
崔添翼其人
2008年,河南安阳一中的崔添翼凭借全国青少年信息学奥林匹克竞赛铜牌,被保送进入浙江大学计算机学院。同年,梁文锋还在浙大信息与通信工程专业读研究生。崔添翼在浙大的四年,几乎都花在了ACM竞赛的训练和比赛上。他代表浙江大学参加ACM国际大学生程序设计竞赛亚洲区域赛,6次斩获金牌。那个年代,ACM竞赛圈流传着一份讲义《背包九讲》,作者正是崔添翼。这份讲义系统剖析了动态规划中的背包问题,从01背包到完全背包、多重背包、分组背包、依赖背包,再到泛化物品,至今仍在GitHub上更新。
2013年毕业后,崔添翼被Jane Street Capital香港分部聘为助理量化研究员,当时年薪就超百万人民币。Jane Street是全球顶尖的量化交易公司,技术门槛高,面试流程严苛。崔添翼在Jane Street一待就是9年,从事股票和固定收益领域的软件开发与研究。这9年里,他接触的不仅是算法题,还有真实的交易系统、风控系统、回测系统、交易管道和异常处理。
很多人认为量化交易就是靠策略赚钱,其实不然,光有策略远远不够。一个策略在回测中表现再好,如果无法稳定执行,价值几乎为零。真正把策略转化为收益的,是执行系统。策略制定后,通常不会立即投入真金白银,而是先在历史行情中进行回测,观察其在过去涨跌中的交易情况和盈利状况。但回测只是事后模拟,回测表现好并不意味着实盘也能盈利。系统需要实时监测价格变动,判断是否出手,发出买卖指令,并跟踪交易所的反馈。市场瞬息万变,价格可能暴涨暴跌,接口会延迟,数据会出错,策略也可能连续亏损。此时,系统必须知道何时停手、何时报警、何时切断交易。市场不等人,哪怕延迟几毫秒,盈利机会就可能溜走。这些看似不起眼的环节,却是量化交易的核心竞争力。
2022年,崔添翼离开Jane Street,联合创办了量化交易机构TSY Capital,专注于全球股票市场的系统化量化交易策略。从此,他从打工人变身创业者,不仅要懂技术,还要从零搭建交易系统、组建团队、管理风险、对接市场。TSY Capital的团队成员均来自各大名校,但创业的现实比在大公司打工残酷得多。2026年2月,有消息传出崔添翼离开了TSY Capital。不久后,他在LinkedIn上更新职位,加入DeepSeek Harness团队。
‘又一个天才加入DeepSeek’已不足为奇,毕竟DeepSeek从来不缺天才。DeepSeek找来崔添翼,并非让他训练模型,而是搭建Harness。对DeepSeek而言,Harness就相当于他们的交易系统。AI Agent的底层逻辑与量化交易一致,光有强模型不够,真正让模型发挥生产力的,是上下文管理、工具调用、终端执行、测试反馈、权限控制、失败回滚。在量化领域,无法稳定执行的策略毫无价值;在AI领域,不能安全操作文件、命令、代码的模型,不过是个聊天框。崔添翼加入DeepSeek Harness团队,标志着DeepSeek开始补齐将‘聪明’转化为‘执行’的系统,这是DeepSeek下半场的开端。
从模型效率到工作流入口
DeepSeek上半场的故事围绕模型效率展开。V3、R1、开源、低成本、推理能力……DeepSeek证明了中国团队即便资源有限,也能做出全球级模型,打破了‘只有美国大厂才能做强模型’的固有观念。
然而,对于用户来说,新模型不断涌现,他们往往会选择最新的模型使用。豆包超过DeepSeek的下载量就是例证。模型走红能带来第一波流量,但长期用户规模的增长,还需依靠产品、场景、运营和生态入口。字节在这方面具有优势,豆包依托抖音、剪映、SeeDance等平台。相比之下,DeepSeek虽在模型社区有声望,但在大众产品层面,缺乏像豆包那样的持续分发和高频使用能力。
当下半场模型能力趋同,竞争将从‘谁的模型更聪明’转向‘谁离用户的工作流更近’。开发者习惯的入口并非聊天框,而是编辑器、终端、代码库、CI、文档、任务系统等。Claude Code和Codex等产品,不只是‘帮你写代码’,而是将模型融入开发者的日常操作流程。谁占据这个入口,谁就能获得付费场景。
很多人认为Harness的核心是模型性能,越强越好,实则不然。Harness是让便宜token发挥作用的系统。如今的编程Agent任务繁重,一次任务可能消耗上千万token,持续几十分钟甚至几小时,还需调用工具数百次。而现在的GPT和Claude,就像开着豪车送外卖,虽能完成任务,但成本过高。价格亲民是前提,只有让用户负担得起,他们才会愿意使用。
而且,同一模型搭配不同的Harness,效果差异巨大。X上的博主Sayash Kapoor以Claude Opus 4.5为例进行测试,放入Claude Code的Harness,在CORE - Bench Hard上能达到95%;换成朴素的Hugging Face配置,成绩仅为42%。同样的权重和智能水平,Harness的差异导致成绩相差53个百分点,差距十分明显。
如今的竞争焦点已不再是模型,而是Harness。一个小而便宜的模型,若搭配优秀的Harness,有可能击败大模型加粗糙Harness的组合。这就是2026年头部大厂都在追求Harness的原因。模型终究要投入使用,增加训练资源对提升效果有限,但优化Harness却能带来显著改变。
AI编程已过了‘模型会不会写代码’的阶段,如今几乎所有模型都具备写代码的能力。真正拉开差距的,是模型能否在真实代码库中稳定工作。Harness负责组织代码库、项目规则、上下文摘要,控制迭代次数、重试策略,将模型决策转化为shell命令、文件编辑和测试执行,并将测试失败、日志输出、浏览器截图反馈给模型。AI Agent是一个‘思考、行动、反馈、修正’的长循环,这个循环能否稳定运行,取决于Harness。
API价格越低,单纯卖token的收益越少,因此需要Harness将低价模型应用于高价值场景。同样100万token,用于聊天只能实现问答功能,用于代码Agent则可能完成bug修复、重构、功能原型开发等任务,后者的付费意愿更高。DeepSeek需要从卖模型调用转向卖工作流结果,这是下半场的核心逻辑。
DeepSeek的短板
DeepSeek网页端和APP都很受欢迎,但在模型调用方面,缺乏反馈收集渠道。用户使用其模型运行agent,反馈信息无法传达给梁文锋。这并非技术问题,而是机制问题。网页端和APP都是ChatBot,无法真正运行工作流。
要开发Harness产品,必须建立反馈收集通道。了解用户在哪些环节遇到问题、哪些工具调用失败率高、哪些场景下模型表现不稳定,就像量化公司需要掌握交易日志、成交回报、风控记录一样。若无法收集这些信息,产品开发就如同闭门造车。Harness的价值在于失败日志,通过分析模型改错的代码行、测试报错、终端命令失败原因、文件重复读取情况以及上下文遗忘问题等,能快速了解Agent的不足。
Claude Code能在短时间内占据GitHub公开提交量的4%,是因为Anthropic建立了完整的反馈循环。用户的每一次失败和重试,都成为产品迭代的数据,集中错误直接转化为Claude Code的新Harness。DeepSeek现在不仅要补齐Harness本身,还要建立收集反馈、快速迭代的机制。
量化交易中有‘滑点’的概念,即实际成交价格与预期价格的差异。AI Agent也存在类似的‘滑点’,模型可能误解项目结构、命令执行失败、补丁测试不通过等。Harness的价值就在于缩小这些差距,提高模型的执行能力。
此外,Agent还存在‘管不住’的问题。2026年4月,汽车租赁SaaS公司PocketOS让运行在Cursor里的Claude Opus 4.6编码Agent通过Railway调用API,结果该Agent在9秒内删除了公司的生产数据库和同卷备份,公司只能从三个月前的备份恢复。
在量化公司,策略失控比不赚钱更可怕,因此交易系统必须有风控机制。AI Agent同样如此,它能读文件、改代码、跑命令,能力越强,风险越大。必须明确禁止执行的命令、禁止访问的目录,规定何时需要人工干预以及出现问题时的回滚措施。崔添翼的价值在于,他知道何时该控制模型。
过去,DeepSeek无需过多关注产品体验,强大的模型和快速的开源速度吸引了社区关注。但现在不同了,开发者对编程工具的容忍度极低,很多人会同时准备多个工具,A工具不行就换B工具。Ivern AI在2026年4月的开发者调查显示,73%的开发者经常使用2个以上AI编码工具,只有27%只用一个工具。
除了产品体验,工具生态也是DeepSeek面临的问题。Claude Code背后有MCP协议、插件系统和各类Skills,这些都是在大量真实使用场景中逐渐形成的。稳定性同样是痛点,DeepSeek爆红后,服务器压力大增,如5月28日就出现了崩溃情况。对于聊天用户来说,短暂等待可以接受,但对于编程Agent来说,稳定性是生命线,任务进行中API超时会导致前功尽弃。
5888



被折叠的 条评论
为什么被折叠?



