同样是DeepSeek，换个壳效率能差出一大截。这是Harness系列第4篇，前三篇讲了Harness是什么、架构怎么拆、循环怎么转，这篇上实测数据，看乘数效应到底长什么样。

我以前也天天问哪个模型编程最强，直到看到有人花126元、烧7.86亿Token做了个实验，才发现这个问题从一开始就问错了。

前三篇讲机制，这篇上实测数据

实验很实在：10个Coding Harness，分别搭载两个模型，从零完成同一个原生iOS App。20个运行案例，两轮独立复测。测的不是一道算法题，而是一个Agent能不能把产品做出来、跑起来、测明白，并留下可信证据。

任务是个极简的花卉相机App：选照片或拍摄，发给多模态模型，输出花名、置信度、花期、养护建议，结果自动保存，重启可恢复，能看历史能改能删。听起来不大，但横跨了真实开发最容易翻车的几层：相机相册、图片压缩、多模态请求、格式解析、异步重试、本地持久化、界面无障碍、密钥安全、单元测试和端到端验证。比补全一个函数更接近真正的问题：如果把产品目标交给Agent，它能不能端到端交付。

评分100分制：核心功能30，健壮性15，交互15，代码质量15，测试10，外加真实API验证。Agent自己写的开发报告不算数，只看跑起来的东西。

别问哪个模型最强，问错了问题

先说结论。如果只看模型跑分，很容易把Coding Agent理解成模型加代码编辑器。但真实项目里，最终结果至少同时取决于四件事：模型乘Harness乘工具环境乘验证体系。

同一轮里，所有Harness用相同模型、相同任务、相同接口，最终正式分从40分到95分，相差55分。更有意思的是，两轮各有6个候选完成严格的真实产品闭环，数量一样，但成功名单变了。也就是说，同一个模型并不能自动带来相近的工程结果，同一个Harness换一个模型，结果也可能完全不同。

这话值得多品一会儿。我们平时讨论模型排名，默认底座决定一切。但实验告诉我们，底座只是四个乘数之一。任何一个乘数拉胯，总分都起不来。说到底，Agent的能力不是模型权重这一个变量的属性，而是模型和Harness这对组合的属性。

同一个模型，换个壳能差55分吗？

能，而且差在哪都有名有姓。我用Claude Code接DeepSeek的时候，总有一种隔了一层的感觉：它下意识按Claude的思路来，任务一复杂就容易绕、容易卡。换成DeepSeek Harness之后，同样的活儿体验完全不一样。

另一场对比实验里，同一个模型从14个通过涨到20个，秘密就在主循环插件写得好：任务拆解、工具选择、错误重试，每个环节都是插件拼出来的。换套插件组合，分数直接涨一截。真正值钱的不是你用了什么模型，是你怎么搭这个壳。

模型决定下限，Harness决定上限。成品工具是装完就用，开发者底座是给你一套能自己搭技术栈的零件。内部的说法是，他们不是在做一个更好的Copilot，是在做Agent界的Linux。这个定位一摆出来，路线就清楚了：不争一时一模之长短，争的是谁的壳能让更多模型发挥上限。

模型定下限，但上限是Harness定的

论文界也有了呼应。有篇论文开篇判断很直接：智能体的能力，并不只由底座模型决定。同一份模型权重，套在不同的执行框架下，成绩可以相差十几分甚至二十几分。

论文把Harness拆成四个模块：记忆决定历史怎么压缩，规划决定任务怎么拆解、下一步做什么，动作决定每步用什么格式调工具，编排决定哪个节点暴露哪个工具。这四个模块合起来，决定了智能体一次任务里的全部执行方式。

过去几年，主流产品里这层壳都是工程师提前手写好的，写完基本不动。论文把这种范式叫做提前生成，对应编译里的提前编译。问题在于：写一套跨任务通用的框架工程量极大，新任务来了要么改代码要么重写，而不同任务需要的先验完全不同。

手写一套通用框架，其实是提前编译的老路

论文提出的解法是按任务动态生成：接到任务，先生成一套专属Harness再开干。记忆怎么组织、规划怎么拆、动作什么格式、哪个节点暴露什么能力，全部按当前任务现配。不换模型，就换壳，照样碾压一众成品。

这个思路的本质，是把Harness从静态资产变成动态过程。提前编译追求一次写好到处跑，即时生成追求每次现配最合适。前者省在复用，后者赢在贴合。任务越特殊，现配的优势越大。

我自己体会最深的是，动态生成把试错成本打下来了。以前调Harness是改代码、重启、重跑一条龙，现在是换任务自动换壳。对小团队来说，这意味着不用养一套重型框架，接到什么活配什么壳。

国产黑马能打，靠的不是模型

再看个国产例子。有个框架身上两样东西有意思：蜂群拆任务并行干，自进化越用越懂你。拿三个真实的活实测，效果很说明问题。

找工作的活最典型：每天自动扒岗位、筛匹配度、按JD改简历。关键细节是它主动建议做成自动化加人工确认两层：机器负责搜、配、生成，真正投递那一下必须人手动点。因为全自动投递容易被平台风控，账号冻了更麻烦。你看，这不像只会执行的工具，像个老司机先帮你把坑排了。

每天上午九点自动抓岗位，过评分模型，筛出候选，生成候选池报告直接推送。岗位按四档分级，附公司薪资匹配度和推荐理由，一眼看出今天最该投谁。从每天刷一小时变成早上看一眼报告点两下确认，脏活累活全被接走。

旅游手册的活也一样：信息散在各个App里，自己攒半天搞不定。它直接出成品，取景地标地址交通费用，还配电影画面。攻略这种散装信息，最考验的是搜集加组织，恰好是好Harness的舒适区。

这两个活用的都不是最顶级的模型，但闭环完整：需求确认、自动执行、人工拍板、结果推送。模型的下限够用，Harness把上限撑起来了。

判断很简单：别再只盯着模型榜单，把四个乘数一个个拧紧，弱模型也能打出强结果。