这两天，“DeepSeek Harness”上了热搜。很多人点进去才发现，它不是新模型，是装AI的那套壳——工具、文件、记忆、日程都放在里面。官方披露，截至11月4日，按使用官方API的用户口径，日活154万，一天消耗约92万亿Token。InfoQ
一个“壳”能上热搜，至少说明：模型之外的那层东西，开始被看见了。但热搜不等于答案。选AI工具，真正该看的是两件事：壳，和账。
先看壳。
一位开发者记录过一件事：他把一家大厂的编程模型接进自己常用的工具，同一个账号、同一个模型，官方客户端里跑得好好的，换到自己的壳里，第一条消息就 HTTP 400，「渠道校验未通过」。 后来翻文档才明白，网关会拿提示词做指纹匹配；插件作者为了绕过去，得在句子里插零宽空格。不是模型变笨了，是这个壳不认它。知乎
他把这件事拆成一个乘法：表现 = 模型 × 上下文质量 × 工具面 × 反馈速度 × 恢复能力。 任何一项接近零，整体就归零。知乎专栏
这不是个例。伯克利和 Arena 的研究团队在编程任务上做过一项叫 HarnessTax 的测试：7个模型、3种壳，21种组合，在两项编程基准上各抽30个任务。知乎
结果有点反直觉：同一个模型换壳，成功率大多只差2到5个百分点，成本却能差到5倍。Claude Fable 5 在 Claude Code 里成功率97.8%，在 Pi 里96.7%；前者每次尝试1.33美元，后者0.67美元。 多花一倍钱，只多1.1个百分点。Pi 只有 read、write、edit、bash 四个工具，照样跑到了成本-成功率的前沿。知乎专栏
所以第一个判断点，不是“它是不是最强的模型”，而是“它给了模型什么手、什么眼睛、什么记性、什么退路”。能不能读文件、跑命令、看报错、改一轮再跑；长任务断了能不能接上；换个模型还灵不灵。这些比榜单上的几分更能决定你今晚要不要加班。
写稿、做表、查资料也一样。同一个模型，放进不同的产品，能读什么、能改什么、错了能不能重来，完全不同。
壳也不是越多功能越好。DeepSeek Harness 火了以后，有用户装了15个以上插件，结果出现无限循环、上下文溢出、Token 消耗上涨。 也有人升级版本后丢了32个插件配置，修了5小时。壳给你手，也给你一堆要维护的零件。InfoQ
再算账。
账不是看每百万 Token 多少钱。那是出厂价。你真正付的，是“完成一件验收通过的任务”要花多少。
一份基于 WildClawBench 60项真实长任务的对比里，同一颗 V4 Pro，从 OpenClaw 换到 DeepSeek Harness，整组调用成本从12美元降到6美元，耗时只多4.2%，单位成本得分从218分/美元升到450分/美元。 模型权重没动，账单先动了。知乎
反过来，单价便宜也可能骗人。按11月的价目表，千问 Qwen3.8-Flash 的输入价是每百万 Token 1元、输出3元；DeepSeek V4.1 Flash 忙时是输入2元、输出8元。 输入价一半，输出价不到四成。可任务一跑起来，步数、重试、上下文和缓存会把这点差价抹平——最后谁便宜，得看任务怎么跑。知乎
中国信通院给过一个量级：智能体单次任务的 Token 消耗，可以是普通对话的10到100倍。知乎专栏
Kimi K3.1 Pro 上线两天后公开致歉，有199元档用户只让模型装一个 Skill，就烧掉了5小时滚动限额的70%。 单价降了，账单反而更贵，这不是算术错误，是计量单位变了：你按“任务”花钱，厂商按“Token”计价。知乎
所以第二个判断点，是把“单价”换成“单任务成本”：同一批任务、同一套配置、同一张价目表，跑一遍；把重试、返工、上下文、插件、缓存都算进去；再看完成一批验收通过的任务，总共花多少钱。不是看谁喊得便宜，是看谁让你少返工。
模型决定上限，壳决定你实际取到多少，账决定你能不能一直用下去。下次再看到“最强模型”或“全网最低价”，先问两句：它在什么壳里跑？完成我这件事，总账是多少？
热搜会换，这两笔账不会。
