榜单上的分数，多少是 harness 挣

这两年有个词慢慢热起来了，叫 harness engineering。意思很直白：把「围绕模型搭系统」当正经工程做，不是提示词写完就收工。

为什么突然重要了？一个很直接的原因。你去翻 agent 评测榜单，同一个模型换一套 harness，分数能差出一截。SWE-bench 早就这样，OpenHands、SWE-agent 这些开源框架，底层模型是同一个，结果各走各路。说穿了，榜单分数里有一块是 harness 挣来的，不全是模型的本事。

对普通人，这事有两个坑要绕。

选工具的时候，别死盯着「它家接了什么模型」。两个产品都说自己挂了最新模型，一个顺手一个卡顿，差别多半在 harness。多拿真实任务试，看它怎么拆长任务、任务翻车了怎么补救、什么时候回头来问你。这些才是体验的大头。

另一个坑是自己搭 agent。先把骨架立起来，再折腾模型。见过有人调提示词调了一周，回头一看，问题是工具返回没做截断，上下文早被日志灌满了。先把四件事定死：怎么装上下文、怎么给工具、什么时候收手、出错了怎么办。这四样定了，再换模型对比才看得出好歹。

模型会一直换，harness 上的功夫是留下来的。

AI Agentharness大模型AI工具