了。日常说"收到"、"记下"，不说"接住"。 二是形容词替读者先下判断。"逻辑很清晰：""问题很直接："——后面的事实自己能让读者感受到清晰，形容词是多余的。 三是抽象名词做主语、形容词收尾。"工程上的现实比这些数字难看"——读完不知道哪儿难看。 四是有中文译法的英文词直接混用。context、state、cache 都有稳定对译，留着英文只让读者反复切换。 本质是同一个问题：AI 写中文时先用英文句法想清楚，再逐字换成中文。怎么改？别修修补补，重写。用中文里本来会怎么说，重新说一遍。