这两天刷 AI 编程圈的消息，大概率绕不开一个词：Harness。8 月 13 日深夜，DeepSeek 把自家的 Agent 框架开源了，名字就叫 DeepSeek Harness，半天几万个 star，官方口号是「Model + Harness = Agent」。知乎 一夜之间，好像不懂 Harness 就不配聊 AI 编程了。但这个词到底跟你的钱包有什么关系？其实一个多月前，Databricks 就用自家几百万行的代码库做了一次实测，把答案写得明明白白：同一个模型，换一个外壳，干同样的活，成本能差出 2 倍以上，质量还基本一样。
先用一句话把 Harness 说清楚：模型是发动机，Harness 是变速箱、底盘和刹车。模型只负责生成 token，而把 token 变成「在你仓库里干活」的那层程序就是 Harness——组装上下文、执行工具、把关权限、失败后恢复、保存会话状态，全是它的活。Databricks 的结论更直接：一个模型从哪个 harness 里被调用，会剧烈影响成本和质量。Databricks官方博客 Claude Code、Codex、Cursor、Pi，本质上都是不同风格的 Harness。
再说说为什么这份实测值得认真对待。市面上的公开跑分有个老问题：题目是公开的，答案早晚混进训练数据。Databricks 干脆自己造了一套：从工程师日常合并的真实 PR 里抽任务，覆盖 Python、Go、TypeScript、Scala 等十几种语言，人工逐条审核，用真实测试用例判分，不用 LLM 裁判——用他们的话说，LLM 裁判「奖励听起来对，而不是真的对」。Databricks官方博客 更狠的是，早期实验里他们发现 agent 会顺着 git 历史翻出标准答案，于是每次跑测试直接把工作副本和仓库历史切断。
结论里有三条，条条冲着账单去。第一条，也是最反直觉的一条：模型不变、思考档位不变，只换 Harness，有的任务成本差出 2 倍以上，质量几乎一样。小红书用户转述这次实测时的原话也很直白：同一个模型、同样的 thinking 档位，变量只有 Harness，产物质量基本持平，任务成本能差出 2 倍以上。小红书
差别出在哪？出在每一轮喂给模型的上下文有多少。轻量路线的 Pi 每一 turn 发出去的 context 大概只有别人的三分之一，工作集收得更紧，更少的来回就把活干完了。知乎 Databricks 的原话很克制：教训不是「某个 Harness 永远更便宜」，也不是「官方外壳更差」，而是「选模型只是拼图的一块」。
第二条：token 单价是个假信号。很多人挑模型先看单价表，但实测里，Sonnet 5 的单价比 Opus 4.8 便宜约 1.7 倍，真跑任务反而更贵——$2.09/任务对 $1.94/任务——因为 Sonnet 5 干得更久、读得更多，token 消耗是 Opus 的 1.9 倍，质量还低了 6 个点（81% 对 87%）。Databricks官方博客 盯着单价做决策，很可能把账算反。
第三条：按任务档位配模型，比「全程最贵模型」省得多。他们分析了内部所有 coding 交互，约四分之一被标为低复杂度，约六成是中等复杂度。Databricks官方博客 但工程师默认用的永远是最贵的模型，于是他们把更多日常工作推给 Haiku、GPT-5.4 Mini 这个档位的模型。另一个值得注意的数据：开源的 GLM 5.2 质量与 Opus 4.8 打平，$1.28/任务对 $1.94/任务。
这不是孤例。在成本-质量坐标图上，Pareto 前沿同时横跨 OpenAI、Anthropic 和开源三家阵营，单一模型家族覆盖不了全部档位。AI 集成商 Composio 拿 DeepSeek V4 Flash 塞进 8 个不同 Harness 跑 30 个高难度任务，Pi 通过 20/30，且是全场最便宜。知乎 最夸张的 Prime 单次能烧 350 万 token。OpenRouter 的 30 天用量数据更有意思：Claude Code 里用量最大的模型不是 Anthropic 自家的，而是 GLM 5.2；Cline 和 Pi 的头名则都是 DeepSeek V4 Flash。知乎 「按控制循环挑外壳、再单独挑模型」这件事，老玩家们早就用脚投票了。
国内社区也一样。小红书上有用户晒出「把 Claude Code 换成 Pi」，换完之后高强度使用，中途一次都没用回 Claude Code，评论区第一条就是问怎么安装。小红书
那对你意味着什么？分三种情况说。如果你是订阅党（Claude Pro/Max、ChatGPT Plus/Pro、Copilot）：不用急着推翻现有工具，但 Pi 支持直接挂你已有的订阅，等于零成本多一个选择——订阅用户直接 /login 授权，Claude Pro/Max、ChatGPT Plus/Pro、Copilot 都行。知乎 可以先在非关键项目上跑几天小任务，对比一下同类任务的 token 消耗，再决定要不要扩大使用面。如果你是 API 自费党：账单异常时，先怀疑外壳的上下文膨胀，再考虑换模型；动手之前先做一件事——把「每任务成本」记下来，别只看单价，同一个常用任务在不同工具里各跑两遍，账单自己会说话。如果你是团队负责人：Databricks 给了个谁都能抄的办法——你们仓库里那些已合并的 PR，本身就是一套模型没见过的天然题库，配上你们自己写的测试就能判分，与其看别人的跑分表纠结，不如在自己的代码上测一遍。
最后照例泼三盆冷水。其一，Databricks 的结论建立在他们的代码库和任务分布上，百万行、十几种语言、大厂工程规范，不等于你的场景，抄作业前先掂量任务结构。其二，Pi 的「薄」是有代价的：别人拼命做加法，堆 MCP、子代理、计划模式、权限弹窗，它偏偏做减法，默认只给模型 read、write、edit、bash 四把刀。知乎 安全感要靠自己搭，习惯了 Claude Code 护栏的人未必适应。其三，让 Harness 出圈的 DeepSeek Harness 目前还是 v0.1 开发者预览版，发布当晚过程也几经波折，生态刚起步，等等党不亏。
接下来值得盯三个信号：Claude Code、Codex 这些官方外壳会不会跟进「单任务成本统计」；DeepSeek Harness 的插件生态能不能长出真东西；以及你手里的工具，愿不愿意把每一轮的上下文占用亮给你看。模型决定能力上限，外壳决定账单下限——这句话，大概会是接下来一年 AI 编程圈的主线剧情。
