“Claude Code 太费 token 了”——这是过去半年开发者社区里最常见的抱怨之一，但一直没人拿出像样的账本。7 月 29 日，Agent 基础设施公司 Composio 把账算明白了：同一个模型、同一批任务，只因为跑在不同的 agent 框架（harness）里，token 消耗最多能差 30 倍。
这不是一次针对某个产品的吐槽，而是一个信号：当模型能力逐渐趋同、价格被打到白菜价之后，Agent 的成本竞争正在转移到模型外面那层看不见的“壳”上。
一、拆解：三个实验，把账算到骨头里
实验一：Composio 实测——成功率差不多，账单差 6 倍。
Composio 用同一个模型 Kimi K3，分别放进三个 harness——Claude Code、Hermes、Kimi Code——跑 28 个完全相同的任务。结果很有意思：
- 成功率几乎打平：Kimi Code 22/28，Hermes 21/28，Claude Code 20/28；
- token 消耗彻底分家：中位数 Kimi Code 约 6.1 万、Hermes 约 6.7 万、Claude Code 直接飙到 34 万，是 Kimi Code 的 6 倍，个别任务差距高达 30 倍；
- 换算成钱（按 K3 每百万输入 token 3 美元、agent 工作流输入占 95% 计）：每个任务平均成本 Kimi Code 0.22 美元、Hermes 0.28 美元、Claude Code 2 美元；
- 速度也不重合：最快的是 Hermes（中位 179 秒），最省 token 的却是 Kimi Code（297 秒），Claude Code 最慢（348 秒）。
也就是说：模型的能力表现几乎一样，harness 本身就把成本拉开了 9 倍。想省钱，先换壳，不用急着换模型。
实验二：Sebastian Raschka 的观察——多出来的全是输入 token。
知名机器学习研究者 Sebastian Raschka 表示，这和他用 Qwen 3.6 做的观察一致：Claude Code 在成功率相近的情况下，token 用量往往是其他 harness 的 2 到 3 倍。他上个月分析过一个具体案例：某次 Claude Code 跑完用了约 57.8 万输入 token，但输出只有约 4500 token，横跨 25 轮。问题不在模型“话多”，而在 harness 在多轮交互中反复把历史消息、工具调用、命令输出、文件内容整段塞回模型——输入端的上下文像滚雪球一样膨胀。
实验三：Writer 的控制变量——只换编排层，成本降 41%。
做企业级 Agent 平台的 Writer 用更严格的方法验证了这一点：固定 22 个企业任务和 6 个基础模型（Claude Sonnet 4.6、Gemini 3.1、Gemini Flash 3.5、Qwen 3.6、GLM 5.1、Palmyra X6），只替换编排层。结果：每任务平均成本降 41%（0.21→0.12 美元），中位延迟缩短 44%，token 消耗减少 38%，而任务完成质量基本持平（0.78→0.81）。每美元成本获得的质量提升高达 82%，每百万 token 能完成的任务数从 54.9 跃升到 92.0。
三个独立实验指向同一个结论：harness 的效率，已经和模型能力一样，成为决定 Agent 经济性的关键变量。
二、建框架：Harness = Agent − Model
“Claude Code 之父”Boris Cherny 给过一个极简公式：Harness = Agent − Model。模型外面那层壳——界面交互、工作流编排、权限治理、记忆、观测——就是 harness。
把今天的三个实验放进这个公式，会得到一个双层图景：
第一层，效率轴：harness 决定你的 token 账单。工具调用、重试、多轮循环一旦进入 loop，成本不是线性增长，而是复利式膨胀——有人已经在呼吁给 benchmark 加上“harness 税”这一项。模型变成“水电煤”之后，harness 就是决定你电费单的空调。
第二层，时间轴：harness 的保质期只有半年。在 7 月 28 日 YC 的访谈中，Boris 抛出了更激进的观点：模型越强，外层壳越薄。他甚至建议做 AI 产品的人“把整个系统提示词全删掉，然后一行一行加回来，看看每一行到底有什么影响”——这正是消融实验（ablation study）的思路。他声称对于 Opus 5，这些脚手架已经基本不需要了。Anthropic 内部有个案例：给 Opus 5 接上 OpenCV，模型自己就画出了人物肖像——没人训练过它画画。这就是“模型激发”（model elicitation）：能力本来就在权重里，harness 的作用只是把它放出来，而不是替模型思考。
这两层叠加，指向一个反直觉的结论：harness 很重要，但 harness 不值得你押上护城河。它今天能帮你省 9 倍的钱，明天就可能被模型原生能力吸收、被开源平替抹平。Boris 的另一句话更狠：编程已经解决了，真正的护城河是 Domain——垂直领域的知识、数据和组织方式。
三、推演：Agent 竞赛的三个阶段
把时间线拉长，Agent 产业的竞争重心正在经历三次转移：
- 上半场：模型竞赛。比参数、比基准分、比谁便宜。这一阶段基本结束——开源模型追平闭源，价格战打到每百万 token 几毛钱，模型本身已经很难构成壁垒。
- 中场：harness 竞赛。比编排效率、比 token 经济性、比工具生态。Composio、Writer 的实验就是这场竞赛的信号枪。但注意：这个阶段窗口很短，因为 harness 层门槛不高、迭代极快，Boris 说的“保质期半年”正在应验。
- 下半场：domain 竞赛。比谁手里有垂直数据、比谁的组织能围绕 Agent 重构流程。Agent 协作模式下，产品、设计、数据、财务都能直接写点代码，信息流和决策流被大幅压缩——护城河开始长在组织里，而不是代码里。
对创业者来说，这里有个残酷但清醒的推论：如果你今天的产品价值主要建立在“我们做了一个更好的 harness”上，那么你的窗口期大概只剩半年到一年。把精力投向数据飞轮和行业 know-how，才是在这场成本战争中真正活下来的方式。
四、落到行动：三个立刻能做的事
1. 给自己的工作流做一次消融实验。别信 benchmark，信自己的账本。把系统提示词、工具列表全部删掉，一行一行加回来，记录每一步对成功率、token、延迟的影响。你大概率会发现：80% 的脚手架在最新模型上已经没有正收益。
2. 改用“每任务成本”而不是“每百万 token 单价”来选型。模型单价只是标价，harness 的上下文管理方式才决定实际花费。算账时盯住输入 token 占比和重试率——Agent 工作流里 95% 的 token 是输入，这是最容易漏钱的地方。
3. 给长期运行的任务装上“熔断器”。多 Agent 循环、无人值守的夜间任务，是 harness 税的重灾区：上下文膨胀 + 循环重试会让账单非线性增长。设定 token 预算上限和循环检测，比事后看账单便宜得多。
模型是水电煤，harness 是空调，而真正值钱的是你屋子里装了什么。Agent 的下半场，比的是谁用同样的电，干更多的活。