DeepSeek近期发布的一则招聘海报，以其独特的“Agent Harness研发工程师”职位，在业界引起了不小的讨论。尤其值得注意的是，DeepSeek并未选择传统的AI产品经理来领导这一关键岗位，反而是吸引了一位在量化交易领域深耕多年的专家——崔添翼。崔添翼曾就职于全球顶尖量化公司Jane Street长达九年，后又联合创立量化基金TSY Capital，其背景与AI产品开发领域鲜有交集，这种反常规的用人策略，被认为是DeepSeek在下半场竞争中的一次重大战略调整。
目前，诸多科技巨头如Anthropic与OpenAI等，其Harness产品负责人多出身于产品背景，例如Anthropic的创始人Boris Cherny和OpenAI Codex的Alexander Embiricos都曾是经验丰富的产品经理。他们更侧重用户体验和需求协调。然而，DeepSeek选择量化专家，预示其对AI Agent核心逻辑有着不同的理解：正如量化交易中，再聪明的策略也需仰赖强大的执行系统和风控机制才能变现，AI模型亦然，其生产力最终取决于工具调用、上下文管理、终端执行、反馈测试以及权限控制等一套完整的Harness体系。
崔添翼的职业履历堪称传奇。他曾以优异成绩保送浙江大学计算机学院，并在ACM国际大学生程序设计竞赛中屡获金牌，由他撰写的《背包九讲》至今仍是信息学领域的经典教程。毕业后，崔添翼加入Jane Street，在严苛的金融科技环境中磨砺九年，期间积累了丰富的交易系统、风控系统、回测系统等关键技术经验。他深知，量化交易的真正价值在于如何将策略稳定地执行并管理风险，毫秒级的延迟都可能导致巨大损失，这些实践远超纯粹的算法理论。2022年，崔添翼离开Jane Street，投身量化交易创业，进一步锤炼了从技术搭建到团队管理和市场对接的全栈能力。数月前，他正式加入DeepSeek Harness团队，引发了业界对DeepSeek未来方向的广泛猜测。
DeepSeek的这一举动，暗示着它正将AI Agent系统视作一个“交易系统”来构建。在量化交易中，无法稳定执行的策略毫无价值。同理，AI模型如果不能安全高效地操作文件、代码、命令，其作用也将止步于简单的对话机器人。崔添翼的加盟，意味着DeepSeek正着手构建一套将AI的“智能”转化为“执行力”的系统，这标志着DeepSeek从追求“模型效率”的上半场，迈向了关注“工作流入口”的下半场。
DeepSeek过往的成功在于其模型的高效率和开源策略，打破了“只有资源丰富的大厂才能做出顶级模型”的认知。然而，仅凭模型本身难以留住用户。在模型能力日益趋同的今天，真正的竞争在于谁能更紧密地融入用户的工作流。对于开发者而言，聊天框并非核心入口，编辑器、终端、代码库、CI等才是。例如，Claude Code和Codex的成功，关键在于它们将模型无缝嵌入到开发者的日常操作路径中，占领了这一高价值的付费场景。Harness的本质并非提升模型性能，而是让廉价的token变得更有价值。
当前AI Agent普遍面临高昂的token消耗问题，一次复杂的任务可能耗费数千万token和数小时。在Harness的优化下，即使是中小模型也能展现出媲美甚至超越大模型的执行效果。研究表明，相同的模型在不同Harness下，性能差异可达数十个百分点。因此，模型已经过了“能不能写代码”的阶段，现在的关键在于能否在真实复杂的代码环境中稳定运行。Harness负责组织代码库、上下文摘要、控制迭代、重试策略，并将模型的决策转化为实际的shell命令、文件编辑和测试，再将反馈循环至模型，形成“思考-行动-反馈-修正”的闭环。
此外，DeepSeek仍面临一些挑战。尽管其网页和APP端用户活跃，但在模型调用和Agent产品方面，缺乏有效的信息反馈机制。量化交易中，交易日志和风险控制记录是策略优化的关键。同理，AI Agent的失败日志——如代码修改失败、工具调用出错、环境配置问题等——是DeepSeek提升Harness性能不可或缺的数据来源。目前，DeepSeek尚未建立起类似Claude Code那样的完整反馈循环系统，这将影响其产品迭代速度。
AI Agent的“滑点”问题也亟待解决。如同量化交易中订单执行价格与预期价格的偏差，AI Agent在理解项目结构、执行命令、验证补丁等方面也可能出现预期与实际结果的落差。Harness的价值就在于逐步缩小这些滑点。同时，Agent的“失控”风险不容忽视。例如，曾经有AI Agent在执行任务时意外删除了公司的生产数据库。而在量化交易中，风控系统防止策略失控是重中之重。崔添翼的经验，将帮助DeepSeek构建起有效的风险控制机制，设定指令执行边界，确保Agent在安全可控的范围内运作。
DeepSeek的稳定性也需进一步加强。对于编程Agent这类对实时性和可靠性要求极高的应用，几秒的延迟或服务崩溃都可能导致任务失败，用户容忍度极低。此外，工具生态的建设同样重要。Claude Code的成功离不开其MCP协议、插件系统和丰富的Skills。这些功能在真实场景中不断演化，为用户提供了强大的支持。DeepSeek需要补足的，不仅是Harness本身，更是一套能收集反馈、快速迭代的生态系统，以应对未来愈发激烈的AI Agent市场竞争。
总而言之，DeepSeek引入量化专家崔添翼负责Harness研发，是其从单纯追求模型参数和效率，转向更高价值的AI Agent工作流和执行能力的战略选择。这预示着AI Agent的竞争焦点，正从“谁的模型更聪明”转向“谁离用户的工作流更近”，以及谁能将模型包装进更高价值的场景，实现从卖“模型调用”到卖“工作流结果”的转变。