Agent Harness 怎么选：看懂 DeepSeek、Copilot、MAF 与 Open WebUI 的区别
desltive11 分钟阅读选 Agent 技术栈时，很容易把 DeepSeek Harness、Deep Agents、LangGraph、Microsoft Agent Framework 和 Open WebUI 放进同一个排行榜。它们都能连接模型、调用工具，也都在向更完整的 Agent 系统发展，但各自承担的职责并不完全相同。
真正影响选型的问题是：你需要一个可以直接使用的 AI 平台、一套可嵌入应用的执行引擎，还是能够自行控制流程和运行机制的开发框架？
本文依据截至 2026 年 10 月 30 日查阅的官方文档整理。功能定位来自项目资料，选型建议属于作者判断；本文没有对这些项目进行同模型、同任务的性能实测，不给出成功率排行榜。
先把四个层次分清楚
模型提供推理与生成能力。要让它连续完成任务，还需要程序安排模型调用、执行工具、回传结果、维护状态，并决定何时继续、暂停或结束。
这套围绕模型运行的机制通常被称为 Agent Harness。上下文压缩、权限审批、文件访问、任务规划和失败恢复，也常被纳入 Harness 的职责范围，但各项目的实现和默认配置不同。
| 层次 | 主要解决的问题 | 典型例子 |
|---|---|---|
| 应用与工作台 | 用户在哪里操作，如何查看成果、管理知识和权限 | Open WebUI、DeepSeek Harness 桌面端与 Web 端 |
| 开发与编排框架 | 如何定义 Agent、组织业务流程和多个 Agent | Microsoft Agent Framework、LangGraph |
| 执行 Harness | 如何让模型持续调用工具并推进任务 | Deep Agents、MAF Harness、Copilot Harness |
| 接入 SDK | 如何从自己的程序调用已有执行能力 | GitHub Copilot SDK |
这是帮助理解的职责划分，并非互斥分类。一个项目可能横跨多个层次。例如，Microsoft Agent Framework 既有开发框架，也提供预先组合好的 Harness；DeepSeek Harness 同时提供运行机制和用户工作台。
LangChain 官方也明确区分自己的三层体系：LangGraph 提供底层运行能力，LangChain 提供框架组件，Deep Agents 提供较完整的 Harness。官方分层说明
DeepSeek Harness：从运行机制到工作台的插件化
DeepSeek Harness 的设计重点是基于 Cordis 的插件组合。模型适配器、工具注册、会话日志和 Agent 循环都可以作为插件配置与替换。它也提供桌面、Web、无界面执行和 SDK 等接入形态。官方架构文档
对开发者而言，这意味着二次开发可以深入到 Agent 的运行行为：除了添加工具，还可以调整上下文进入执行循环的方式、替换存储或执行环境，以及扩展界面。
如果目标是开发一个跨文档、数据和代码工作的通用 AI 工作台，这种架构值得优先验证。现成的界面、成果预览和运行轨迹，可以减少应用层的搭建工作。官方产品介绍
同时，仓库仍将其标记为开发者预览，并明确提示可能出现不兼容变更。将它作为产品底座时，需要评估升级成本、插件兼容性和实际任务中的稳定性。项目采用 MIT 许可证，也支持通过适配器扩展模型接入，并非仅限于 DeepSeek 模型。项目仓库
Open WebUI：统一 AI 入口，也具备 Agent 执行能力
Open WebUI 以对话、模型、知识库和用户管理为主要组织方式。它提供多模型接入、文档检索、工具扩展以及用户组和资源权限等能力，适合建设团队统一使用的 AI 平台。官方功能说明
不能把它简单理解成一个只显示模型回答的聊天页面。其服务端工具调用可以循环执行：模型选择工具，平台执行并回传结果，模型再决定下一步。通过 Open Terminal 等组件，也能接入命令与文件操作环境。服务端工具调用机制
因此，它与 DeepSeek Harness 的区别主要体现在产品重心与改造方式。前者适合围绕现有平台组织模型、知识和用户能力；后者值得用于探索运行内核和工作台都需要深度调整的 Agent 产品。
例如，“让不同部门使用自己的知识库和获准模型”，可以优先验证 Open WebUI；“让助手持续处理项目文件，并自定义执行循环和界面插件”，则可以优先验证 DeepSeek Harness。实际是否满足需求，仍取决于所选版本、部署方式与扩展配置。
GitHub Copilot Harness、SDK 和 MAF 是什么关系
这组名称尤其容易混淆。GitHub Copilot SDK 的作用，是让开发者在自己的应用中调用 Copilot CLI 背后的 Agent 执行能力。应用通过 SDK 与 CLI 服务通信，SDK 负责管理相关进程或连接外部服务；它不是一个大模型本身。Copilot SDK 架构
Microsoft Agent Framework，简称 MAF，则提供构建和编排 Agent 的统一开发方式。它可以接入不同能力来源，也能通过 GitHub Copilot 集成，把 Copilot 的执行能力纳入应用工作流。MAF 项目说明、Copilot 集成文档
MAF 还提供自己的 Agent Harness。 它组合框架已有的模型调用、上下文提供器和中间件，提供待办、记忆、工具审批、可观测性等机制；上下文压缩、后台委派和循环执行等能力依赖具体配置。不同语言的默认项和成熟度也不完全一致。MAF Harness 文档
开发者因而有两条不同路径：
- 使用 MAF 自带 Harness。 由 MAF 的组件驱动模型与工具执行，按需求配置记忆、审批和上下文策略。
- 通过 MAF 接入 Copilot。 由 Copilot 承担具体 Agent 执行，外层继续使用 MAF 的工作流和集成能力。
它们可以组合，不必二选一。选择时应先明确，团队希望复用现成执行引擎，还是希望直接控制 Harness 的组成。
还有一个开源边界：Copilot SDK 使用 MIT 许可证，但它所调用的 Copilot CLI 使用单独的许可证。SDK 开源不能被等同于整个执行内核具有相同的修改和分发自由。SDK 仓库、CLI 许可证
如果看到的是 Copilot Studio 中的“GitHub Copilot Harness”，那属于这套技术在托管平台内的应用形态。微软说明它共享底层技术与 SDK 组件，但遵循 Copilot Studio 的服务与数据治理边界，不能直接等同于安装一个本地 Copilot SDK。Copilot Studio 官方说明
其他值得纳入候选的项目
| 项目 | 值得关注的侧重点 | 适合优先验证的需求 |
|---|---|---|
| Deep Agents | 预先组合规划、上下文管理、子 Agent 和文件系统能力 | 快速构建通用、多步骤任务 Agent |
| LangGraph | 显式状态、持久执行、中断与人工介入 | 确定性业务流程和自主行为混合编排 |
| OpenHands SDK | 代码、终端和本地或隔离工作空间 | 自动修改仓库、修复问题、执行测试 |
| Pi | 精简执行核心与可扩展工具包 | TypeScript 应用嵌入、自定义编程助手 |
| Letta | 持久状态和长期记忆 | 需要持续积累上下文的个人或业务助手 |
| Pydantic AI | Python 类型、结构化数据和可组合能力 | 与现有 Python 业务系统集成 |
上述定位可参阅各项目官方资料：Deep Agents、LangGraph、OpenHands SDK、Pi、Letta、Pydantic AI。表格提供试用方向，不代表某个项目只支持一种场景，也不构成完整市场清单。
用真实任务决定，而不是用名称决定
建议先按交付目标缩小候选范围，再做可重复的验证：
- 团队 AI 门户与知识库：先验证 Open WebUI 的用户、知识和权限能力是否覆盖需求。
- 自有通用 Agent 工作台：先比较 DeepSeek Harness 的产品底座与 Deep Agents 的开发组合方式。
- 企业业务流程与多 Agent 协作：先比较 MAF 和 LangGraph 的编排、状态及人工介入机制。
- 复用现成开发执行引擎：验证 Copilot SDK；如果需要可自行改造的替代实现，可同时考察 OpenHands 或 Pi。
测试时尽量固定模型、工具权限、任务输入和预算。除了记录任务是否成功，还应记录总耗时、调用成本、人工干预次数、失败后能否恢复，以及最终需要补写多少业务代码。如果某个产品无法使用同一模型，应把它视为“模型与 Harness 的组合评估”，避免把模型差异全部归因于框架。
多 Agent 数量、插件数量和 GitHub 热度，都不能直接代表业务价值。真正值得投入的底座，是能够在你的权限边界、执行环境和任务集合中，稳定交付结果，并且可以持续维护的那一个。