DeepSeek 用量化思维做 AI Agent：Harness 负责人来自量化交易领域
DeepSeek 招聘 Harness 研发工程师，负责人并非产品经理，而是量化交易专家崔添翼。文章指出，AI Agent 的本质与量化交易类似，核心在于执行系统与风险控制。DeepSeek 正从模型效率转向工作流入口，Harness 是降低“智能到执行”之间滑点的关键。
事件概述
DeepSeek 近日为“Agent Harness 研发工程师”岗位招募了崔添翼，他曾在 Jane Street 工作 9 年，后联合创办量化基金 TSY Capital。这与 Anthropic 的 Claude Code 负责人多为产品经理出身的路径不同。
核心信息
-
Harness 的本质：Harness 是 AI Agent 的执行系统，负责上下文管理、工具调用、终端执行、测试反馈、权限控制和失败回滚。类似于量化交易中的交易系统、风控系统，确保策略被稳定执行。
-
量化背景的优势：量化交易的核心竞争力不在于策略本身，而在于执行、风控和异常处理。AI Agent 同样如此——模型再强，若不能稳定完成任务，价值有限。Harness 负责将模型决策转换为可靠的操作，并处理失败回滚。
-
DeepSeek 的下半场：上半场 DeepSeek 依靠 V3、R1 等模型证明了模型效率；下半场竞争将转向“离用户工作流更近”，将低成本的 token 通过 Harness 包装进高价值场景（如代码修复、原型开发）。
-
Harness 的价值差距：同一模型在不同 Harness 上表现差异巨大。例如 Claude Opus 4.5 在 Claude Code 的 Harness 下可达 95% 准确率，朴素配置仅 42%。
-
DeepSeek 的短板：缺少用户反馈闭环（模型调用数据不回流），影响产品迭代；工具生态薄弱、稳定性不足（如 5 月 28 日服务宕机），开发者切换成本低。
值得关注
- Harness 是当前 AI 编程竞争的关键，各厂商从“模型能力”转向“执行系统”比拼。
- DeepSeek 需建立类似量化交易中的反馈机制，收集失败日志并快速迭代。
- 崔添翼的价值在于知道“何时摁住模型”——即控制 Agent 越权风险，类似量化风控。