别再迷信模型了，壁垒长在Harness上

前 OpenAI 研究主管 Lilian Weng 最近抛了个判断，我觉得是这段时间最值得琢磨的一句话。

她说：短期内真正实用的递归自我改进，靠不上模型权重自己更新，而要靠模型外面那层 Harness——也就是模型跟真实世界打交道的部署层。

她进一步说，Claude Code、Codex 这些顶尖编程 Agent 的核心壁垒，正长在这一层，而不是模型里。

有个数据把这事儿钉死了

SWE-bench Pro 上，只换外部框架、模型一个字没动，GLM-5.2 的 pass@1 从 23% 干到了 52%。

Harness 到底是什么？说人话

就是模型之外，所有让它能真正干活的那些东西：

· 上下文怎么组装、什么时候压缩、哪些信息该留

· 工具怎么描述、调用失败怎么重试、报错信息怎么喂回去

· 任务怎么拆、子智能体怎么派、结果怎么汇总

· 沙箱边界、权限分级、什么操作必须停下来问人

这些没有一条写在模型权重里。全在外面那层工程里。

顺手看看三大编码智能体的现状

8 月这份对比刚出来：Terminal-Bench 2.1 上 Claude Code（Opus 5）86.7%、Meta Muse Code 82.9%、Codex（GPT-5.6 Terra）81.8%；DeepSWE 1.1 上分别是 65.0%、59.3%、64.8%。

Claude Code 两项都第一。但评测里那句话更值得看——Muse Code 的核心优势不在分数，在崩溃安全运行时和子智能体设计，而这两项现有基准根本量化不了。

这不正好印证了 Weng 的判断？决定体验的东西，跑分跑不出来。

对我们意味着什么

如果你在选工具：别只看它接了哪个模型，看它的会话管理、上下文策略、失败恢复做得怎么样。同一个模型在两个 Harness 里，能差出一倍。

如果你在自己搭：把精力从”换个更强的模型”挪到”把外层工程做扎实”，投入产出比高得多。

模型是发动机，Harness 是整辆车。发动机再猛，变速箱和底盘不行，照样跑不快。

—— 圈圈