同一个模型，换个壳，成功率差 20 个点

同一个模型、同一组任务，成功率能从 46.7% 跳到 66.7%，成本能差出 7 倍。 这不是幻觉，是 Composio 最近在 8 月 14 日发布的一项横评数据。他们选了 DeepSeek V4 Flash，让它分别跑在 8 款 AI 编程 Harness 里，结果 Pi 以 20 项通过拿下第一，Claude Code 16 项排第三，两者成本差了 7 倍。

这件事值得仔细看。过去两年，行业叙事一直是"模型为王"——谁的参数更大、谁的上限更高，谁就赢。但现在数据开始指向另一件事：决定 Agent 能不能真正干活的，可能不是模型本身，而是包裹模型的那套系统。

Harness 是什么，为什么这么关键

Harness 这个词来自赛车，指发动机外围的所有组件——变速箱、悬挂、冷却系统。搬用到 AI Agent 领域，它的含义很具体：模型只负责预测下一步，Harness 决定模型能看到什么、可以调用哪些工具、如何组织上下文、遇到错误怎么重试、以及什么时候判断任务已经完成。

Anthropic 的 Daisy Hollman 在去年 NDC 大会上给过一个比喻：工具调用原始得令人震惊。模型写一段 JSON，说想运行 bash 命令，Harness 就去执行，把输出塞回上下文窗口。整个机制就这么简单，所有复杂行为都建立在这个循环之上。

但正是这个循环里藏着一个关键变量——上下文窗口没有跟着模型能力一起增长。一年前 100 万 token 是最前沿水平，现在还是 100 万。任务越来越复杂，代码库越来越大，要把什么信息塞进这个固定大小的盒子里，正在变成一门全职的工程学科。

Daisy 的原话是：你不需要知道 LLM 权重的数学原理，只需要知道如何操控文本。 定制化就是知识，就是把模型天生所不知道的团队内部信息喂给它。

为什么 Pi 赢了，而 Prime 输了

Composio 这次测试里有八个候选，结果排名分布很值得关注。

Pi 以 20/30 通过率排名第一，平均成本每任务 0.028 美元。Claude Code 和 Codex 各通过 16 项，成本分别是 Pi 的约 7 倍。Prime Agent 虽然功能最全、会话规模最大（部分会话消耗了 350 万 token），但 33 次工具调用后评分器直接超时，6 次运行未被计入成绩。

Hermes Agent 通过 15 项，OpenCode 通过 14 项。

最简单的赢了，最复杂的反而被自己的复杂度拖垮。 这个结果对"配置越多越好"的直觉提出了挑战。每增加一层抽象、每个新工具、每份庞大的指令文件，Agent 就多了一个可能迷路的地方。干净的 Harness 给模型一条从接收到完成的最短路径，臃肿的 Harness 让它四处绕路。

更具体地说，Pi 在这轮测试中几乎没有做任何自定义配置，全新安装、只接入 MCP 插件。它赢的原因不是模型更强，而是路径更短。

这也解释了为什么 Pi 搭配 DeepSeek V4 Flash 能跑出 99.93% 的缓存命中率。DeepSeek 的 API 缓存是前缀匹配——只有请求开头的 Token 序列完全一致才能命中。一套典型的 Agent 请求包含系统提示词、工具定义、对话历史和本轮新增内容。如果 Harness 每轮都在重新整理这些内容、改变工具顺序或重写摘要，缓存就会失效。Pi 的做法是在启动时注入一份稳定的环境摘要，之后只做追加不做修改，过时的工具输出在压缩前被截断。这套设计让前缀保持稳定，缓存命中率从行业平均的 94%-97% 提升到 99% 以上。

DeepSeek 选择了完全不同的打法

同样是 8 月中旬，DeepSeek 做了两件事：8 月 12 日深夜静默上线 V4 Pro 正式版，8 月 13 日开源了 DeepSeek Harness，采用 MIT 协议。

InfoQ 对 DeepSeek Harness 的分析指出，它的核心理念是"一切皆插件"。模型、工具、技能、会话、沙箱、存储、Agent Loop、调度和 UI，全由插件组成，可替换范围从某个搜索工具一直延伸到 Agent 如何循环、如何调度子 Agent、如何保存会话。

这和其他家的路线有明显区别。OpenAI 和 Anthropic 走的是"向下整合"——打造体验极致、深度绑定自家模型的 Harness，巩固应用层优势。DeepSeek 走的是"横向铺开"——做一个模型中立的、高度模块化的 Agent 底层标准，试图成为下一代 AI 应用的基础设施。

36氪 photon star 的分析用了一个更直白的比喻：Harness 和开源就像是免费修建的高速公路，前期用来吸引车流，当车流足够多时，顺势提高燃油价格，就是最高效的商业兑现方式。

DeepSeek 没有自己的正式 Harness 产品，第三方生态已经在围绕 DeepSeek 缓存优化做出了大量工作。开源 Reasonix 专门围绕前缀缓存设计，pi-deepseek-cache 扩展把缓存优化做到了 P0 到 P3 四个层级。输入 Token 成本从每百万 0.14 美元降至 0.003 美元，降幅 98%。

Agent 的下一个战场不在模型，在架构

把这几件事串起来看，一个清晰的趋势正在形成。

模型能力的边际提升在减速，Harness 架构的差异在放大。 Composio 的测试数据说明：同一个模型，换个 Harness，成功率差 20 个百分点，成本差 7 倍。这说明当前 Agent 领域的瓶颈已经不在推理能力，而在工程化能力——如何让模型在有限上下文里高效工作、如何管理工具调用、如何处理错误恢复、如何优化缓存命中。

开源 Harness 正在成为基础设施竞争的新战场。 DeepSeek 选择 MIT 协议开源，Cloudflare 推出开源的 Computer 运行时，都指向同一方向：谁掌握了 Agent 的运行时标准，谁就掌握了生态入口。

提示词工程正在死亡，上下文工程正在上位。 Daisy Hollman 说得最直接：从"把信息输入模型"转向"把信息从模型输出给用户"，人的注意力才是系统中最小的盒子。顶级模型不再需要详尽的提示词，简洁的目标描述反而效果更好。过度设计提示词会让模型陷入死循环。

Agent 的成功公式在重写。 过去是 Model × Tools，现在是 Model × Harness × Cache Strategy。任何一个因子为负，整体结果都会打折。Composio 的横评已经给出了初步证据——选对 Harness，同一个模型可以同时变得更可靠、更高效。

接下来的竞争，不会是谁的参数更大，而是谁的运行时更稳、谁的缓存更高效、谁的插件生态更丰富。模型是引擎，但 Harness 才是整车。