开篇

2026 年 3 月，DeepSeek 把一位叫崔天一的人招进了杭州团队。

崔天一的履历不算普通——在 Jane Street 做了将近九年软件开发和研究，后来联合创办了香港量化交易公司 TSY Capital。但这次 DeepSeek 招他，不是去做模型，而是专门做一件叫"AI Harness"的事。

这件事是什么，后面细说。先说这条招聘消息出来之后，业内的第一反应。

南华早报（SCMP）跟进报道，V2EX 社区开始热讨，IndexBox 等行业媒体陆续分析。讨论的核心不是崔天一本人，而是：DeepSeek 这种最前沿的 AI 公司，开始专门招"Harness 方向工程师"和"Harness 方向 PM"——这是一个新职业方向正式浮出水面的信号。

DeepSeek 招聘 AI Harness 工程师的社区讨论（V2EX · 2026 年 3 月）

信息来源：SCMP 报道（2026-03）/ V2EX 社区讨论 t/1213170 / IndexBox 行业分析

业内有句话越来越多人在说：最值得普通人关注的 AI 第一步入场点，可能根本不是去学写代码。

这话怎么理解，要从 Harness 到底是什么说起。

· · ·

第一节：Harness 到底是什么

先做一个比喻，后面整篇都会用到。

AI 模型——比如 DeepSeek、Claude、GPT-4——是一匹很能跑的马。跑起来快，力气也大。但一匹野马，再能跑，也干不了真正的活。

真正的活，需要马具。

马具是什么？是让马能拉车、能驮货、能协作的整套装备——缰绳、鞍具、挽具、项圈。没有这套装备，马再快也只是在旷野里乱跑。有了这套装备，马才能接受指令、承担重量、跟其他马协同、干真正的业务。

AI Harness（AI 马具）说的就是这件事：给 AI 模型装上"能用"的整套装备。

具体来说，这套装备包括几层：

第一层，给 AI 装上"能用的工具"。AI 模型本身只是个语言处理器，它不知道今天天气、不能查数据库、不能发邮件。要让它真的能做事，就要给它连上工具——查询接口、数据库、发送渠道。这些工具怎么接、接哪些、接口规范怎么写，是 Harness 要解决的第一件事。

第二层，管它能看见什么。AI 每次干活之前，要先"读"一遍背景信息。但一次能读的信息有上限，而且读什么、顺序怎么排，会直接影响它干活的质量。Harness 的任务之一，是管理"喂给 AI 的内容"——哪些信息该进来、哪些该过滤、什么时候刷新。

第三层，让它记住事。AI 模型本身是无记忆的——上次聊完，下次一切归零。但业务场景需要 AI 记住用户偏好、记住上一步做了什么、记住项目进度。怎么让 AI 有"记忆"，是 Harness 的核心工程问题之一。

第四层，跟人怎么对接。AI 跑的结果，怎么呈现给用户？出错了怎么处理？哪些步骤要人介入确认、哪些可以让 AI 自动跑完？这些"人机协作界面"的设计，也是 Harness 的工作。

第五层，怎么知道它跑得好不好。AI 干活的质量怎么量化？什么叫"这次回答比上次好"？怎么发现 AI 在某类场景下一直错？没有这套评估体系，AI 就是个黑盒——用了也不知道好不好，坏了也不知道哪里出问题。

这五层合在一起，就是 AI Harness。

用业内的说法，Harness 是"把 AI 模型转变为功能性和自主 AI 代理的软件基础设施"（IndexBox 原文）。翻成大白话：没有 Harness，AI 只是匹野马。有了 Harness，AI 才能拉车。

AI 模型 = 马，AI Harness = 马具——没有马具的马只是匹野马

· · ·

第二节：DeepSeek 现在为什么要招这方向的人

这里有个时间线，值得仔细看。

2024 年，AI 行业的主战场是"模型"。谁的模型参数更多、基准分数更高、回答更准——这是那两年的行业主旋律。OpenAI 发 GPT-4、Google 发 Gemini、百度发文心、Mistral 出来、DeepSeek 出来。所有人都在比谁的马更能跑。

2025 年，问题开始变了。

模型已经够强了——这是行业慢慢形成的共识。但真要把模型用到业务上，发现还差一层东西。模型会聊天，但接不上真实系统；模型能回答问题，但管不住它乱回答；模型跑得快，但跑出来的结果没有评估体系，不知道好不好。

麦肯锡 2025 年 State of AI 报告显示，全球有 88% 的组织已经在某个职能里用 AI，但只有 6% 的组织真正从 AI 里拿到了规模化的业务价值。差的那层，不是模型，是装备。

2026 年，DeepSeek 这种公司开始专门招做"装备"的人——这是最直接的行业信号。

行业的转向逻辑很清楚：拼模型的阶段正在结束，拼装备的阶段正在开始。

这个转向对普通人意味着什么？

模型是大厂的游戏。训练一个有竞争力的大模型，需要几千张 GPU、几十亿的资金、几百人的专家团队——这条路普通人进不去。

Harness 不一样。给 AI 装"工具集"、设计"人机协作界面"、建"AI 评估体系"——这些工作需要的是工程能力、产品思维、业务理解，而不是大厂级别的算力和资金。

新方向涌现的早期窗口，历来是普通人切入的最好时机。因为这时候规则还没有固化，经验优势还没有被头部玩家彻底建立，先进场的人有真实的先发优势。

Harness Engineering，就是这样一个窗口。

从拼模型到拼装备：2024 → 2025 → 2026 的行业演进

· · ·

第三节：做 Harness 的人在干什么，三个入场角色

Harness Engineering 这个方向，里面至少有三种角色。每种角色的入场路径不一样，适合不同背景的人。

角色一：Harness 工程师

这是给 AI 装"工具集 + 协作接口"的人。

工作内容是什么？写代码，但不是写模型代码——不是在调参、不是在训练神经网络。更接近"系统集成 + 工程纪律"：把外部工具接进来（查询接口、数据库、发送渠道）、定义 AI 每一步能调用什么、能看见什么、输出的格式是什么、出错怎么回退。

跟传统软件工程的差别在哪？传统软件工程里，逻辑是确定的：输入 A，经过固定流程，输出 B。AI 系统里，中间那一层是概率性的——AI 可能给你 B，也可能给你 C，或者一段话里混着 B 和 C。Harness 工程师的工作，是在 AI 的不确定性外面搭一套"确定性框架"，让系统整体行为变得可预期。

普通工程师怎么入场？最低成本的第一步是找一个自己熟悉的业务场景，试着给一个具体 AI 任务设计工具调用链：AI 要完成这件事，需要调哪些工具、调用顺序是什么、每次调用的输入输出格式是什么、失败了怎么处理。把这个设计写成文档，就是 Harness 工程思维的起点。

角色二：Harness 产品经理

这是设计"AI 跟人怎么对接"的人。

不写代码，但要懂工作流改造。核心问题是：在什么步骤让 AI 自动跑、在什么步骤停下来等人决策、业务方怎么信任 AI 的输出、出错了业务方怎么感知和介入。

这是一个纯粹的产品设计问题，但目前市场上做过这类设计的 PM 极少。原因很直接：过去 AI 产品基本是"用户说话，AI 回答"这种简单交互模式，PM 设计的是对话体验。Harness PM 设计的是更复杂的东西——AI 代替人做多步决策，中间有分支、有异常、有人工节点，整个流程的 UX 设计逻辑完全不同。

普通 PM 怎么入场？从一个已有的内部工作流出发，把其中某一段"人工处理"的环节替换成"AI 处理"，然后设计这个替换的完整方案：AI 什么时候介入、处理什么、结果怎么呈现给下一步、什么情况下要人工 review。这份设计文档，就是 Harness PM 思维的起点。

角色三：业务侧 Harness 推动者

这是在自己公司里推动 Harness 应用的人。

不做工具，用工具改造业务流程。角色本质是：把"什么业务场景适合用 AI"看清楚，然后推动工程团队和业务团队共同落地。

这个角色出现的背景是：很多公司有技术团队，也有 AI 工具，但业务和技术之间缺一个会"翻译"的人——既能跟业务方说清楚 AI 能干什么、不能干什么，又能跟工程师说清楚业务需要什么、验收标准是什么。

普通运营/业务岗怎么入场？从自己最熟悉的一个工作环节出发，写一份"如果 AI 来做这件事，Harness 应该长什么样"的草稿。包括：AI 需要知道什么信息才能处理这件事、处理完的结果给谁看、怎么判断处理得好不好、哪些情况下不该让 AI 自主决策。这份草稿不需要技术背景，但需要对业务的深度理解——恰好是这类背景的人的真实优势。

Harness 工程师、产品经理、业务推动者——三种入场角色，三条路径

· · ·

第四节：怎么开始自己的 AI 第一步，3 个最小动作

看完上面三个角色，会有人问：那我具体从哪里开始？

给三个 30 分钟以内能完成的最小动作。

动作 1：对位角色（10 分钟）

把上面三个角色的描述重新读一遍，不要想"哪个最厉害"或"哪个薪资高"，而是想"哪个描述的工作状态我现在能对上号"。

工程师角色：平时写代码、对系统集成有感觉、不想做模型但想做工程——选这个。

产品经理角色：平时做流程设计、用户体验、跨部门协调——选这个。

业务推动者角色：平时在业务一线、熟悉某个业务流程、想推动团队用 AI 但不知道怎么说服技术团队——选这个。

动作 2：找一个真实场景（10 分钟）

不要想象一个抽象的"AI 项目"，而是找一个自己工作里真实存在的、重复性的、信息处理类的环节。

判断口径很简单：这件事是不是每次都需要人读一段信息，然后按照某个逻辑做一个判断或输出？如果是，这个环节大概率是一个 Harness 可以接管的候选场景。

动作 3：写一份草稿（10 分钟）

针对这个场景，写一份粗糙但真实的"Harness 设计草稿"——

AI 需要读什么信息才能处理这件事（输入）？处理完给出什么（输出）？怎么知道处理得好（评估）？什么时候应该停下来等人拍板（人工节点）？

这份草稿不需要完整，不需要技术可行，不需要漂亮。但写完之后，一个很具体的问题会浮现：这份设计里，什么是 AI 真正能做到的，什么是 AI 做不到的？这个问题，就是所有 Harness Engineering 真实工作的起点。

三个最小动作：对位角色 · 找真实场景 · 写设计草稿

· · ·

收尾

DeepSeek 招 Harness 工程师，不是一条孤立的招聘新闻。

它是一个行业信号的显性化：最前沿的 AI 公司，已经开始把"如何让 AI 真正干活"这件事，变成一个独立的职业方向去专门做。

这个方向对普通人的意义，不在于要去 DeepSeek 投简历，而在于：看见一个正在涌现的机会，然后在自己现在的位置，开始用这个视角重新看手边的工作。

AI 这一波，能做的 AI 第一步，不一定是去学写代码。是去看清那匹马身上还缺什么装备。