Codex Harness开源：AI护城河从模型转向运行时

从CI外壳到完整引擎：OpenAI的一次全面开放

2026年8月19日，OpenAI正式开源了Codex Harness。这一事件之所以值得关注，是因为它标志着AI竞争焦点的一次深层迁移——护城河正在从模型本身，搬到围绕模型运转的"运行时"（Runtime）。

所谓运行时，指的是程序在实际执行过程中所依赖的全部基础设施——包括内存管理、任务调度、状态恢复、并发控制等。在AI Agent语境下，运行时还额外承担了上下文窗口管理、工具调用编排、成本监控等职责。它是将模型的"智能"转化为可靠产品行为的关键中间层。

回顾时间线：2025年4月，OpenAI仅仅开源了Codex的CI（Continuous Integration，持续集成）外壳，也就是面向自动化构建和测试流程的最外层命令行接口，开发者通过它触发代码检查和测试运行等标准化流程；而一年之后，引擎盖下的东西全部打开了。这次开源包含了Rust核心、应用服务器以及完整的AST（抽象语法树）处理能力。开源仅三天，项目就在GitHub上斩获了107,000颗星，热度可见一斑。

Rust是一门系统级编程语言，以零成本抽象、内存安全（无垃圾回收）和极致性能著称，常用于对延迟和吞吐量要求极高的基础设施。OpenAI选择Rust重写性能敏感路径，意味着在Agent频繁的工具调用、状态切换和并发任务中，可以避免传统GC语言（如Python、Go）带来的停顿和内存开销。而AST是源代码的结构化表示，编译器和代码分析工具通过AST理解代码的逻辑层次。Codex Harness内置完整的AST处理能力，意味着它不是简单地把代码当文本处理，而是能够理解代码结构、识别函数边界、追踪变量引用，从而实现更精确的代码生成和修改。

这次开源的核心内容是Agent运行时和集成接口，具体包括Rust核心、CI、应用服务器以及技能库、插件库。需要说明的是，AI的扩展能力和云端服务并没有开源，但模型可以随意替换——这一点非常关键，它意味着开发者不会被锁死在OpenAI的模型生态内。

Harness到底解决了什么问题

要理解Harness的价值，需要先厘清一个核心分工：模型负责思考，Harness负责干活。

在实际的Agent系统中，光有一个聪明的模型远远不够。何时停止推理？上下文太长了怎么办？断点如何恢复？工具调用需不需要审批？成本如何控制？事后如何审计？这一系列棘手的工程问题，全都由Harness来回答。换句话说，模型只是提供智能，而把智能真正落地成可用产品的所有"脏活累活"，都是运行时层面的责任。

这些问题在传统软件工程中各有成熟解法，但当执行主体从确定性程序变为概率性的大语言模型时，每一个问题都需要重新设计。例如"何时停止"——传统程序有明确的终止条件，而LLM可能陷入无意义的循环推理；"断点恢复"——传统程序的状态是确定性的，而Agent的"思维状态"包含了不可精确序列化的推理上下文。这就是为什么Agent运行时需要专门的工程设计，而非简单套用现有的任务调度框架。

这也解释了为什么运行时会成为新的护城河。模型的能力正在快速趋同，而如何高效、可靠、可控地调度模型完成复杂任务，才是真正区分产品优劣的地方。

三层接口：从脚本到产品全覆盖

Codex Harness提供了三层递进式的接入接口，覆盖了不同开发场景：

• 第一层 Codex Exec：一行命令即可跑起来，适合快速试验和脚本化任务；
• 第二层 TypeScript SDK：支持程序化编排，方便开发者构建自定义流程；
• 第三层 应用服务器：将完整的Agent循环嵌入你自己的产品中。

这种分层设计让不同需求的用户都能找到合适的切入点，从个人开发者的快速验证，到企业级产品的深度集成，都有对应的路径。这也是成熟开发者工具的典型设计哲学——低门槛进入，高天花板扩展。

惊人的性能数据：同一模型得分提升近3倍

本次开源最引人注目的一组数据是：在完全相同的模型下，仅靠Harness策略的优化，ARC-AGI-3的得分就从13.3%飙升到38.3%，提升接近三倍，同时输出Token还节省了约六倍。

ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）是由François Chollet于2019年提出的一项AI推理能力基准测试，专门评估系统在面对全新问题时的抽象推理和泛化能力。与传统AI基准不同，ARC的每道题都是独一无二的视觉模式变换谜题，无法通过记忆训练数据来作弊。ARC-AGI-3是该基准的第三个版本，难度进一步提升，被认为是衡量系统"真实智能"的黄金标准之一。从13.3%到38.3%的提升幅度在这个基准上极为显著——人类在ARC测试上的平均正确率约为85%，而此前大多数AI系统的得分长期徘徊在较低水平。

这个结果非常有说服力地印证了"运行时决定成败"的观点。同样的大脑，配上不同的执行框架，最终表现天差地别。其背后的秘密主要有三点：

1. Rust重写：所有性能敏感的路径都用Rust重写，保证了执行效率；
2. 模型无关：兼容任意端点，可以随意替换底层模型；
3. 上下文工程：保留关键推理内容，压缩过期信息，从而在提升准确率的同时大幅降低Token消耗。

上下文工程（Context Engineering）是2025-2026年间兴起的一个关键工程实践领域。即使模型支持百万级Token的上下文窗口，实际使用中也面临三重挑战：首先是成本——每个Token都有计算开销，上下文越长推理越慢越贵；其次是注意力稀释——研究表明模型在极长上下文中容易"遗忘"中间内容（学术上称为Lost in the Middle现象）；最后是相关性衰减——早期的推理步骤可能已经过时。Codex Harness的上下文工程策略包括摘要压缩（将冗长的中间步骤浓缩为要点）、选择性保留（只保留与当前任务相关的历史信息）、分层缓存（高频访问的内容保持原文，低频内容压缩存储）。正是这些精细的工程优化，使得同一模型在不同运行时下表现出如此巨大的差异。

对不同群体而言，这次开源意味着：开发者能用上和商业产品完全相同的运行时；企业获得了现成的沙箱与审批机制；整个行业见证护城河从模型向运行时的转移；而开源社区则多了一份生产级的参考实现。

Codex Harness vs DeepSeek Harness：造引擎还是装引擎

2026年可以说是"Agent运行时元年"，两家巨头把运行时摆上了台面。那么问题来了：Codex Harness和DeepSeek Harness该怎么选？

二者的定位有本质差异。DeepSeek Harness是通用运行时，一切皆插件，采用MIT协议；Codex Harness则是编码智能体平台，经过生产验证，采用Apache协议。 用一个比喻来说：一个是造引擎，一个是装引擎。DeepSeek开放内部结构，让你构建属于自己的平台；Codex则开放成熟的循环，让你直接嵌入使用。

关于两种开源协议的选择，背后体现了不同的商业哲学。MIT协议极其简短（约170个英文单词），本质上只要求保留版权声明和许可声明，对使用者几乎没有额外约束，是"最自由"的主流开源协议。Apache 2.0协议则在MIT的基础上增加了两个关键条款：一是明确的专利授权——贡献者自动将相关专利授权给使用者，降低了专利诉讼风险；二是修改声明要求——对原始代码的修改必须标注。DeepSeek选择MIT体现了其"完全开放、不设限制"的哲学；OpenAI选择Apache则更注重专利保护的清晰性，这对企业用户在法律合规层面尤为重要。

更有意思的是，Codex还能作为子代理装进DeepSeek Harness中——两者并不互斥，甚至可以协同工作。

DeepSeek Harness的五个独有优势

• 一切皆插件的架构
• 事件溯源可审计
• 支持Hook与Ralph长任务
• 权限三层分离
• 模型完全中立

事件溯源（Event Sourcing）是一种软件架构模式，系统不存储当前状态，而是存储导致当前状态的所有事件序列。这意味着系统的每一步操作都有完整的历史记录，可以随时回放、审计甚至回滚到任意时间点。在AI Agent场景中，当一个Agent执行了错误操作时，运维人员可以精确追溯到是哪一步推理、哪一次工具调用导致了偏差，这对于金融、医疗等高合规行业至关重要。

权限三层分离通常指将认证（Authentication，确认身份）、授权（Authorization，确认权限）和执行（Execution，实际操作）分离到不同的系统组件中。这种设计确保即使Agent拥有强大的执行能力，其行为边界仍然受到严格的权限控制——Agent知道自己是谁、被允许做什么、以及实际能触达哪些资源，三者互相独立又互相制约。

这些特性使它特别适合自研平台和高合规场景。

Codex Harness的三个核心优势

• 经过生产验证的运行时
• 最短的接入路径
• 硬核的性能数据

代价则是它围绕OpenAI生态构建，Add与云端服务不开源。

一句话选型建议

如果要造引擎，选DeepSeek Harness；如果要装引擎，选Codex Harness。具体来说：自研平台、多模型中台选前者；编码工具集成、CI/CD场景选后者。

所谓多模型中台，是指企业内部统一管理和调度多个AI模型的平台层——不同业务线可能需要不同模型（代码生成用一个、文档处理用另一个、数据分析用第三个），中台负责统一接入、负载均衡、成本核算和权限管理。在这种场景下，DeepSeek Harness的"一切皆插件"和"模型完全中立"的设计哲学显然更加契合。

结语：竞争焦点的转移

随着两家巨头相继开放运行时，AI领域的竞争正在从"谁的模型更强"，转向"谁的框架更可靠、更开放、更省Token"。这是一个值得所有AI从业者关注的信号——在模型能力逐渐趋同的今天，工程化的运行时能力，或许才是下一阶段真正的差异化竞争力所在。

这一趋势与互联网历史有着惊人的相似性。2000年代，搜索引擎的核心竞争力是算法（PageRank）；到了2010年代，算法趋同后，竞争焦点转移到了数据和基础设施。如今AI领域正在经历类似的演进：模型（算法）正在趋同，而运行时（基础设施）正在成为新的战场。掌握运行时意味着掌握了AI应用的"最后一公里"——从智能到产品之间那段最关键、也最容易被低估的距离。

核心要点