同样的活，Claude Code贵一倍：“Harness税”被算清楚了——微软都在砍预算，你续费前先把这笔账算一遍

这周AI编程圈发生了三件事，单看都不挨着，拼在一起指向同一个结论。

第二件：10月6日，多家媒体援引知情人士报道，微软把内部使用Claude的年度预算预期（此前预计至少10亿美元）砍掉了超过三分之一，Meta内部用Claude Code的员工从年初约6万人降到了约3万人，腰斩。第三件：开源极简编程Agent Pi在10月1日发布1.0，GitHub约11.1万星，官方称全球每周有数十万人在用。

三件事说的是同一句话：模型决定智力水平，外壳决定你为这份智力付多少钱。而过去我们挑工具，几乎只盯着模型。

一份研究，把"壳"的税单摊开了

先解释一句什么是Harness（外壳/驾具）：模型之外，让模型能真正干活的那一整套东西——系统提示词、工具定义、上下文管理、执行环境、任务调度。Claude Code、Codex CLI、Cursor，都是套在模型外面的壳。

ArenaAI联合伯克利Sky Computing实验室方向的这份研究，测了21组"模型×外壳"组合：7个模型，分别装进Claude Code、Codex CLI和Pi三个壳里，在SWE-bench Lite和Terminal-Bench 2.0两个基准上各随机抽30个任务，每组跑3次。结果挺扎心：微博知乎

• 换外壳，成功率只浮动±2%（SWE-bench Lite）到±5%（Terminal-Bench 2.0）；但成本最大差距达到5倍。

• 跨模型平均看，Claude Code的成本约为Pi的2.0倍、Codex CLI的1.6倍（SWE-bench Lite口径）；Terminal-Bench上约为Pi的1.5倍。

• 最典型的对照组：Claude Fable 5装进Claude Code，解出97.8%；装进Codex和Pi都是96.7%——只差1.1个百分点，但成本是1.33对0.67，贵了整整一倍。

• 干活轮数几乎一样：Fable 5跑SWE-bench Lite，Pi平均15.4轮，Claude Code平均15.3轮。同样的轮数、几乎同样的成功率，一倍的钱。

• 12组"Anthropic/OpenAI模型×两个基准"的对比里，有9组是"别家的壳"拿下最高实测成功率。

钱是从哪儿多出来的？从第一次调用就开始了。7个模型里，Claude Code的平均初始上下文都超过Pi的10倍——更长的系统指令、更大的工具schema。B站的解读视频给了个具体数：首次调用约2.7万token的框架开销。Pi呢？默认只给模型4个工具：read、write、edit、bash，别的一概不带，却在这份研究的两个基准上都站上了帕累托前沿。哔哩哔哩知乎

有个知乎作者把这笔账总结得很到位：超出Token效率最优解的那部分钱，就是"Harness税"。他还补了一刀（这是他的观点，不是研究结论）：Claude Code的高消耗未必是没想到优化，更可能是"利用暂时的垄断地位收取高溢价"——模型认可度加用户习惯，构成了收税的底气。知乎

需要说清口径：这个"2倍"是按2026年9月初的API标价对token量计价的，不等于任何人的真实账单——提示词缓存、折扣、订阅制都会改变实际数字。但"初始上下文差10倍"这个结构性差距，缓存并不能完全抹平，因为缓存输入也要按折扣价计费，而且长指令在每个新会话都要重新加载。哔哩哔哩

大公司已经开始"抗税"了

如果说研究还只是实验室里的账，微软和Meta的动作就是真金白银的投票。

微软这边，高管今年早些时候预计公司内部使用Anthropic技术的年度支出至少10亿美元，随后要求员工减少使用Claude、更多用自研AI工具，预算预期直接下调超过三分之一。Meta这边更有意思：内部Claude Code用户从年初约6万降到近期约3万，除了春季裁员约10%的因素，更主要的原因是自家工具顶上来了——内部工具MetaCode用户已超3万，对外测试的MuseCode也有超6000人在用。据报道，Meta还专门设了预算和监控，防止员工超用。微博微博

这两条新闻对你我这种个人订阅用户的意义，不是"大公司自研了所以我们也要自研"，而是一个信号：当token开销大到一定规模，第一个被审视的不是模型，而是壳。壳的溢价在企业尺度上是亿美元级的，在个人尺度上，就是你的账单和周限额。

Pi：这轮"抗税"的样板，但别急着封神

被研究反复拿来当"低税样板"的Pi，值得单独说说。它是Mario Zechner（GitHub ID：badlogic）写的终端原生开源编程Agent，也就是前几个月爆火过的OpenClaw背后的引擎——OpenClaw的声量下去了，Pi反而越跑越快：仓库迁到earendil-works名下，约11.1万星、1.4万Fork，官方称每周有数十万人在使用（官方口径，姑且听之）。知乎

10月1日的1.0版本干了两件有戏剧性的事。

一是MCP立场大反转。Pi曾把"不支持MCP"骄傲地写在README里，作者还专门写过文章质疑"你真的需要MCP吗"。结果1.0把MCP收进了核心、默认开启，官方还发了篇自我打脸的解释文，标题就叫《You Said No MCP!》。理由说白了是：世界变了，MCP的改造顺带让整个工具装载架构变得更好。

二是Codemode，这才是省token的真家伙。传统方式是把每个MCP工具的schema都塞进上下文（实测约580 token/工具，还每轮重复加载）；Codemode让模型写一段JavaScript，在沙箱里并行、批量地调工具，只把最终输出带回上下文。知乎有作者跑了对照实验：20个MCP工具的场景，首请求token省72%；带120KB日志分析的完整任务，累计省82%——120KB的日志过滤完，回到上下文的只有275个字符。官方口径是单请求提示词从约5300 token降到约3300。官方演示的一个例子里，Codemode跑了331次以上工具调用，中间结果一个字都没进模型上下文。知乎知乎

社区的真实声音也在。有从Claude Code转过来的用户说，最爽的是Pi上下文满了会自动压缩接着干，而Claude Code直接甩一句prompt too long停下，“我希望转头过去已经有结果，而不是看到报错”。但反面同样真实：1.0把界面改成全屏TUI后，home/end键被改成了翻页回顶回底、右键粘贴行为也变了，知乎上有老用户直接开骂"难用的要死"，最后还是让AI帮他把按键改回去。加上只有终端形态、没有VSCode集成，对习惯IDE的人是实打实的门槛。微博知乎

顺带一提，这股"壳竞赛"是全行业的：Claude Code推了Mods、Codex更新插件系统、DeepSeek Harness（DSH）搞"一切皆插件"且国庆刚发了桌面版v0.2。微博上有博主总结得准：所有超级Agent都在做让用户自己叠功能的插件体系，只是作用位置各不相同。微博

这笔账，按你的付费身份算

研究是宏观的，账是每个人自己的。分四类说：

API按量付费党：税是现金，最该算。同样的模型、同样的任务，壳选低税的，账单立省一半量级。两条路：整体换Pi/Codex CLI，或者保留模型偏好、只换壳——把Anthropic的API key接进Pi这类第三方壳，正是那位知乎作者的建议：“要用Anthropic的模型，也要用其他的Harness驱动，才能获得高性价比”。注意研究口径是标价计价，你的实际节省取决于缓存命中率，先拿自己的典型任务跑一周对照，再决定搬不搬家。知乎

订阅党（Pro/Max）：税以限额的形式收。你不按token付钱，但10倍初始上下文意味着同样的周限额，被壳吃掉的速度完全不同——你感觉"这周怎么这么快就用完了"，一部分答案就在这2.7万token里。频繁撞限额的人，可以把Pi+同一个模型的API计费当"溢出通道"：日常重活走订阅，撞墙后的长尾任务走轻壳。

团队/企业：学微软的动作，不必学微软的自研。自研壳的投入你复制不了，但"壳采购"思路可以：同一笔模型预算，优先给token效率高的壳；给用量设监控和预算线——Meta连这个都专门建了系统。

轻度用户/非工程师：别被带节奏去装终端工具。Pi的门槛是真实的：终端、手动配MCP、社区插件自装自管。如果想低成本低门槛试试水，DeepSeek Harness桌面版是免费的、双击就能装——但也提醒一句，知乎上有用户反馈DSH"烧token烧得挺多"，免费的是壳，不免费的是模型的量。知乎

三盆冷水，泼给想立刻搬家的人

第一，1.1%的成功率差不是零。研究里Claude Code在自家模型上确实拿到了最高成功率（97.8%对96.7%），贵一倍换来的那一点点稳定性，在关键项目上可能值回票价。省钱的壳适合修bug、写脚本、批量任务；架构级的活，你愿意为"少翻车一次"付的溢价，只有你自己知道。

第二，harness红利可能被下一代模型吃回去。这不是新观点——早在今年5月，社区就有讨论指出：壳层面的优化空间，会被更强的模型（更长上下文、更便宜的token、更好的原生工具调用）逐步蚕食。今天为Pi省下的token，明天可能是模型降价直接送你的。搬家前想清楚：你是在做一次长期迁移，还是一次短期套利。知乎

第三，迁移成本是真的。MCP配置倒是能整段从Claude Desktop/Cursor抄过来（Pi用的就是标准mcpServers结构），但习惯、Mods插件、团队流程搬不动。Pi 1.0连按键布局都能惹恼老用户，说明"极简"的代价是很多东西要自己搭。知乎

接下来盯什么

• Claude Code会不会"减税"：系统提示词和工具schema瘦身，是这份研究发布后最直接的观察点。减了，说明竞争起作用了；不减，"故意设计"的说法就多一分佐证。

• Pi的下一步：社区已经在聊Pi 2.0，配套的PiDurable（断点续跑的实验包）如果转正，长任务场景的账会重新算。

• 微软、Meta的自研壳会不会对外：MetaCode和MuseCode目前一个对内一个内测，放开的话，壳市场会从"三家比价"变成真正的红海。

• 更多复现数据：单一研究的5倍差距值得警惕也值得验证，等更多模型、更多任务类型的第三方复现出来，再做大搬家不迟。

最后说句谈资。以前饭桌上聊AI编程，问题是"你用什么模型"；这周之后，内行的问题变成了"你用什么壳"。因为研究已经说明白了：模型之间那点成功率差距，远小于壳之间的价格差距。你多付的那部分钱，买的到底是智力，还是税——这笔账，值得每个续费前的人算一遍。