本文是DeepSeek Harness（dsh）与OpenCode Go订阅制模型网关的集成指南。作者详细介绍了为何选择该组合、安装步骤、配置方法，并通过一次真实的生产巡检案例展示了其成本效益。文章强调dsh的插件化架构与OpenCode Go的OpenAI兼容端点天然匹配，仅需两个环境变量即可切换推理流量。通过实测数据，作者分析了agent循环的输入放大效应、96.5%的缓存命中率以及订阅制在成本控制上的优势。最终，文章提供了完整的配置步骤和实战复盘，帮助开发者快速上手并高效利用该组合。
文章通过三个真实案例，验证了“贵模型编排、便宜模型执行”这一省钱策略。作者发现，虽然便宜模型在文本判定等任务上能打平顶尖模型，但在高复杂度代码和开放式视觉任务上存在局限。关键在于控制模型能力代差和任务可验证性，否则返工成本将抵消节省的 token 费用。
文章深入解析了 pi-goal 这一长程目标自动循环工具的源码机制，并设计了高难度的 Karpathy 开源项目洞察任务，对 Gemini、Claude 和 DeepSeek 三款模型进行了同台实测。结果表明，DeepSeek V4 Pro 在成本上仅是 Gemini 的 1/31，质量却更优。文章还发现过度推理会增加幻觉，以及软预算机制可作为模型行为探针，并指出了 pi-goal 在审计验证上的盲区。
