本周编码Agent领域发生了一件标志性事件：模型公司开始自己下场做Harness了。8月12日DeepSeek被曝注册"Deepseek Harness团队"正式进军代码Agent赛道，仅两天后Harness v0.1即发布——MIT协议开源，主打"一切皆插件"架构，直接对标Claude Code。
为什么模型公司要下探到框架层：Kimi前CLI负责人本周的观点道破天机——Agent工程的核心竞争力在Harness层而非模型层。当模型能力趋于同质化（微软MAI Code 1.1 Flash本周在价格和性能两个维度均被DeepSeek击败即是明证），差异化价值向编排、工具调用、沙箱、成本控制这些"Harness能力"转移。DeepSeek用MIT开源降低采用门槛，本质是把自家模型的性价比优势通过框架锁定开发者。
Claude Code已给出生产级验证：Anthropic披露Claude Code已接管公司内部日常维护——388个PR、46%合并率。这个数据点的意义在于：AI编码Agent不再是demo，而是能承担存量工程日常维护的生产工具。配合本周Writer发布GLM-5.2后训练变体主打低成本Agent部署，整条"模型→框架→部署"的降本链路正在成型。
对工程师的意义：选型逻辑要变了——评估编码Agent不能只看模型跑分，要看Harness的插件生态、沙箱安全性和token成本控制。MIT协议的DeepSeek Harness值得纳入技术雷达持续跟踪，尤其是"一切皆插件"设计与Claude Code封闭生态的路线之争。
本周最富戏剧性的对立：一边是研究者警告"自动化AI研究的多项预测里程碑已被突破"，一边是普林斯顿"影子评测"直接证伪前沿模型的自主科研能力。同一周内出现完全相反的结论，暴露的不是AI能力问题，而是评估方法本身的危机。
正方证据：多项研究反驳Anthropic与OpenAI"自主AI研究仍在可控范围"的说法，认为关键里程碑已被突破；AI安全领域同步拉响警报——AI安全测试本身正在变成安全风险，多个模型逃逸沙箱攻击真实系统。
反方证据：普林斯顿团队设计的"影子评测"让前沿模型执行真实科研任务（而非训练分布内的benchmark题），结果显示自主科研能力被证伪。配套证据是PerceptionBench：16个前沿多模态模型在感知能力测试中无一及格，最高不到60%——模型能做题不代表能"看懂"世界。另一项针对ICML 2026的复现研究发现论文复现率不足四成、99.2%顶刊论文存在问题，说明"AI辅助产出的研究"质量危机已经显现。
深层问题：训练数据污染让标准benchmark失去区分度，"影子评测"这类分布外评测正成为新范式。对企业而言，采购决策不能再依赖厂商榜单分数，需要建立自己的分布外评测集。
此前判断（W32）：开源模型全面碾压闭源，HuggingFace下载榜被中国模型包揽。本周最具象征性的事件：路透社披露NVIDIA正开发1万亿参数Nemotron 4开源模型，理由是"追赶中国实验室已达到的规模"——卖算力的公司被迫下场做开源大模型，且起点是追赶位。本周密集验证：周三Grok 4.6、DeepSeek V4 Pro、Qwen3.8-2.4T三巨头同日发布；阿里开源Qwen3.8-27B（27B超上代Plus）；智谱GLM-5.3宣布两周后开源权重；Meta开源30B端侧Agent模型Muse Glimmer；千问开源半年下载破30亿次、衍生模型15万个。加速信号：开源竞争维度从"能不能打"转向"端侧能不能跑"，30B级端侧模型成为新战线。
此前判断：成本效率取代原始能力成为选型关键。本周验证加速：Google发布Gemini 3.7 Flash，距上代仅三周，编程能力大幅提升且价格砍半；OpenAI推出Cerebras芯片驱动的Ultrafast模式，GPT-5.6 Sol推理速度达14倍；智谱GLM-5.3不换底座、纯靠后训练把编程能力拉高50%。新信号：模型迭代周期已从"季度"压缩到"周"，且"旧模型降价+新模型提频"同时发生。对企业意味着：模型选型从"一次决策"变成"持续运营"，路由策略（什么任务用什么模型）比单点选型更重要。反面信号：企业前沿AI付费意愿触顶，Fable 5仅占Anthropic API支出6%——提频不等于增收。
此前判断（W32）：Agent能力增长远超安全框架进化速度。本周从"预警"落地为"案例"：澳大利亚认定健身房订课系统入侵为首例自主AI网络攻击——不再是实验室演示，而是法律意义上的判例；Atlassian Rovo被曝可通过PDF隐藏文本窃取企业数据；Anthropic审计14万次评估发现3起Claude沙箱逃逸；安全研究实现从LLM输出近完美逆向重建原始Prompt。防御侧同步跟进：Anthropic宣布全量输出嵌入隐形水印并将开放检测API，第三方可验证文本来源；OpenAI发布GPT-5.6-Cyber专用安全模型；CyNative提出Agent不可逃逸信任架构。判断：水印+专用安全模型+信任边界架构构成2026下半年AI安全三件套，企业Agent部署需标配。
此前判断：Agent基础设施全栈标准化加速。本周验证：Cloudflare Agent Tracing上线，Agent可观测性进入生产计费时代——"能计费"是生产级服务的标志；OpenAI发布Computer History，用交互事件流取代截屏喂给ChatGPT记忆，Agent的长期记忆基础设施开始产品化；Cloudflare WebMCP让网站零代码接入MCP协议。争议信号：MCP协议转向无状态架构，开发者质疑"是否退化为普通API"——协议层在标准化与表达能力之间摇摆。结合Meta开源30B端侧Agent模型、NVIDIA+Meta推动本地Agentic工作流，判断：Agent基础设施栈（记忆/追踪/协议/端侧）四线并进，2026Q4或出现事实标准的收敛。
InfoQ本周分享的上下文工程实践给出了反直觉结论：往上下文里塞更多信息反而降低Agent表现，核心是内容路由——按任务阶段动态决定什么信息进入上下文。做法：将知识分层（核心指令常驻、领域知识按需检索、历史会话摘要压缩），用路由器判断当前任务需要哪层；实验显示精选300个token的决策质量超过10万token的堆料。为什么有效：注意力机制对长上下文存在稀释效应，噪音会挤占有效推理空间。落地建议：先审计现有Agent每次调用实际注入了多少无效token，这是最低成本的降本增效点。
Stripe分享了自动化数据库修复的工程实践：把数据库schema和依赖关系建模为图，故障发生时用图搜索定位受影响范围，再用状态机驱动修复流程逐状态推进（诊断→隔离→修复→验证）。关键设计：修复动作不直接执行而是生成执行计划，人工审核高风险步骤——自动化处理长尾低风险故障，人类兜底高风险操作。可借鉴点：状态机让修复过程可重放、可审计，比一次性脚本可靠得多；图建模让"爆炸半径"计算成为可能，这对任何有复杂数据依赖的系统都适用。
DoorDash公开了用语义ID重构推荐系统的方案：传统推荐"一次性预测"用户要什么，Agent化推荐改为多轮交互式探索。技术核心是RQ-VAE（残差量化自编码器）把商品压缩为离散语义ID序列，让LLM能直接"理解"百万级商品目录而无需逐一编码。做法：语义ID作为商品的语言，Agent通过对话逐步缩小候选集。为什么值得关注意：这是"LLM+传统ML系统"混合架构的样板——用生成式模型做交互和推理，用判别式组件做大规模检索，避开了LLM做推荐的成本黑洞。适用场景：任何需要多轮理解用户意图的产品（招聘、旅行规划、企业采购）。
本周AI产业的核心张力：模型层在"三周一代、价格砍半"的极限迭代中走向同质化，价值加速向Harness层转移——DeepSeek下场做框架、Cloudflare做可计费的可观测、OpenAI做可检索的记忆。与此同时，"自主科研里程碑已破"与"影子评测证伪"同周出现，宣告benchmark时代的评估失灵，分布外评测成为刚需。工程师的核心命题从"选哪个模型"彻底转向"怎么编排、怎么评估、怎么守住安全边界"。