研究发现:花哨的编码代理 Harness 更贵但不更好
山东大学两位研究者固定模型后比较 Claude Code、OpenCode 与 mini-SWE-agent,发现更换 harness 带来的结果差异大多落在同一设置重跑的噪声范围内,而运行成本可能增至三倍。唯一可测量的差异是 OpenCode 稳定落后,部分原因可追溯到输出限制处理。
原贴
查看原文原文
中文翻译
制造商吹捧像 Claude Code 或 OpenCode 这样的新 agent harness 带来分数提升。一项研究发现,这种说法站不住脚。更换 harness 对结果的影响,几乎不比把同一套设置跑两遍更大,但成本可能增至三倍。一个编码代理将语言模型与 harness 配对,harness 是系统提示、工具和上下文管理,使模型能在代码仓库中工作。每天都有新 harness 发布,排行榜随意混用它们,但山东大学的两位研究人员测量了在保持模型不变时,harness 实际有多重要。论文标题直接给出答案:“What does a harness buy? Mostly tokens.”先前研究报告 harness 之间差距超过 20 分,但作者称,这些数字几乎总是来自单次运行。同一设置的纯重跑在 SWE-bench Verified 上已经会有最多 6 分的波动。例如,智谱 AI 宣传其自有 harness 比 Claude Code 领先 2.4 分,这一差距完全落在该噪声范围内。Harness 还经常以不同方式接入基准测试,使比较更不可靠。
Liu 和 Han 让五个模型跑过三个 harness 的发布版本:Claude Code、OpenCode 和 mini-SWE-agent。mini-SWE-agent 只给模型一个 Bash 工具,并跳过上下文管理。Claude Code 和 OpenCode 提供专门的文件和搜索工具、长系统提示以及自动历史压缩。模型是 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview。Claude Opus 5 仅在 Claude Code 中作为参考运行。测试使用 SWE-bench Verified 中最难的 45 个任务,外加 447 个任务的池子。若干设置跑了两遍以测量噪声。所有运行均离线进行。在可联网的早期测试中,71% 的 Deepseek 和 Qwen 模型尝试直接从 GitHub 拉取正确修复,而不是自行解决任务。Claude 模型几乎从不这样做。研究人员丢弃了这些结果,并且不声称任何制造商在测试数据上训练过,但该模式足够强,以至于他们切断了所有剩余运行的网络访问。
在 447 个任务的更大池子上,Claude Code 和 mini-SWE-agent——最重和最轻的 harness——对两个被测试模型而言相差不到两分。在五分的区间内,它们在统计上等价。研究人员原本预期在 45 个最难任务上 harness 影响最大。相反,harness 在每个模型上相差二到五个已解决任务,而同一设置的简单重跑会使计数变化最多三个。有时 mini-SWE-agent 领先,有时 Claude Code 领先。翻转率说明同样的事情。在两次重跑之间,中位结果在 13% 的任务上发生变化。在两个不同 harness 之间,也是 13%。更换模型会把这一比例推到 22%。某个给定 harness 赢下哪些任务会随运行而变化,符合抛硬币。作者写道,harness 差距表现得像“同一噪声的一次全新抽取”。这些小样本也限制了任何比较能检测到什么。用 45 个任务时,即使 13 分的差距也只有一半时间能显现。用 447 个任务时,约 5 分的差距变得可靠可检测。智谱声称的 2.4 分优势低于这两个阈值,许多其他宣传的改进也是如此。
唯一可测量的 harness 效应是 OpenCode 的稳定劣势。在大型任务池上,它落后另外两者最多九分。大约一半的差距可追溯到输出限制。当模型在推理过程中某一步超过该限制时,Claude Code 会提示它继续。OpenCode 让该步骤就此结束,尝试通常失败。给 OpenCode 加上 Claude Code 风格的继续提示并没有帮助,因为同一任务在重试时很少触发同样的溢出。对于其余差距,作者没有解释,只有一个观察:在 OpenCode 下,模型停止工作要早得多。在本地运行的模型上,OpenCode 的时间限制也比 Clau……
核心信息
山东大学两位研究者固定模型后比较 Claude Code、OpenCode 与 mini-SWE-agent,发现更换 harness 带来的结果差异大多落在同一设置重跑的噪声范围内,而运行成本可能增至三倍。唯一可测量的差异是 OpenCode 稳定落后,部分原因可追溯到输出限制处理。
- 山东大学两位研究者固定模型后比较 Claude Code、OpenCode 与 mini-SWE-agent,发现更换 harness 带来的结果差异大多落在同一设置重跑的噪声范围内,而运行成本可能增至三倍。唯一可测量的差异是 OpenCode 稳定落后,部分原因可追溯到输出限制处理。
- 原贴提到:Makers tout score gains from new agent harnesses like Claude Code or Ope
- 来源:the-decoder.com
详细解读
这是什么信号:这条公开信号挑战了编码代理 harness 的营销叙事。研究在固定模型的前提下比较 Claude Code、OpenCode 和 mini-SWE-agent,结论是 harness 之间的多数分数差与同一设置重跑产生的噪声相当,而更重的 harness 可能带来三倍成本。换句话说,排行榜上换 harness 的“提升”很可能被单次运行的波动和不同接入方式放大了。
为什么重要:编码代理的选型正在从“看模型”变成“看模型加 harness”。如果团队根据榜单分数或厂商宣传切换 harness,可能付出更高 token 与运行成本,却拿不到稳定收益。研究还指出一个可解释的工程差异:OpenCode 在输出超限时不让模型继续,导致部分任务失败;这说明 harness 的价值更可能藏在失败处理和工程细节里,而不是宣传的分数领先。
对谁有价值:对 AI 工程负责人、编码代理采购与评测团队、平台工具链维护者最有价值。对独立开发者也有启发:不要因为某个 harness 在榜单上领先几分就迁移,先看它在自己任务集上的重跑稳定性、成本和失败模式。
可以怎么行动:
- 建立固定模型、固定任务集的内部 A/B 评测,每个配置至少重跑两次,报告均值与波动区间,而不是单次分数。
- 把成本纳入同等权重:记录 token 消耗、运行时长和完成率,避免用三倍成本换取落在噪声内的分数差。
- 优先排查可解释的失败模式,例如输出超限后是否继续、上下文压缩是否丢信息、工具调用是否稳定。
- 对排行榜和厂商宣传保持“阈值思维”:在小任务集上,低于十几分的差距可能根本不可检测;在大任务集上,约五分的差距才更可靠。
风险与限制:该研究的任务集和模型版本有限,离线设置也排除了联网检索带来的影响,因此不能外推到所有代码仓库和所有 harness。OpenCode 的劣势只有约一半能归因于输出限制,其余部分作者也未解释。小样本会限制比较的检测能力,所以结论应被理解为“对 harness 营销的谨慎提醒”,而不是“所有 harness 都无差别”的绝对判断。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《研究发现:花哨的编码代理 Harness 更贵但不更好》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
研究发现:花哨的编码代理 Harness 更贵但不更好主要讲什么?
山东大学两位研究者固定模型后比较 Claude Code、OpenCode 与 mini-SWE-agent,发现更换 harness 带来的结果差异大多落在同一设置重跑的噪声范围内,而运行成本可能增至三倍。唯一可测量的差异是 OpenCode 稳定落后,部分原因可追溯到输出限制处理。
这篇文章最值得关注的要点是什么?
山东大学两位研究者固定模型后比较 Claude Code、OpenCode 与 mini-SWE-agent,发现更换 harness 带来的结果差异大多落在同一设置重跑的噪声范围内,而运行成本可能增至三倍。唯一可测量的差异是 OpenC…;原贴提到:Makers tout score gains from new agent harnesses like Claude Code or Ope;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在Agent工作流、AI副业、AI工具专题里阅读。 关联原因:这篇内容命中「Agent、智能体、Claude Code」等主题信号。;这篇内容命中「项目、小生意、变现」等主题信号。;这篇内容命中「工具、模型、Claude」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。