一个 Skill 让 DeepSeek V4 Pro 超过 Fable 5？——Agent Harness 神话这次真的塌了

2026 年 8 月 19 日，机器之心和 InfoQ 在同一天发文，锤爆了一个叫 J-Space Cognition Suite V3.6 的开源项目。项目方声称：只要在 Agent 环境里挂一个 Skill，DeepSeek V4 Pro 就能在 Terminal-Bench、NL2Repo、DeepSWE 等多个基准上大幅提升，"甚至超过 Fable 5"。一周之内，社区复测结果打满了原作者的脸——独立开发者 Jyleaves 用 8 张 H20 跑 89 道题，模型通过 69 道，最终得分 77.5%，而 J-Space 自报 87.1%；失败任务重跑 3 次仍未达报告数字（GitHub Issue #26）。容易讲的故事，往往是最容易骗人的故事。

更刺眼的不是分数，而是 Token：另一位开发者用 V4 Flash 跑 A/B 测试，PI + J-Space 的成本大约是基线的 2～4 倍，DSH + J-Space 高约 50%。号称"速度翻倍、Token 效率翻倍"的项目，跑起来反而更贵、更慢（机器之心，2026-08-19）。

这一巴掌打在了所有 Agent Skill 卖家脸上。

Harness 真的重要，但不是出在 J-Space 想的那种地方

J-Space 的故事能传开，是因为它踩中了一个真实存在的痛点：DeepSeek V4 Pro 对外部运行环境敏感得过分。

有人在正式版发布当晚用相似提示两次测试 3D 直升机游戏。凌晨 0 点 50 分，模型生成的项目还非常粗糙；不到 4 小时，它却交出了一个完整得多的项目。模型没变，提示相近，差出来的是 Harness（机器之心）。

把视角放大，Project2 工程任务里同样如此：同一个 V4 Pro，DeepSeek Harness Standard 模式 91 分，PTC 模式 92 分，工具更少的 Minimal 模式两次分别达到 99 分和 96 分。模型和任务没动，换套件就能差出 8 分。这才给了 J-Space 起手式的想象空间——既然有这么大的浮动空间，"灌一套 Skill" 当然也能跳一档。

Harness 是引擎调教，不是外挂翅膀。 同一台 V8 引擎换不同 ECU 调校，圈速能差一两秒；但没人会相信一套外挂套件能让民用引擎跑出 F1 圈速。J-Space 把"调校空间"偷换成了"外挂翻倍"，再把"自测里的进步"包装成"超过 Fable 5"——这是它把读者卖掉的全过程。

Harness 确实在变得越来越重要，但落点根本不在"Skill 插件"这条路上。

Harness 已经进入"补短板"阶段，但它补的是别的东西

行业现在被反复讨论的痛点，是 LongHorizon-Harness 论文里直接命名的那句话——"task-state management problem"。长任务跑着跑着，Agent 越来越容易忘记自己到底在做什么：忘记此前的关键上下文、重复已经完成的工作、验证没做就宣布任务完成、在工具调用失败后不保留诊断信息就再跑一遍。这些问题在 Long-Horizon-Terminal-Bench 的评测里表现得很具体：17 个前沿模型平均每项任务消耗约 980 万 Token、跑 239 个回合、耗时 88.9 分钟（InfoQ，2026-08-19）。

围绕这些真问题，主流厂商正在做的事情是：

长任务状态外置。 J-Space 引入了类似 Kanban 的外部账本，把关键目标、已验证信息、未解决问题写进模型之外的持久结构。思路本身没问题——即使一轮推理跑偏，外部状态还能把 Agent 拉回原轨道。但这只是其中一个组件。

Compaction 压缩。 上下文不外迁，Agent 会越来越臃肿；压缩又会带来新风险。OpenCode 今年的一项 Issue 报告：原本被定义为只读的 Explore Agent，在触发 Compaction 后可能丢失原有权限约束，开始修改文件。Compaction 必须保留原 Agent 的工具和权限限制——这件事 OpenCode 是被现实教训之后才补的。

Verification 拆出。 当 Agent 学会"做事"，更难的是它没法判断"什么时候算真做完"。越来越多 Harness 开始把验证和停止条件从模型自己的语言判断里拆出来。DSH 干脆把 agent/turn-stopping 设计为一个独立扩展节点，插件可以在模型准备结束任务时继续介入。