先说个能让不少人心里一咯噔的实测：同样在终端里问一句"1+1"，某款主流 AI 编程工具还没开始答题，光"开场白"就先烧掉两万八千个 token，而极简工具 Oh My Pi 只需要一万上下。有 UP 主把这两万八拆开量了一遍：清掉自己装的一百多个技能插件几乎没省，删掉自己写的规则文件省了七千二，剩下两万多，全是工具出厂自带的。哔哩哔哩
你为这句"1+1"付的钱，大头没花在模型思考上，花在了模型外面那层"壳"上。
这层壳，最近有了个专门的名字——Harness（马具／外壳），而多付的那部分，被社区叫作"Harness 税"。过去半年大家还在比"谁的模型写代码更准、上下文更长"，这两个月风向突然调转：开始比谁的外壳更省 token。
一、“模型 + Harness = 智能体”，税就藏在等号右边
先把概念说清楚，不然后面全是玄学。
Harness 不是模型，也不是训练框架，而是模型之外的全部工程部分：系统提示词、工具定义、上下文管理、记忆、子 Agent 调度、权限、交互界面……社区给的公式很直白——模型 + Harness = 智能体。同一个模型，塞进不同的 Harness，就是两个脾气、两副账单的产品。知乎
那"Harness 税"是什么？一句话：在能把活干成的前提下，最省 token 的那个外壳所花的钱是"底价"，你实际多付的部分，就是税。
这个概念之所以这周突然刷屏，是因为它第一次被一组严肃实验量化了。
二、Arena 的 21 组对照：准确率差几个点，成本能差 5 倍
Arena AI 做了一组很"较真"的实验：21 组"模型 × Harness"组合，覆盖 7 个模型 × 3 个外壳（Claude Code、Codex CLI、Pi），在 SWE-bench Lite 和 Terminal-Bench 2.0 上各随机抽 30 个任务，每组跑 3 次。UC Berkeley Sky Computing Lab 的博士生 Melissa Pan 也在解读这套结果。哔哩哔哩
结论有点反直觉，我把它摊成一张表你看：
对比维度 | 换外壳带来的变化 |
|---|---|
任务成功率 | 只浮动 ±2%（SWE-bench Lite）到约 ±5%（Terminal-Bench 2.0） |
花费成本 | 最大差距达 5 倍 |
Claude Code vs Pi（跨模型均值） | Claude Code 约为 Pi 的 2.0 倍、Codex 的 1.6 倍（SWE） |
首次调用的初始上下文 | Claude Code 平均 >10 倍于 Pi（更长指令、更大工具 schema） |
换 Harness，成功率浮动只有 ±2% 到约 ±5%，但成本最大的差距达到 5 倍。知乎
最典型的一个例子：Claude Fable 5 这颗模型，在 Claude Code 里解出 97.8%，在 Codex 和 Pi 里都是 96.7%——差 1.1 个百分点，但 Claude Code 这一趟花了 1.33 美元，Pi 只花 0.67 美元，贵了整整一倍。跑的轮数几乎一样（15.3 vs 15.4 轮），多花一倍的钱，买来 1.1% 的成功率。更扎心的是，在 6 个 Anthropic／OpenAI 模型 × 2 个 benchmark 的 12 组对比里，有 9 组是"别家的外壳"拿下了最高实测成功率——"原厂模型配原厂外壳最香"这个直觉，数据并不完全支持。
一句话总结这波实验的价值：模型决定智力的上限，Harness 决定你为这份智力付多少钱。
三、光谱两端：4 个工具的"毛坯房"，和 26 个工具的"全家桶"
为什么差这么多？看看外壳光谱的两端就懂了。
极简的一端是 Pi。作者是游戏框架 libGDX 的 Mario Zechner，他有句吐槽挺损但挺准：Claude Code 变成了一个 80% 功能都用不上的宇宙飞船。于是他自己动手写了个极简 Agent，核心工具只有 4 个：read、write、edit、bash，系统提示词加工具定义加起来不到 1000 token，是主流外壳里最短的一档。它的逻辑是：前沿模型已经被大量 RL 训练过，天生就懂 coding agent 的套路，犯不着再用上万 token 的提示词手把手教它做事。知乎
Pi 在 10 月 1 日发了 1.0，还带了个实验性的 Pi Durable（进程崩了、机器睡了、容器重部署了，能从断点接着干）；OpenClaw 拿它当底层框架，Databricks 的 CTO Matei Zaharia 也公开夸过它在 Terminal-Bench 2.0 上的表现。嫌 Pi 太"毛坯"、不想自己配的人，还有个开箱即用版 Oh-My-Pi（omp），内置 LSP、调试器、MCP、AST 工具——定位类似"LazyVim 之于 Neovim"。
重的一端，是 Claude Code 和 DeepSeek Harness 这类"全家桶"：子 Agent、MCP、Plan 模式、记忆、搜索、Skills，出厂全配好，拎包入住；DeepSeek Harness 更是首次请求就带上 26 个工具、默认沙箱、插件扩展。
四、先别冲动换工具：三笔反证账要认
概念很爽，数据很硬，但真要动手前，这几盆冷水必须泼——这也是"税"这个说法最容易被带节奏的地方。
第一笔，把"观点"和"事实"分开。“Anthropic 是故意把 token 消耗做高、用暂时垄断收溢价，It’s a feature not a bug”——这是那篇《什么是 Harness 税》作者的个人推测，不是被证实的事实。它逻辑自洽、也解气，但你不能拿一个未经证实的"动机论"当决策依据：数据能证明"贵"，证明不了"故意"。
第二笔，厂商跑的 benchmark，先打个折。你会看到各种"Pi 比某某省 48.7% token"的对比图，很多来自 API 中转商、工具作者的自测，连其中一篇自己都注明"这不算严格 Benchmark，工具调用轨迹、输出长度、交付物规模都会影响结果"。方向可以参考，具体数字别当真。
第三笔，Benchmark ≠ 你的真实项目。SWE-bench、Terminal-Bench 都是标准化的短任务；而你的活可能是几十万行代码、连续几小时、读几十个文件、反复跑测试的长会话。这种场景下，重外壳的上下文压缩、断点续跑、diff 管理，省下的可能比你多付的 token 更值钱。有个高赞回答就说得很到位：你去逆向 Claude Code、Devin 这类真能干活的系统，会发现源码动辄几万行，塞满了状态机、AST 解析、进程树监控、增量 diff 和复杂的上下文管理。这些不是纯脂肪，是长时间、多文件、易崩的真实工程里替你兜住混乱的骨架。极简外壳把这部分控制权还给了你，也把这部分的活儿甩给了你。知乎
还有一笔隐性成本：Pi 是间"毛坯房"，理念像 Vim，你得自己写 AGENTS.md、配 Extensions 才顺手。省下的 token，可能有一部分是用你多花的时间换的。
连 Anthropic 自己都在往"Harness 可编程"走：Claude Code 刚放出官方的 Mods 定制能力，其领衔工程师也公开表示要"少写单次提示词、多在外壳这层外骨骼上投入"。方向上，轻重两端其实在互相靠拢。
五、到底该怎么做？按你付费的方式分三类
别问"哪个外壳最好"，先问"我这笔钱是怎么付出去的"。
① 按 token 付费的重度 API 用户——税是真金白银，值得动手。 如果你走 API 计费、还老撞用量墙，Harness 税直接进你账单。可以先做两件事：用 /cost 或调用日志，量一量你当前外壳的"初始上下文"和"每任务 token"到底多大；再拿一个真实任务，在极简外壳（Pi／omp）上跑一遍对比。省下的可能不止额度，还有"更晚撞上限速"。
② 包月订阅的 Claude Code／Codex 用户——税很大程度上是"平台替你扛了"。 你付的是固定月费，per-token 的开销更多是 Anthropic／OpenAI 的成本，不直接从你口袋多掏。这时你的真实约束是额度和限速，不是单价。换极简外壳未必省钱，但可能换来"同样的额度能干更多活"和"更高的可控性"——值不值，取决于你被限速折磨的程度。
③ 团队／复杂项目／求稳——那笔税买的是"省心"，别为极简而极简。 多人协作、长周期、易崩的大项目，重外壳的权限控制、diff、断点续跑、上下文管理是生产力，不是纯负担。为了"政治正确"去追极简，反而可能把 robustness 的钱省了、把踩坑的时间赔进去。
一个通用的省钱思路，社区叫"贵的动脑子、便宜的动手"：用强模型 + 精简上下文做规划和关键决策，把大批量、机械的执行交给更便宜的外壳或模型。
六、接下来值得盯的几个信号
这事还没完，想持续跟进的可以标记这几个观察点：
Pi 生态成熟度：omp 的开箱体验、Rust 实现 rpi、Pi Durable 的稳定性，决定它能不能从"极客玩具"变"日常主力"。
"外壳自优化"这条路：NVIDIA 联合南洋理工、MIT 的研究者把优化对象放在了 Harness 这层，提出 SoL-Pi，让 AI 从执行轨迹里自己找开销、再改这层软件，号称 token 砍半。如果这条路走通，"外壳税"可能被工具自己降下来。知乎
Anthropic 会不会正面回应：Claude Code 会不会优化那个"10 倍于 Pi"的初始上下文？Mods 是不是变相承认了"外壳该由用户定制"？
国产外壳 + 国产模型的组合：DeepSeek Harness 这类配上高性价比国产模型，会不会跑出新的"省钱解"。
最后回到开头那句"1+1"。下次挑编程 Agent，别只盯着"用哪个模型"了——模型决定它有多聪明，外壳决定你为这份聪明掏多少钱。先搞清自己属于上面哪一类，再决定这笔"外壳税"，你是该认、该省，还是该换个交法。
