这些名字混着两类东西:Codex、Claude Code 是能直接干活的 agent 工具,DeepSeek 是模型,harness 是包在模型外面那层调度外壳。选择先看你换不换模型,再看你要不要同时跑很多任务。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先分清模型、agent 工具和 harness
材料里的观点DeepSeek 是模型,本身不会自己读文件、改代码、跑命令;Codex 和 Claude Code 是把它包起来、能连续执行多步任务的 agent 工具。harness 指的就是这层外壳,负责接模型、管上下文、调工具。有嘉宾说 Orca 这类产品自己不做 harness,而是把 Claude Code 和 Codex 集成进来,让用户在里面直接调用它们1。所以问“哪个更好”之前,先确认你比较的是模型能力还是外壳体验——同一个模型放进不同外壳,能做的事差别很大。
换模型的需求决定你要不要挑外壳
材料里的观点如果你打算把某个模型当主力、不再用 Claude,那 Codex、Claude 这类工具都留了改模型的口子,GLM、DeepSeek 的官方文档会教你怎么改2。但有人提到,在 Claude 里启动时就得选好 DeepSeek,启动后改不了,这样灵活性就不大,他因此改用 open code 来切换对话2。所以:只想固定用一个模型、图省事,选哪个外壳都行;想随时换模型对比效果,就要挑支持中途切换的外壳。
任务规模决定要不要并行和积累
如果你只是偶尔写点代码或处理一两个文件,单个 agent 工具足够,纠结外壳意义不大。但如果你要同时推进多个任务,情况就变了:有用户会同时跑几百个 agent、十几个 feature,每个 feature 里还有几个 agent 协作,这时就需要 Orca 这类做集成和协作的层1。另一种积累方式是固定在一个项目里连续做同一件事,素材、判断和失败版本都留在本地,下次不用从空白对话重来3。你可以先问自己:我是要一次做完一件事,还是要反复做同一类事、越做越顺手?
资料里没有对这四个名字做逐一对比,也没有 DeepSeek harness 的具体说明;关于模型切换的细节来自多人对话,说话人未逐段确认。
出处
- 1对谈Orca联合创始人 Jinjing:同时管理几百Agents的工作流、用户验证与产品增长、AI创业机会
解释 harness 与 agent 工具的分工,以及多 agent 并行协作的场景
- 2课代表和鸭哥工作的实况 | how the sausage is made
说明在 Codex、Claude 里换用 GLM、DeepSeek 等模型的实际限制
- 3我用 Codex 剪了 5 条口播,最后却做了一则超市广告
讲固定在一个项目里连续使用、积累本地资产的做法
你也有想问的?
卡住的时候,问问立正:回答只从立正讲过、写过的东西里来,每一段都能点回原文。
问类似的问题也可以接着问:
别人还问了
- FDE面临的问题
FDE 的核心难题是:它靠人肉定制起步,却必须把重复问题沉淀回产品,否则公司会退化成咨询公司;同时它对市场环境高度敏感,北美比国内更容易跑通。
- 学习ai的正确技术路线
学 AI 的路线不是先学概念再动手,而是从真实任务出发、在交付中练判断:先高质量用模型,再用 AI 做原型,再学工作流与评估,最后才是系统。
- 創業最需要注意的要點是?
创业最该先想清楚的是市场真实需求在哪里,而不是先做产品、先招人、先租办公室;需求找对了,赚钱是水到渠成的。
- 我现在遇到一个问题,就是国内使用 Claude 的限制(之前我一直在用 Claude,但是10/1的时候被封禁了)。
现在我主要用 codex,但是发现同样的 Harness 架构,codex 的效果其实没有那么好。我该怎么解决呢?
我也很针对性地找了很多解决方案,但中转站有点太贵了,没办法提供这么高的消耗量
把积累放在模型和 harness 之上,用同一套上下文与验收标准去跑 Codex,效果差距往往来自工作流而非工具本身。
- 高内聚低耦合的架构原则对于AI来说make sense吗?
部分成立:AI 让“耦合”从代码模块之间转移到了 context 与工具之间,内聚的对象变成了喂给 AI 的那份上下文。
- 换工作的时候,长期来看,考虑的优先级应该是什么
长期看,优先级是行业与增长空间、公司平台和业务、直属老板,最后才是薪资;薪资差距超过三成时才需要单独权衡。