8 月 21 日，DeepSeek Harness 团队宣布其模型适配器新增 DeepSeek-V4-Flash-Vision-Exp 多模态选项。这看似一次普通的能力补丁，却点出了 Agent 底座竞争的一个新变量：当运行框架能原生存图、接受图文混合指令，并把图片作为持久化附件在 MCP/ACP 之间流转，Agent 才真正从「读文本」跨入「看世界」。开源运行时大战的重心，正从「谁能驱动更多工具」悄悄转向「谁能理解更丰富的环境信号」。
一、多模态不是「能画图」，而是「能看图办事」
这一次更新支持原生图片请求、图文命令输入，以及 MCP/ACP 图片附件的持久化。过去 Agent 处理一张截图、设计稿或票据，往往要靠外部脚本临时转写、再塞回上下文；现在图片成为一等公民——截图、仪表盘、合同、工业图纸都能直接进上下文，并由不同子代理接力处理。对客服截图分析、设计稿转代码、票据核对这类场景，这是把「多模态」从模型卖点变成工程默认能力的关键一跳。
更关键的是「持久化」：图片一旦作为附件在协议层流转，就不会在子代理切换、工具调用之间丢失。长流程任务里，Agent 不再需要每步重新上传同一张图，上下文的一致性与可追溯性都随之提升。
二、子代理协作的门槛被降低
多模态让不同专长的子代理可以围绕同一张图协同——识别、推理、生成各有分工。DeepSeek Harness 把这项能力作为「适配器」而非「模型权重」开放，意味着开发者可以在自有产品里沿用这套多模态编排，而不必等待模型本身的权重更新。这种「框架先于权重」的节奏，正是近期开源运行时竞争的典型打法：用快速迭代的编排能力，去对冲底层模型发布的周期。
三、底座之争从「跑得动」转向「看得懂」
结合本栏此前梳理的开源运行时大战（OpenAI Codex Harness 开源、DeepSeek Harness 周更、NVIDIA AVO 在 ARC-AGI-3 取得满分），竞争焦点已经出现位移。早期比的是「谁能驱动更多工具、收编更多子代理」；现在，谁能理解更丰富的环境信号——尤其是视觉——成为分水岭。GUI 操作、文档核对、工业巡检、医疗影像，这些真实任务的第一步往往是「看见」，而非「读字」。谁先把视觉接入 Agent 的感知闭环，谁就离真实生产场景更近一步。
四、开源与闭源的节奏差
DeepSeek Harness 在一周内多次更新，多模态是其中关键一跳；相较之下，闭源 Harness 的开源程度与迭代节奏仍存在争议，双方最终的路线差异行业暂未披露。但一个共识正在形成：运行时（Harness）而非底层模型本身，才是 Agent 竞争力的隐藏主语。模型能力在趋同，真正的差异化落在工具调用编排、上下文管理与多模态感知这些「框架层」。
五、对开发者的直接意义
多模态原生最直接的价值，是降低「让 Agent 处理真实世界图像」的工程成本。不必再为每个视觉任务写胶水代码，开发者可以把精力放在「看图—决策—执行」闭环的稳定性上。下一阶段的比拼，不再是「模型能不能看图」，而是「谁的 Agent 能把看图之后的动作跑稳、跑对、可审计」。视觉时代的底座之争，才刚刚开场。