8 月 11 日，Pi Harness 创始人 Mario Zechner 转发了一组数据：

开发者 0xEvan 用 Pi 调用 DeepSeek V4 Flash，处理了近 10 亿输入 Token，缓存命中率达到 99.93%，最终只花了 2.65 美元。如果没有缓存，同等用量预计需要 132 美元。

同一天，另一名开发者 Shantanu Goel 表示，DeepSeek V4 Flash 在其他 Harness 中的缓存命中率通常为 94% 至 97%，到了 Pi 中却能持续达到 99% 以上。Mario 对此评论道：“使用本地模型时，这一点尤其好用。”

社区里这种案例还有不少。

这也让人想起 Mario 今年 5 月对 Pi 与 DeepSeek V4 这一组合的评价：“pi + ds4 == sovereign AI enterprise ready clearly.”换成更符合中文语境的话，大概就是：“Pi + DeepSeek 4，企业级 AI 这不就成了吗。”

当时，这只是他看到开发者用 Pi 搭配 DeepSeek V4 跑通一个终端俄罗斯方块后的一句调侃。三个月后，一项公开横向测试，却意外给这句话补上了数据。

Pi 搭配 DeepSeek，跑赢了 Claude Code？ 

Composio 是一家为 AI 智能体开发工具的公司，最近进行了一项公开对比测试。他们选用同一个模型 DeepSeek V4 Flash，让它分别运行在 8 种不同的智能体 Harness 中，完成 30 项高难度的智能体任务。这些任务要求智能体采取行动、调用工具，并独立完成整个工作。

拿下第一名的是 Pi Agent：30 项任务通过 20 项，成功率达到 66.7%；Oh My Pi 通过 17 项，排名第二；Claude Code、Codex 和 Deep Agents 均通过 16 项；Prime Agent 通过 15 项，另有 6 次运行未被计分，其中 2 次因评分器处理超时而无法评分，另外 4 次没有留下记录；Hermes Agent 同样通过 15 项；OpenCode 通过 14 项，排名最后。

同一个模型，仅仅更换外面的 Harness，成功率便从 46.7% 升至 66.7%，相差整整 20 个百分点。

成本差距更加明显。Pi 平均完成一项成功任务只花费 0.028 美元，Claude Code 需要 0.195 美元，接近前者的 7 倍。

Pi 完成任务的中位时间为 132.2 秒，虽然略慢于 Claude Code 的 122.7 秒和 OpenCode 的 129.7 秒，但综合成功率、速度与成本来看，它交出了这轮测试中最突出的成绩。

这项测试体现了所谓的“Harness 乘数效应”：围绕 AI 搭建的工具会放大或削弱模型的实际表现。选对 Harness，同一个模型可以同时变得更可靠、更高效；选错 Harness，即使底层模型的智能水平完全相同，任务成功率和运行效率也可能明显下降。

Composio 因此强调，不应孤立评测模型；如果一份 Agent 排行榜只写模型名称，却没有交代使用了哪套 Harness，那么这个分数就是不完整的。

极简的 Pi，为什么反而赢了 

Composio 公司的测试还有一个值得注意的细节：Pi 几乎没有添加额外配置，采用的是全新、未经修改的默认安装，只接入了测试所需的 MCP 服务器插件。除此之外，Pi 没有进行自定义设置、调优或特殊配置。正是这样一套接近开箱即用的方案，最终通过了最多的任务。

再看 Prime Agent。它在八种 Harness 中产生了最庞大的会话，部分会话消耗多达 350 万 Token，并进行了 33 次工具调用。可以把它想象成一个智能体还没有真正开始工作，就先给自己列出了一份电话簿那么长的任务清单。

这些会话规模过于庞大，评分器仅仅为了处理它们就发生了超时。两次运行无法评分，另外四次没有留下记录，因此共有六次运行未被计入成绩。即使只看有效运行，Prime 通过的任务数量也只与 Hermes 相当，耗时却接近 Pi 的两倍。

这组数据呈现出一个明显的反差：功能和会话最为庞杂的 Prime，最终被自身的运行负担拖慢；更加轻量的 Pi 则以较低开销通过了最多任务。至少在这项测试中，增加更多层并没有换来更好的结果。

这也对过去“配置越多，效果越好”的思路提出了挑战。人们通常会选择最大的模型，叠加每一个插件、每一个扩展以及各种复杂的功能层，默认功能越多，智能体就越强。这项测试提供了另一种思路：选择一款速度快、成本低的模型，把它放进干净、轻量的 Harness 中，再用真实任务检验两者的组合。

DeepSeek V4 Flash 顾名思义是一款 Flash 模型，定位更侧重速度和运行效率，并不以赢得模型智能竞赛为目标。轻量化配置的 Pi 此次占优，原因其实也简单。每增加一层，智能体就多了一个可能迷路的地方；每增加一个工具，它就多了一项需要做出的选择；每增加一份庞大的指令文件，它在行动前就要阅读更多噪声。

因此，干净的 Harness 会给模型提供一条从接收任务到完成任务的短路径，臃肿的 Harness 则会让它四处绕路。这就是默认安装能够击败重量级配置的原因：路径更短，走错方向的机会也更少。

99.9% 的缓存命中率是怎么做到的？ 

Pi 本身并不是一款专门为 DeepSeek 设计的 Harness。它更像是一套面向开发者开放的 Agent 底座：Pi 允许开发者通过扩展修改系统提示词、筛选对话历史、自定义上下文压缩，并动态增删或启停工具；在请求发给模型之前，开发者甚至可以直接检查和改写最终载荷。这种可编程性给 DeepSeek 的缓存优化留下了很大空间。

DeepSeek API 会缓存请求中提示词的前缀。如果下一次请求开头的 Token 序列与上一次完全相同，服务端就会直接从缓存中读取这些 Token，并以远低于普通输入 Token 的价格计费。缓存命中的价格，要比缓存未命中低得多。

关键在于，这是一种前缀缓存，匹配需要从第一个 Token 开始。如果上下文前部发生变化，其后的大量 Token 就可能无法继续命中原有缓存。前缀越早发生变化，后面被“连坐”的 Token 就越多。

一套典型的 Agent 请求里，通常包含系统提示词、工具定义、对话历史和本轮新增内容。Agent 每执行一步，都要再次携带前面已经出现过的大量上下文。会话越长，重复内容越多，理论上越适合使用缓存。但如果 Harness 每轮都重新整理这些内容，加入新的时间戳、改变工具顺序或者重写历史摘要，再长的上下文也很难被稳定复用。

这也催生了一批专门优化 DeepSeek 缓存的 Harness 项目。开源 Reasonix 是一款围绕 DeepSeek 前缀缓存设计的终端编程 Agent，其缓存表现受到不少开发者关注。一名更喜欢 Pi 的开发者甚至专门制作了 DeepPi，试图把 Reasonix 的缓存优化方法移植到 Pi 中。他称，DeepPi 在调用 DeepSeek API 时，缓存命中率可以稳定达到 99.7% 至 99.9%。

我尝试将 Reasonix 的一些性能优势移植到针对 Pi 优化的 Deepseek 软件包中。它只有在使用 Deepseek API 时才会激活，但激活后，我的缓存命中率稳定在 99.7% 到 99.9% 之间。

Reasonix 的核心设计原则是：保持上下文前端稳定，采用追加而非修改的方式，并将变更成本降至最低。

具体实现上，Reasonix 在启动时会注入一份精简、稳定的环境摘要，而不会在每轮对话中重新生成。过时的工具输出会在触发摘要压缩之前被截断和清理，因此，二十轮前一次 cat 命令产生的大量结果，不会一直留在提示词前缀中。Reasonix 还对内置工具的 Schema 契约进行了文档化，并在变更时进行回归审查，因为工具定义一旦在没有提示的情况下被重新调整，就会导致缓存失效，而且表面上看不出任何异常。

在双模型模式下，执行模型和规划模型会分别运行在各自独立且缓存稳定的会话中，而不会被交错放进同一个上下文。这一点是这个项目中最巧妙的设计。引入规划模型最简单的做法，是把规划轮次直接插入同一段对话，但这会破坏两个角色的缓存稳定性。将它们放在独立会话中，可以让各自的提示词前缀保持不变。

Pi 生态中也出现了不少类似的第三方扩展。以 pi-deepseek-cache 为例，它同样将 DeepSeek 缓存优化作为核心目标，设计思路与 Reasonix 有不少共同点。

Reasonix 强调“启动时注入稳定的环境摘要”，pi-deepseek-cache 的 P0 层做的正是同一件事——在 Agent 启动时冻结日期和当前工作目录，从根源上杜绝了 Pi 默认系统提示词中 Current date: YYYY-MM-DD 和 Current working directory: 这类动态内容导致的缓存失效。

Reasonix 强调“过时的工具输出要在压缩之前被剪枝和清理”，pi-deepseek-cache 的 P3 层则通过缓存友好的压缩来实现这一点——当对话历史过长需要总结时，使用 deepseek-v4-flash 在 temperature 为 0 的条件下进行确定性摘要，并对摘要结果做哈希缓存，确保相同的历史输入始终复用字节一致的摘要结果，避免因摘要文字波动而破坏前缀。

Reasonix 还提到“工具 Schema 契约文档化并在变更时回归审查”，pi-deepseek-cache 的 P2 层提供了类似的防护机制——通过 SHA-256 哈希对前缀进行诊断，追踪前缀何时发生变化，让开发者能及时发现缓存失效的根因。

这个扩展的降本效果非常直观：以 deepseek-v4-flash 为例，输入 Token 成本从每百万 Token 0.14 美元降至 0.003 美元，降幅达 98%；deepseek-v4-pro 则从 3.00 美元降至 0.025 美元，降幅达 99%。

写在最后 

有趣的是，DeepSeek 官方至今还没有推出自己的 Harness。就在昨天（8 月 11 日），“DeepSeek Harness 团队”微信公众号已完成注册，被外界解读为 Harness 产品即将正式发布的重要信号。此外，产品内测也已经启动，正式发布应该不远了。

官方 Harness 能带来什么特别之处？最核心的一点可能还是“原生适配”。第三方 Harness 只能通过公开 API 做逆向优化，而官方团队可以和模型训练团队背靠背协同，让模型针对 Harness 的调用模式做针对性优化，Harness 也能利用模型内部的非公开信息。这种深度整合，是任何第三方都做不到的。