一、我研究了三年AI，发现2026年最大的机会藏在这个词里

说个真事。

2023年，我花大量时间研究怎么写好 Prompt。2024年，我又研究怎么设计 RAG、怎么给 AI 喂上下文。2025年，我追各种 Agent 框架，看谁家的工具更强。

结果到 2026 年，我发现一个让人尴尬的实际：

花这么多时间调模型、调 Prompt，结果真正决定 AI 能不能干活的，根本不是模型本身。

是另一个东西。

二、我被”马具”这个词打醒了

前 Hugging Face 工程师 Philipp Schmid 发了一篇文章，里面提了一个词：Harness。

翻译过来是”马具”。

你品品这个比喻：

AI Agent 是那匹强壮却野性难驯的骏马。

Harness 不提供动力，却能牢牢牵住方向、稳住步伐。

让这匹烈马既能全力奔驰，又始终走在正确的路上。

我看到这段话的时候，愣了足足五分钟。

这不就是我一直在找的答案吗？

三、为什么模型已经不重大了

这三年，AI 行业经历了两次大迁移：

AI Engineering Evolution

为什么？

由于大模型的能力已经趋同了。GPT-5、Claude 4、DeepSeek V3，差距越来越小。

但同样是这些模型，有的能稳定跑完一个复杂任务，有的却三天两头崩溃。

差距在哪？Harness。

四、字节悄悄放了个大招

就在上周，GitHub 上有一个项目悄悄火了：

24 小时冲到 Trending 第一

⭐ 目前 47.3k Stars

谁干的？字节跳动。

项目叫 DeerFlow 2.0。

它的定位很清晰：Super Agent Harness。

五、DeerFlow 是什么？

DeerFlow = Deep Exploration and Efficient Research Flow

最初只是个 Deep Research 框架，但社区用着用着，发现它能做的事远超研究——数据流水线、PPT 生成、Dashboard 搭建、内容自动化…

字节团队干脆从头重构，推出了 2.0。

目前的 DeerFlow 2.0 是一个开箱即用的 Super Agent Harness。

它基于 LangGraph + LangChain 构建，配合沙盒、记忆、工具、技能模块、子智能体和消息网关，能处理从几分钟到几小时的任何复杂任务。

六、它能做什么？我实际测了

Core Harness Capabilities

✅ 1. 自动拆解复杂任务

我扔给它一个任务：”帮我分析这篇论文，然后生成一份 PPT。”

它自动做了这些：

1. 召唤一个子 Agent 读论文
2. 再召唤一个子 Agent 查相关背景
3. 再召唤一个子 Agent 生成 PPT 大纲
4. 最后汇总成完整 PPT

我能得到什么：以前要半天的工作，目前 10 分钟搞定。

✅ 2. 沙箱隔离 —— 安全到变态

每个任务都在独立 Docker 容器里运行，拥有完整文件系统。

它可以：

• 读写和编辑文件
• 执行 Bash 命令
• 执行代码
• ️ 查看图片

整个过程都在沙箱内完成，不同 session 之间不会相互污染。

我测试的时候故意跑了一个危险命令，结果它乖乖待在沙箱里，宿主机一点事没有。

我能得到什么：让 AI 放手干活，不用担心它把系统搞崩。

✅ 3. 长期记忆 —— 真正认识你

DeerFlow 能跨会话记住：

• 我的偏好
• ✍️ 我的写作风格
• ️ 我常用的技术栈

而且这些都保存在本地，控制权始终在我手里。

我能得到什么：用得越久，它越懂我。

✅ 4. Skills 可扩展

内置的 Skills 包括：

• 研究
• 报告生成
• 幻灯片制作
• 图文视频创作

可以一键添加、替换、组合，还可以按需渐进加载，不浪费 token。

我能得到什么：想要什么能力，插上去就行。

七、怎么接入？5分钟搞定

Docker 方式（推荐）

# 1. 克隆项目
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 生成本地配置
make config

# 3. 配置你的模型（编辑 config.yaml）
models:
  - name: deepseek-chat
    display_name: DeepSeek V3
    use: langchain_openai:ChatOpenAI
    model: deepseek-chat
    api_key: $DEEPSEEK_API_KEY
    base_url: https://api.deepseek.com/v1

# 4. 启动服务
make docker-init
make docker-start

访问 http://localhost:2026，搞定 ✅

Claude Code 集成

# 安装 skill
npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow

# 在 Claude Code 里使用
/claude-to-deerflow

直接在终端里跟 DeerFlow 交互，下发研究任务、查看状态、管理 threads。

八、为什么这很重大？

Framework Comparison

从提示工程 → 上下文工程 → Harness，这条路的本质是：

从”教模型如何理解人类”，迈向”为模型构建一个可执行、可信赖、可长期运转的数字世界”。

九、我的判断

DeerFlow 2.0 可能是 2026 年最重大的开源项目之一。

不是由于它技术最牛，而是由于它踩中了正确的方向。

当更多像 DeerFlow 这样的 Super Agent Harness 走向普及，AI 将真正进化为：

• ✅ 能理解
• ✅ 会规划
• ✅ 可执行
• ✅ 敢交付
• ✅ 长期负责

的成熟生产力形态。

目前你可以

1. 去 GitHub 看看这个项目：github.com/bytedance/deer-flow
2. 用 Docker 方式跑通 Demo
3. 集成飞书，做团队协作
4. 根据你的业务，定制 Skills

记住：模型是马，Harness 才是缰绳。