Welcome to Fxcxy

Hotline:

17688158011
AI 工具与工作流

Codex、Claude Code、Pi 到底有什么区别？一次讲清 Harness

模型只是大脑，真正决定 AI 如何编程的，是背后的 Harness。

Codex、Claude Code、Pi 到底有什么区别？一次讲清 Harness

最近研究 AI 编程工具时，我频繁看到两个名字：Pi，以及 DeepSeek Harness。

一开始我以为，它们只是 Claude Code、Codex 之后，又冒出来的两个 Coding Agent。

但仔细研究后，我发现真正值得关注的并不是“又多了两个工具”，而是 AI 编程正在发生一次很重要的变化：

大家开始从比较模型，转向比较 Harness。

理解这一点之后，你会突然明白：为什么同一个模型，放进不同的编程工具里，表现可能完全不一样。

Model、Agent 和 Harness，不是一回事

可以先记住一个简单的比喻：

模型是大脑，Harness 是身体、工具箱和工作流程，Agent 才是最终能够干活的完整系统。

当你对 Codex 说：“帮我重构这个项目的登录流程。”

真正发生的事情远不只是模型生成几段代码。

它需要读取项目、搜索引用、理解目录结构、修改文件、执行命令、运行测试、分析错误，然后继续修复。

决定模型如何完成这些动作的，正是 Harness。

DeepSeek 官方直接给出了一个公式：

Agent = Model + Harness

它把模型、工具、Skills、会话、沙箱、存储、循环、调度和 UI 都视为可以组合的能力。

所以，模型决定的是“它有多聪明”，Harness 决定的是“它如何使用这份聪明”。

Claude Code 和 Codex，其实也有 Harness

很多人容易把 Claude Code 理解成：

Claude 模型 + Terminal

实际上，它背后还有代码搜索、文件编辑、Shell、上下文管理、权限控制、错误恢复、会话管理等一整套机制。

Codex 也是一样。

它们的优势不是只提供一个强模型，而是已经把模型和一套成熟的工作方式打包成了完整产品。

Claude Code 官方将自己定义为能够读取代码库、编辑文件、执行命令并连接开发工具的 Agentic Coding Tool。

Codex CLI 同样是完整的本地 Coding Agent，而且当前已经以 Apache-2.0 协议开源。

它们更像两辆已经调校好的汽车。

你不需要研究发动机、变速箱和底盘，坐进去就能工作。

Pi：把工作方式还给开发者

Pi 的方向不同。

它对自己的定位是：

Minimal terminal coding harness。

Pi 默认给模型提供读取、写入、编辑和 Bash 等基础工具，但不会强行内置复杂的 Subagent 或 Plan Mode。

如果你需要这些能力，可以通过 Extension、Skill、Prompt Template 或 Package 自己添加。

它还提供交互模式、JSON 模式、RPC 和 SDK，可以嵌入其他应用。

所以 Pi 最吸引人的地方，不是它一定比 Claude Code 更聪明，而是它足够可塑。

你可以选择不同模型，接入自己的工具，为 React、Vue、UniApp、测试、Review、Git 提交分别编写 Skill，再按照自己的习惯组织整个 Agent Loop。

Claude Code 更像成品汽车。

Pi 更像一个可以改造成赛车、越野车或者货车的底盘。

DeepSeek Harness：想做的是 Agent 基础设施

DeepSeek Harness 的野心更大。

它采用“一切皆插件”的架构，甚至模型、工具、Skills、会话、沙箱、存储、循环和 UI 都能够替换或重新组合。

官方目前提供四种主要模式：

  • Standard：完整 Coding Agent
  • Code Mode：让模型用 TypeScript 组合多步工具调用
  • Minimal：只保留 Bash 和文件编辑器
  • Creator：创建自己的 Agent Preset

这意味着，它的目标不只是做一个编程助手。

你可以基于它构建 Coding Agent、Testing Agent、Research Agent、Review Agent，甚至把多个角色串成一条完整的软件生产流水线。

不过，它目前仍然处于 Developer Preview 阶段。官方明确提醒，核心插件和 API 仍会持续变化，而且可能出现兼容性破坏。

因此，它现在更适合研究和实验，还不适合直接承载稳定的生产工作流。

为什么 Harness 会变得越来越重要？

因为模型能力正在逐渐接近。

接下来真正拉开差距的，很可能不是模型能不能写代码，而是：

  • 能不能找到正确文件
  • 会不会控制上下文
  • 什么时候调用工具
  • 出错后如何恢复
  • 测试到什么程度停止
  • 如何管理长任务
  • 如何协调多个 Agent

2026 年的一项预注册研究，在 24 个编码任务、7 个推理模型和两个真实 Harness 上进行了 4644 次有效实验。

研究发现，Harness 不只是界面外壳。不同设计会改变推理、工具调用、测试次数、执行时间和上下文增长；在该实验环境中，Harness 甚至让“每个成功任务的成本”出现了 5 到 30 倍的差异。

这也解释了一个常见现象：

同一个模型，在不同 Coding Agent 里，可能像两个完全不同的程序员。

现在应该放弃 Codex 和 Claude Code 吗？

我的答案很明确：

不应该。

如果你真正需要的是完成项目、修复 Bug、重构代码和交付功能，Codex 与 Claude Code 仍然应该是主力生产工具。

它们已经替你解决了大量 Harness 工程问题。

而 Pi 和 DeepSeek Harness 更适合作为实验工具：

生产环境
├── Codex
└── Claude Code

实验环境
├── Pi
└── DeepSeek Harness

Pi 适合研究如何定制自己的 Coding Agent。

DeepSeek Harness 适合观察插件化 Agent Runtime 会走向哪里。

从使用 AI，到设计 AI 的工作方式

当你开始维护 AGENTS.md、Skills、MCP、权限规则、测试流程和多 Agent 协作时，你其实已经不只是在“使用一个 AI 编程工具”。

你已经开始进行 Harness Engineering。

接下来真正值得思考的问题，可能不再是：

“Claude 和 GPT 哪个更强？”

而是：

“我怎样让不同模型，按照最适合我的方式工作？”

这才是 Pi 和 DeepSeek Harness 带来的真正启发。

你不一定要立刻造一个全新的 Agent，也不必放弃已经成熟的生产工具。

更现实的做法是：

继续用 Codex 和 Claude Code 完成项目，同时用 Pi 理解 Harness，用 DeepSeek Harness 观察 Agent 基础设施的发展。

因为未来真正属于你的竞争力，可能不是你选择了哪个模型。

而是你能否建立一套属于自己的 AI 编程系统。

参考资料