编码 agent 可以看成「模型 + harness」：系统提示、工具集、上下文管理，把聊天模型变成能在仓库里干活的东西。厂商会宣传改 harness 带来的通过率提升，排行榜也常把不同 harness 混在一起比。真正少测的是：模型固定时，换套 harness，分数到底动多少。
山东大学的 Yangze Liu、Zhongyi Han 在论文《What Does a Harness Buy? Tokens, Mostly.》（arXiv:2610.04433）里测了三套现成产品 harness——Claude Code、mini-SWE-agent、OpenCode——在 SWE-bench Verified 上跑同一批模型，并用重跑把「换 harness」和「同一配置再跑一遍」摆在同一把尺子上。模型包括 Qwen3.6-35B-A3B、Qwen3.8-27B、DeepSeek-V4-Flash、GLM-5.3-Flash、HY4-Preview；Claude Opus 5 只作为 Claude Code 内的强锚。
通过率几乎不动
在 447 题大盘上，最重的 Claude Code 与最轻的 mini-SWE-agent，在两款 Qwen 上差距落在约 5 个百分点以内，可判为等价。在 45 道最难题上，换 harness 翻掉的任务比例，与重跑同一 harness 差不多（中位约 13%），而且上一轮某 harness「独赢」的题，下一轮往往不再是同一批。换句话说：在这套设计下，harness 买不到稳定的通过率优势。
OpenCode 落后从哪来
能穿过噪声的差距，多半是 OpenCode 落后——大盘上某一 Qwen 最多大约 9 个百分点。论文把其中很大一块追到 输出 token 上限且没有恢复：一步推理被截断后，OpenCode 不重新提示，很多试次磁盘上什么补丁都没有；Claude Code 也会撞同类上限，但会续跑。只统计未被截断的题，差距大约砍半。这是可点名的失败模式，不是「OpenCode 全面更差」的总排名。
harness 真正决定的是账单
同一模型、同一题集、同一价表下，单任务成本最多可差约 3 倍。差距很少来自工具返回的文本量——三次调用量级相近；主要来自每步都要再送一遍的 preamble（系统提示＋工具 schema：Claude Code 大约一万六千 token 量级，OpenCode 约七千，mini-SWE-agent 不到一千），再乘模型走了多少步。缓存命中价会放大或缩小账单，但在作者的对照里不会把三套 harness 的贵贱顺序翻掉。
和安装教程、多 agent 规模怎么对照
DeepSeek 自家 harness 的安装步骤见 DeepSeek Harness 安装教程：Windows、Linux、CLI 与插件。VS Code 产品侧把 Copilot harness 设为新会话默认，见 VS Code 1.143 把 Copilot harness 设为新会话默认。另一条轴——不换单 agent 循环、只加多少人一起干——是 不换 harness、只加人数：Agensh 自称多 agent 编码扩到 1,024 时通过率更高 的主线。
以上数字来自论文与公开 trial 表；对于这套对照网格，我们暂时还没有复测。仅供参考。做过类似 harness 对照的反馈，可通过网站底部站长联系方式提交。