DeepSeek内测招募帖引爆Agent开源生态：769人报名、712个仓库、超120万Stars

DeepSeek的Agent Harness团队负责人崔添翼在社交平台发文，公开招募DeepSeek Harness内测人员，要求申请者参与过开源Agent项目的建立和维护，并提交GitHub仓库作为代表作品。这条看似普通的内测招募帖，迅速演变成一场Agent开源生态的“大摸底”，大量开发者带着自己的项目涌入评论区，从个人Harness、Coding Agent，到记忆系统、安全工具、评测框架，几乎覆盖了当前Agent基础设施探索的各个方向。

据开发者统计，截至8月3日上午11:30，共有769位报名者、去重后712个开源仓库，合计超过120万Stars，跨越18个赛道，评论区秒变“开源Agent路演”。这一数据由开发者自发统计，统计仓库地址为 https://github.com/Octo-o-o-o/deepseek-harness-applicants 。

从目前公开信息看，DeepSeek已经在内部使用Harness完成DeepSeek-V4-Flash正式版的基准测试。社区开始猜测，DeepSeek未来可能会打造一款面向软件工程场景的AI Coding Agent。按照社区流传的说法，这款产品或将具备自主规划、工具调用、代码执行等能力，并围绕长周期Agent工作流加入Memory、项目仓库感知（Repo Awareness）等机制，定位上可能会对标Claude Code、Codex等现有Coding Agent产品。这些信息目前尚未得到DeepSeek官方确认。

不过，从此前公布的Harness基准成绩来看，DeepSeek测试的重点本身就集中在终端操作、多工具调用、全栈开发等长流程任务场景。业内一直有“Model+Harness=Agent”的说法：模型负责理解需求、推理和生成方案，Harness负责把这些能力落到真实环境中——调用工具、操作终端、读写文件、管理上下文、处理执行过程中的错误，最终完成一个完整任务闭环。DeepSeek Harness的定位逐渐清晰：它并不是一个单纯的代码生成工具，而是在模型和真实软件工程环境之间增加一层“执行系统”。

这一点在DeepSeek-V4-Flash成绩单中的五组基准里有所体现：Terminal Bench测试终端环境操作，Cybergym测试安全攻防能力，Toolathlon测试多工具调用，DSBench-FullStack和DSBench-Hard则聚焦全栈开发任务。这些测试的共同特点是任务链条长、步骤多，需要Agent持续调用工具并根据反馈调整策略。DeepSeek选择测试的方向，更接近一个能够自主执行软件工程任务的Agent，这与社区流传的对标Claude Code、Codex等产品的目标一致。

除了基准之外，DeepSeek的生态动作也透露出类似信号。目前公开信息显示，DeepSeek-V4-Flash已支持Responses API，并适配Codex，走向标准化工具调用协议；识图模式正在灰度，用于补充代码Agent在理解架构图、报错截图等视觉信息上的能力。这些动作共同指向一个趋势：未来Coding Agent的竞争，不只取决于模型能力，也取决于模型之外的工程基础设施。

769份报名记录里，开发者关注的是一个非常现实的问题：当Agent需要独立完成一个真实工程任务时，哪些方面还需要优化？首先是长任务执行能力，这是Agent从Demo走向生产的第一道门槛。DeepSeek公布的五组基准，本质上都在测试Agent是否具备持续执行复杂任务的能力。从报名项目来看，智能体框架和编程智能体是最大的两个方向，合计242个，占全部项目约三分之一。Top 10高星项目中，deer-flow（79k星）探索长周期SuperAgent框架；CodeWhale（40k星）是由DeepSeek原生项目发展成的编程智能体框架；orca（36k星）关注多Agent编排。这些开源项目路径不同，但都在回答同一个问题：如何让Agent在“持续执行”上走得更远。

其次是上下文和记忆管理。当任务从几分钟延长到几个小时，Agent面临的除了推理能力问题，还有如何保存状态、理解项目历史，并在后续任务中正确调用已有信息。在报名统计中，记忆与上下文相关项目共有56个，累计194k星（剔除头部项目vllm的88k星后仍约106k星）。开发者正在尝试Git、数据库、知识图谱等不同路线，但Agent记忆目前仍没有统一答案。最后是评测和安全。研究与评测、安全治理两个方向各有24个项目，是报名生态中规模较小的类别，但决定着Agent能否真正进入生产环境。有开发者尝试建立跨Harness评测体系；有开发者则关注工具调用权限、文件系统隔离和代码执行沙箱。如果说长任务和记忆解决的是“Agent能不能完成任务”，那么评测和安全解决的就是“Agent能不能被放心使用”。

这三个方向对应了Agent从“能用”走向“好用”的关键迭代路径：长任务执行能力决定Agent能否完成复杂工作，上下文和记忆能力决定Agent能否持续参与长期项目，而评测和安全能力决定Agent能否被真正部署到生产环境。这也是Harness需要持续优化的核心方向。

DeepSeek官方尚未、也或许不会公布最终的筛选标准和名单。但从这份报名统计表来看，真正有价值的，是开发者们正在从不同角度探索Agent落地应用的路径。对于DeepSeek Harness团队而言，内测名单的意义，或许并不是寻找“最热门”的项目，而是找到能够在产品迭代过程中提供有效反馈的开发者。比如名单中，akashic-agent的作者于V4 Flash高思考强度模式运行TerminalBench2.1，拿到70.8%的成绩，是基于DeepSeek模型调优Agent运行时并给出实测结果的开发者。此外，open-design（83k星）、lobehub（81k星）、career-ops（63k星）等高星项目，都已经拥有一定用户基础，并处于Agent应用生态的上层，这些开发者长期面对真实用户和实际工作流，能够帮助DeepSeek了解Harness在不同场景中的使用需求。

随着Agent获得更强的工具调用和代码执行能力，权限控制、文件隔离、安全边界等问题会越来越重要。报名区中有开发者曾挖掘Codex、Claude Code、Cursor等产品漏洞，关注的正是这些Agent从Demo走向产品时必须面对的问题。当然，这份名单并非完整样本。由于评论区天然混杂报名、讨论和围观，加上提交格式不统一，部分项目仍存在身份无法确认、仓库失效、描述缺失等问题。统计档案也并非完全准确，核查过程中发现一些开源项目的分类出现错误，比如“我的世界机器人”被分到了安全领域，但总体上可以作为参考。同时，很多高星项目的报名也并非作者本人，有不少是仅提交过PR的参与者，并不能完全代表这些Agent项目。

DeepSeek Harness最终会是什么样，目前还没有答案。但这场由内测招募引发的开源项目“大摸底”，却揭露了Agent时代的竞争焦点。769份报名记录、712个开源仓库、120万Stars背后，开发者关注的是一个底层的问题：当模型具备越来越强的推理能力后，如何让它稳定、长期、可靠地完成真实任务。有人在解决长任务执行，让Agent不会跑到一半失控；有人在探索记忆和上下文管理，让Agent能理解一个持续演进的项目；有人在测试安全边界，确保工具调用和代码执行不会成为风险源。这些项目未必都会进入DeepSeek的内测名单，但它们提前勾勒出了一张未来Agent工程演进的路线图。