Deep Agents 发布 Harness Profiles，背后的判断很明确：Model-Harness-Task fit 是真实存在的。
同一个模型，放在不同 harness 里，表现可能差很多。不同模型家族对 prompt、工具名称、上下文组织方式和中间件的偏好也不同。用一套默认配置覆盖所有模型，方便，但不一定最优。
#Harness Profiles 是什么
Deep Agents 过去提供一套跨模型通用的基础 harness。它包含 prompts、tools、middleware 等默认设置，让开发者可以快速创建 agent。
Profiles 则是在这个基础上增加按模型覆盖的配置层。开发者可以针对某个模型或供应商调整 system prompt、工具包含关系、工具命名、中间件、subagent 配置和 skills。
官方文章提到，Deep Agents 开箱内置 OpenAI、Anthropic 和 Google 模型的默认 profiles，也支持开发者注册自己的 profile 或通过 YAML 加载。
#为什么按模型调 harness
模型提示指南本身就不同。某些模型对工具名称、补丁工具、shell 命令和计划方式有明确偏好；另一些模型则需要不同的提示约束。
如果 harness 不跟着模型调整，就会出现一种浪费：模型本身能力很强，但外层工具协议、提示结构或中间件没有把能力释放出来。
原文还提到评测差异。Terminal-Bench 等榜单显示，同一个模型在不同 harness 下表现可能明显不同。Deep Agents 团队在 tau2-bench 子集上观察到，model-specific profiles 相对默认 harness 可以带来 10 到 20 个点的提升。
#Profiles 改的不是一个参数
Profiles 不是简单的温度或模型名配置。它覆盖的是 agent 运行环境：
- system prompt 的前缀和后缀
- 工具是否启用，以及工具名称如何暴露
- middleware 是否启用
- subagent 配置
- skills 组合
这些东西共同决定模型如何理解任务、如何调用工具、如何保存状态，以及如何处理长程步骤。
#对 agent 团队的意义
Agent 工程会越来越像应用工程：需要版本化、评测、回滚和配置管理。Harness Profiles 把“某个模型最适合怎么跑”从经验变成可保存的配置。
这对团队很重要。换模型不应该只是改一个模型名，然后祈祷行为一致。更合理的方式是为不同模型维护对应 harness，再用评测验证哪套组合最适合当前任务。
Deep Agents 的这个功能说明，未来 agent 产品的竞争不只在模型选择，还在 harness 设计和任务适配能力。