在中文讨论区还在吵"Opus和GPT谁更强"的时候，开发者已经用脚投了票。
OpenRouter公开的30天应用用量数据（截至2026年8月中旬）里藏着一个很有意思的事实：Claude Code用量最大的模型不是Anthropic自家的，而是GLM 5.2——单模型3.14T token，占它前十流量的近一半；把Opus 4.8、Sonnet 5、Opus 5、Fable 5四个亲儿子全加起来，也才1.98T。 反倒是Codex，前十里约86%的量留在OpenAI自家模型上。Cline和Pi的头名，则都是DeepSeek V4 Flash。知乎
同一时间，加州大学伯克利分校和Arena的研究团队做了一项直接给这件事定性的研究，并且起了个扎眼的名字：HarnessTax，Harness税。结论用一句话说就是：同一个模型，换一套"壳"，任务成功率几乎没变，账单却可能差出好几倍——你以为你在选模型，其实你一直在替壳交税。
先把词对齐：Harness到底是哪一层
Harness字面意思是挽具、马具。在AI编程语境里，它是包在模型外面的那层程序，负责把"生成token"变成"在你仓库里干活"。Claude Code、Codex CLI、Cursor、OpenCode、Cline、Pi，包括8月13日发布后一度刷屏的DeepSeekHarness，都是这一层的东西。
模型是发动机，harness是变速箱、底盘和刹车。它干的是模型自己干不了的五件事：组装上下文（决定哪些文件、哪几轮历史发给模型）；定义并执行工具（让一次read_file真的读到文件）；把关权限（rm -rf是直接跑、先问一句还是拒绝）；管理恢复（补丁打不上、测试变红之后怎么办）；保存会话状态（中断的任务能不能接着跑）。
所以两个人跑同一个模型，体验能差出十万八千里——不是玄学，是这五件事的配置全不一样。
21种组合实测：成功率几乎没差，成本差到5倍
HarnessTax研究的设计很克制：7个模型×3种harness（Claude Code、Codex CLI、Pi）共21种组合，在SWE-bench Lite和Terminal-Bench 2.0两个基准上各抽30个任务，每种组合每个任务跑3次，token成本按2026年9月1日的固定API价目表计算。 三个发现值得逐个看：知乎
发现一：换壳几乎不掉成功率，但真掉钱包。 在所测基准上，harness对成功率的平均影响在SWE-bench Lite上不超过±2个百分点，Terminal-Bench 2.0上约±5个百分点。但成本呢？Claude Fable 5在Claude Code里尝试成功率97.8%、平均花费1.33美元；在Pi里96.7%、0.67美元——成功率差1.1个百分点，价格差一倍。 按几何平均算，Claude Code的成本在SWE-bench Lite上约为Pi的2.0倍、Codex的1.6倍；两个基准合看，不同harness下的成本最高能差5倍。知乎
发现二：亲儿子组合，12次里有9次没拿到最好成绩。 在Anthropic和OpenAI的6个模型、2个基准构成的12组比较里，有9组的最高成功率出现在别家harness上。 最打脸的例子：GPT-5.6 Sol离开OpenAI自家的Codex去了Pi，在Terminal-Bench 2.0上成功率反而从78.9%升到83.3%，成本大约减半（0.42美元对0.76美元）。厂商嘴上说"针对自家环境优化"，数据并不买账。知乎
发现三：极简壳摸到了帕累托前沿。 Pi只给模型四种工具——read、write、edit、bash，不搞MCP、不堆子agent，就靠干净的循环，在两个基准上都达到了成本-成功率前沿。研究还量出了税单的主要来源之一：Claude Code的平均初始上下文超过Pi的10倍，更长的系统指令和更大的工具schema，从第一次调用就开始计费。知乎
壳和壳的真差距，跑分看不见
伯克利量出了"贵"，另一组九款harness横评则量出了"贵在哪"。他们在一个小Python仓库里埋了个真bug（重试函数catch的是HTTPError，而SDK抛的是RateLimitError，导致429分支永远进不去），让六个harness接同一个网关、同一个模型、拿到一字不差的提示词。结果最没意思：六个全说对了根因。有意思的是循环行为——Codex CLI、OpenCode、Cline先跑测试再回答，Claude Code、Reasonix、Pi靠读代码直接答；修完之后留下的那行没用的import，Codex在正文里点出来了，Claude Code在diff里悄悄删掉，另外四个原样留着。
最关键的一句：决定循环要不要自己验一遍补丁的是harness，而这六个一个都没验。 模型质量是入场券，循环在压力下的行为——改之前读没读对文件、diff收不收得住、测试挂了能不能爬起来——才是所有跑分都不报的那一项。这大概也解释了为什么"同一个模型，别人手里的AI一次过、我这里来回返工"会成为评论区高频抱怨。知乎
先泼三盆冷水，再说怎么选
结论说到证据覆盖为止，这篇也一样：
第一，这项研究只测了两个开源基准、各30个任务、终端场景，研究团队自己也承认模型可能在训练中见过这些题，其他负载上结果未必相同。 第二，真实大型代码库是另一回事——有工程师复盘称，AI在长上下文里存在过度工程化和"漂移"：一个原本一天的需求，被包上防抖、兜底、提前设计的扩展之后可能变成1.5到2天。 代码库越大，幻觉和偏离越明显。壳的护栏挡不住这种臃肿，这是人和流程的活。第三，社区里从头到尾存在"造个harness不难"的反方声音，认为炒作大于工程门槛——但无论门槛高低，账单上的差价是实测存在的。知乎知乎
在这三条边界内，把"哪个工具最好"拆成两个问题——按控制循环挑壳，再单独挑模型——对普通用户其实就够用。上手前真正该问的只有四件事：跑在哪（终端可挂脚本SSH，还是编辑器内、独立客户端）；模型能不能你自己说了算——这是整个品类最干脆的分界线，比任何跑分都更能预测你的账单和被锁定程度。Copilot、Cursor的agent模式要付费席位才能接自定义供应商，Antigravity不登录Google账号根本不开口。 靠什么扩展（hooks、子agent、MCP堆满，还是像Pi一样刻意留白）；以及上面说的循环行为。知乎
分人群说：
纯入门的vibe coder：先用功能最全的第一方壳（Claude Code/Codex订阅），护栏、审批、开箱即用值这个钱；等你开始在意每轮开销，再回头看"税"。
中度单人开发者：这是收益最大的人群。挑一个允许自选模型的壳（Pi、Cline、OpenCode这一类），让模型成为一行配置而不是绑定关系——Claude Code的用户近半在跑GLM，你手里其实早有同样资格。
团队/生产环境：优先审循环行为：谁先跑测试、diff收不收得住、中断能不能续、权限怎么把关。成本第二，可控第一。
值得继续盯的信号：研究团队计划公开全部运行轨迹，并下一步在"需求会变、任务跨多个会话"的真实流程里评估harness、探索自动选壳；国产这一层也还在密集迭代——DeepSeekHarness发布一个多月就更新桌面端alpha，9月的讨论区从"热度过去了吗"变成了"已经上生产环境"。壳层竞争刚开始，现在下"谁赢"的结论都太早。
一个可以直接做的实验：把你现在用的模型原样挪进另一个壳，跑同一个任务，看一眼两边的成功率和你自己的钱包。Harness税这笔钱，交得糊涂不如交得明白。
