副标题：当六个前沿模型在基准上只差 0.8 分，决定成败的不再是权重，而是包裹权重的那个系统。
破题
一个流传极广的假设是：Agent 的能力上限由模型决定。想要更强的自动化？等下一次模型发布。
2026 年的数据把这个假设拆穿了。SWE-bench Verified 上，六个最强的前沿模型——Claude Opus 4.5/4.6、Gemini 3.1 Pro、MiniMax M2.5、GPT-5.4、Sonnet 4.6——的成绩全部挤在 79.6% 到 80.9% 之间，最大差距 0.8 分。这不是接近，这是噪音。
而在同一时期的 SWE-bench Pro 上，同一个 Claude Opus 4.5，放进标准化的 SEAL 脚手架里得 45.9%，放进 Cursor 里得 50.2%，放进 Claude Code 里得 55.4%。分数没换模型，换了壳，差了近 10 分。
模型之间的差距小于一所以不是模型决定结果。是 harness——模型外面那层执行系统。
这就是本文的论点：Agent 性能的第一决定变量已经从模型换到了 harness。这不仅是评测口径问题，它改变了整个行业价值的流向：谁掌握 harness，谁就掌握分发和利润，模型本身正在变成引擎仓里的一个可替换零件。
一、拆解：分数从来不是模型的
先看数据到底在说什么。
同一模型、同一基准，harness 不同，分数差异是系统性的，不是个例：
- Terminal-Bench 2 上，仅更换 harness，同一模型的 pass@1 从 69.7% 升到 77.0%。
- 第三方基准监测报告，仅因脚手架不同，GPT-5 在 SWE-bench Verified 上的成绩波动最高 11 个百分点，Kimi K2 Thinking 达 15 个百分点。
- Holistic Agent Leaderboard（HAL）在同一模型、不同脚手架的条件下记录到接近 48 个百分点的极端摆动。
- 最戏剧性的案例：Grok Code Fast 在编码基准上从 6.7% 跳到 68.3%——改动只有一处，edit 工具回传给模型的结果格式。没有换权重，没有重训，一个工具输出格式换来 10 倍成绩。
2026 年 5 月的一篇 arXiv 位置论文把这称为「约束条件命题」（Binding Constraint Thesis）：在长程任务上，性能方差主要受 harness 配置支配，而现行评测把 harness 带来的提升系统性记到了模型头上。
为什么结构上必然如此？因为 Agent 是一个闭环系统，而模型是开环的。
模型在任何一步都看不到完整状态，它只看到 harness 喂给它的上下文投影；它没有跨步记忆，除非 harness 注入；它没有自我纠错机制，除非 harness 构造反馈回路。稳定性、上下文漂移、纠错延迟——决定长程任务成败的三个量——全部是 harness 的属性。升级模型能降低错误的基线发生率，但错误发生之后系统如何响应，与模型无关。
一句话：开环系统的可靠性从来不靠更大的执行器，靠的是反馈控制。
二、反例检验：是不是模型不重要到可以随便选？
一个诚实的框架必须经得起反例。
模型当然仍重要。同样的 harness（Claude Code）下，Opus 5 在 Terminal-Bench 4.0 上拿 51.8%，Sonnet 5 只有 12.4%——模型差距可以巨大。而且前沿内部 0.8 分的收敛是「前沿内部」的收敛，二线模型与一线之间仍有断层。
所以更准确的表述是分层的：
- 前沿之内，模型已无差异，harness 是唯一杠杆。
- 前沿之外，模型仍是门票，但好 harness 能让二线模型越过一线模型。Meta 与哈佛的 Confucius Code Agent 用 Sonnet 4.5——比 Opus 4.5 便宜得多的模型——配自研脚手架，在 SWE-bench Pro 拿 52.7%，反超了 Opus 4.5 跑在 Anthropic 官方脚手架上的 52.0%。
便宜模型 + 好壳，赢贵模型 + 平庸壳。这一条比「前沿收敛」更能说明问题：harness 不仅决定上限，它已经在改写排名。
三、建框架：引擎—整车—赛道
把行业结构画成三层：模型是引擎，harness 是整车，评测与分发是赛道。
引擎层的经济学正在重演一百年的汽车史。引擎曾经是核心竞争力，后来变成了高度商品化的部件——今天没有消费者因为「这台车发动机好 0.8 匹马力」而改变购买决策。用户买的是整车体验：操控、安全、售后。Agent 市场正在走进同一个阶段：六个引擎马力相同，胜负在整车。
而 harness 的护城河比模型更深，原因有三：
1. 迭代成本不对称。改模型需要预训练或后训练，以月计、以千万美元计；改 harness 是普通软件工程，以天计、以工程师薪资计。Grok Code Fast 那次 10 倍提升，成本可能不到一次模型训练的万分之一。
2. 数据闭环在 harness 手里。轨迹数据、错误恢复模式、用户偏好信号，都在 harness 层产生和沉淀。OpenAI Codex 团队三名工程师五个月合出约 1500 个 PR、约百万行代码，靠的不是更强模型，而是把 Agent 锁死在「类型→配置→仓库→服务→运行时→UI」的受控序列里——这些约束全是 harness 层的资产。
3. 切换成本在 harness 侧。模型的 API 是标准的，随时可换；harness 承载着工作流、记忆、权限和团队习惯，这才是用户粘性的真正来源。
由此可以给「Harness 壁垒定律」一个可检验的形式：当模型商品化时，价值向掌握闭环数据与切换成本的层级迁移——Agent 时代，这个层级就是 harness。
四、推演：框架的跨场景验证
这个框架不只解释编码基准。
评测与研究：HAL 的双位数脚手架方差意味着，任何不披露 harness 的 Agent 榜单都在测量一个混合物，却按模型来解读。学界已经开始呼吁披露标准：要么锁定统一 harness，要么把 harness 作为受控因子做方差分解。下一波评测基础设施的投资逻辑随之改变——做「harness 基准」比再做一次模型榜单更有信息量。
企业采购：选型问题从「接哪家模型」变成「跑在哪个 harness 里」。同样的预算，一支团队换到更好的 harness 并保持模型不动，另一支团队追着模型发布升级，前者大概率赢。企业该问厂商的问题不再是「你支持哪些模型」，而是「你的上下文压缩策略、错误恢复路径、验证回路是什么」。
模型厂商的 vertically integration：为什么 Anthropic 死磕 Claude Code、OpenAI 死磕 Codex CLI？因为当引擎商品化，引擎厂商必须自己占住整车位置，否则利润被整车厂抽走。模型发布会的意义正在从「我们的模型更强」滑向「我们的模型配上我们的 harness 更强」——后者才是可卖的完整产品。
开源与地缘：开源权重模型（如 GLM、DeepSeek 系）在模型层追平需要巨量资本，但开源 harness 生态可以把任何开源引擎装进好壳里。Confucius 的结果就是这个路径的证明。模型管制卡住的是引擎，而整车图纸在全球开发者手里。
五、落到行动
- 如果你在构建 Agent 产品：把工程预算的默认顺序倒过来——先穷尽 harness 优化（并行检索、结构化错误恢复、激进上下文压缩、规划与执行分离、衰减预算重试），模型升级放最后。多数团队的 harness 远未到 frontier 模型榨干的程度。
- 如果你在企业里做技术选型：用「同模型跨 harness 对比」做评估，别看厂商宣传的绝对分数。要求供应商披露 harness 设计；六个 harness 跑同一个你最关心的真实任务，胜过六个模型跑一个玩具任务。
- 如果你是研究者：引用任何 Agent 分数时注明 harness；做消融时把 harness 当作与模型同级的因子。你的引用行为在决定激励流向。
- 如果你在模型厂商：护城河不在下一个 checkpoint。把轨迹数据闭环和 harness 产品线当成一级战略资产，否则你会成为整车产业链上游那个利润最薄的零件商。
结语
「模型是引擎，harness 是整车」不是修辞，是 2026 年基准数据给出的结构判断。引擎层 0.8 分的收敛宣告了权重竞赛的边际收益归零，而 harness 层 10 到 48 分的摆动宣告了新的竞争主场。
下一次有人问你「该用哪个模型」，正确的回答是：先告诉我你打算用什么 harness——因为那才是成绩的决定项。
（注：文内数据截至 2026 年 9 月，来自 SWE-bench、Terminal-Bench 及 HAL 等公开基准的多方公开报告。）