在做 Harness 这件事上，DeepSeek 更信搞量化的

📌 一句话摘要

本文深入分析了 DeepSeek 招募量化交易专家崔添翼负责 Agent Harness 的战略意义，指出其核心逻辑在于量化交易与 AI Agent 的本质相通：将聪明策略稳定执行成钱的能力才是核心竞争力。

📝 详细摘要

文章以 DeepSeek 招聘海报为引，探讨其招募 Jane Street 前量化交易专家崔添翼负责 Agent Harness 这一反常识决策背后的深层逻辑。作者认为，量化交易和 AI Agent 的底层逻辑一致：光有聪明策略或强大模型不够，真正产生价值的是稳定、安全的执行系统。文章详细介绍了崔添翼的背景，从 ACM 金牌得主到量化交易专家的经历，并指出其价值在于懂得如何构建风控和执行系统。文章进一步分析了 DeepSeek 下半场的战略转向：从模型效率竞争转向工作流入口竞争，Harness 是让便宜 token 变得有用的系统，也是将低价模型包装进高价值场景的关键。同时，文章也指出了 DeepSeek 在 Harness 方面的短板，包括缺乏用户反馈收集渠道、工具生态不完善、稳定性不足等问题，并认为崔添翼的加入是 DeepSeek 补齐执行系统、开启下半场竞争的关键信号。

💡 主要观点

- DeepSeek 招募量化专家而非产品经理做 Harness，是看中其构建稳定执行系统的能力。 量化交易和 AI Agent 的本质相同，核心不在于策略或模型有多聪明，而在于能否将策略稳定、安全地执行并产生价值。崔添翼在 Jane Street 的经验使其深谙此道。

AI 编程竞争已从模型能力转向 Harness 质量，Harness 是拉开差距的关键。 测试表明，同一模型在不同 Harness 下性能差距可达 53 个百分点。一个更小、更便宜的模型配上优秀的 Harness，可能击败大模型加粗糙 Harness 的组合。

DeepSeek 下半场的核心是从卖模型调用转向卖工作流结果，Harness 是战略入口。 模型能力趋同时，竞争转向谁离用户的工作流更近。Harness 能将低价 token 包装进高价值场景（如代码修复、重构），从而提升付费意愿。

DeepSeek 在 Harness 方面存在缺乏反馈闭环、工具生态和稳定性等短板。 DeepSeek 缺少收集用户失败日志的机制，无法快速迭代产品。同时，其工具生态和 API 稳定性也远不及 Claude Code 等竞品，这对编程 Agent 来说是致命缺陷。

💬 文章金句

- 量化交易和 AI Agent 的底层逻辑是一样的。光有聪明的策略不赚钱，真正把策略变成钱的，是执行系统，是风控系统。

• 大家拼的已经不是模型了，而是谁的 Harness 更好。一个更小、更便宜的模型，只要配上优秀设计的 Harness，也可能打败一个大模型加粗糙 Harness。
• API 价格越低，单纯卖 token 赚的钱越少，这是无可争议的事实。所以才要有 Harness，去把低价的模型包装进高价值场景。
• 崔添翼值钱的地方在于，他知道什么时候该把模型摁住。

📊 文章信息

AI 初评：86

来源：人人都是产品经理

作者：人人都是产品经理

分类：人工智能

语言：中文

阅读时间：21 分钟

字数：5076

标签： DeepSeek, Agent Harness, 量化交易, AI 编程, 崔添翼

阅读完整文章