最近有篇测试编程智能体的论文，做了一件特别有意思的实验。作者把大模型外层的控制软件（也就是大家常说的 harness，平时专门负责给模型递工具、攒历史记录的那层程序）拆成了几个独立开关，挨个测试每一处设计到底能起多大作用。当研究团队把预设的文件读写工具全撤掉、换成纯命令行环境之后，一个大模型在代码修复任务上的成功率直接涨了将近四个百分点，估算调用开销还省下了一半以上；换到另一个同处于前沿水平的大模型身上，成功率却跌掉了 23.2 个百分点。这项研究没下简单粗暴的定论。在作者看来，harness 设计本质上是几项具体的工程抉择：选对配置能把估算成本压掉一半，可一旦看错条件，照搬同样的精简操作，任务执行就会直接跑崩。
平时大家自己动手搭编程智能体，凭着直觉往往更偏爱做减法。大家脑子里的预设往往是这样：外层包装越薄越利落，摆在模型面前的工具越少，交互过程越不容易节外生枝；像任务规划或者上下文摘要这种东西，就算平时用处不大，顶多白费一点计算资源，总归不至于反过来把解题思路带偏。很多团队做系统优化的时候，顺理成章地把砍工具当成默认方向，总觉得给模型减负肯定错不了。
但真实测试恰好打破了这种惯常想法。外层软件里的每一个零件，都不能当成理所当然就该默认开启的基础设施。做减法大家都会，真正考验人的，是搞清楚到底在什么条件下做减法。要是脱离了底层模型的习惯和眼前的任务形态去盲目削减，原本想省下来的那几步调用，回头就会在执行现场演变成一场灾难。
我们在终端里使唤大模型写代码，其实所有的动作都跑在外层这套宿主环境里。大模型自己只负责接收上下文、吐出文本补全，它既没办法直接翻看磁盘上的源码文件，也没法自己在操作系统里发起真正的调用。全靠外层软件把工具接口摆在它面前，把它吐出来的命令递给系统执行，再把终端的标准输出与报错捡回来。交互轮数一多，外层还要负责把这些来回拼接进对话历史，打理有限的上下文窗口。平时做工程，大家往往习惯性地给大模型配齐任务规划提示、外部检索机制以及专用的文件编辑工具，总觉得功能给得越全系统越稳妥，很少有团队真停下来单独测测某一个模块到底值不值。
来自马萨诸塞大学阿默斯特分校、埃默里大学和北卡罗来纳大学夏洛特分校的研究团队，在 2026 年 9 月放出了这项实测研究（预印本见 arXiv:2609.20804，全文见 arXiv HTML 页面）。他们固定好思考、行动与观察这套标准循环，把外层软件切分成三个能单独开闭的核心模块，一项一项测量每个模块在真实任务里的实际表现。
第一个开关管任务规划。开关推上去的时候，系统提示词会明确叮嘱模型，接手复杂任务必须先写出一份执行计划；往后每推进一步，外层程序都会把最新计划重新贴进提示词，还额外配了一个叫 update_plan 的专用工具让模型随时更新进度。要是把这个开关拉掉，提示词里催着做计划的语句和 update_plan 工具就统统撤除，模型拿到任务目标直接动手干活。
第二个开关负责怎么打理上下文。随着执行过程越拖越长，研究团队前后试了五种收拾历史记录的办法。最粗放的方案就是不管不顾，任由历史记录堆积，超出上下文窗口就终止。稍微讲究一点的是硬规则删减，历史长度超过硬阈值就把较旧的工具输出替换成占位短桩，保留基本结构。第三种路子更精细，把切掉的长文本存进外部空间，配上专属工具允许模型按需把历史细节读回。第四种是让同一个被测模型出面打扫战场，历史长度超过硬阈值时，通过一次不带工具的独立调用把前面的要点提炼成浓缩摘要。最后一种则是分阶段组合策略：上下文长度刚踩过软阈值就先走规则裁剪，要是裁剪后仍超过硬阈值，再喊同一个被测模型出面生成摘要。
第三个开关管的是动作执行接口，也就是模型手里到底拿什么家伙干活。在大家习惯的全工具配置下，外层软件给模型备齐了八个趁手的专用工具，涵盖文件读取、文件写入、补丁替换、目录遍历、文本正则检索以及终端命令执行。可要是切换到纯命令行模式，外层会把所有预设的文件与搜索工具统统撤除，模型手里只剩最原始的终端指令，在工作区里找代码、改源码全得靠自己敲命令。
为了看清不同梯队的大模型对这些开关作何反应，研究人员找来了两套基准测试。一套是大家熟悉的 Python 代码修复基准 SWE-Bench Verified，包含 500 个真实 GitHub 问题，重点考验模型在大型代码库里跨文件定位、分析逻辑和精准修改的能力；另一套是包含 89 个终端原生任务的端到端命令行基准 Terminal-Bench 2.1，直接测试模型在 shell 环境中配置服务、排查系统状态的操作水平。参测模型覆盖英伟达 Nemotron-3 家族的三种尺寸（30B、120B、550B），加上开源前沿梯队的 Mistral-Medium-3.5-128B。五种上下文方案与四个窗口长度（32k、64k、96k、128k）相互交叉，再加上仅在分阶段管理、128k 窗口下进行的规划与接口两项消融实验，研究团队累计运行了 176 种实验配置。单任务开销参考 OpenRouter 2026 年 8 月 token 报价进行估算，评估采用配对成败检验并校正误报率，每项配置对每道题运行一次。
理解这项实验给出的结论，得先留意论文里两个挺关键的工程实现细节，免得想岔了方向。第一点，切换到命令行模式其实是一次成组替换。作者在撤下专用文件工具的同时，同步调整了系统提示词，移除了写入前必须先读过文件的检查、修改前后的状态追踪，以及受支持的编辑后的自动诊断提示。这不仅改变了模型能调用的工具数量，还连带撤除了外层辅助护栏。第二点，纯命令行模式并不意味着整个环境里真的只剩下一个终端指令。在规划功能开启且采用分阶段上下文管理的组合下，命令行模式依然保留了计划更新工具与历史读回工具，外层的任务追踪机制并没有全部撤除。
外层软件拆开之后，反差最大的地方落在了动作接口的切换上。在 128k 窗口并且开启规划的标准测试下，研究人员把专用文件工具撤掉，换成了纯命令行模式。面对拥有 5500 亿参数的 Nemotron-3 550B，在 SWE-Bench Verified 代码修复基准上，任务成功率从 65.80% 一路涨到了 69.40%，提高了 3.6 个百分点；单任务平均调用估价从 2.33 美元降到 1.11 美元，降幅超过了一半（见论文 Table 3 结果表）。然而，把同一套精简操作放到同属前沿梯队的 Mistral-Medium-3.5-128B 身上时，成功率直接从 68.60% 跌落到了 45.40%，折损了 23.2 个百分点。单任务估算开销虽然也从 3.14 美元降到了 1.72 美元，解题能力却大幅滑坡。统计检验显示，两项差异均达到了显著水平。
为了搞清楚为什么两个模型走向了相反的方向，研究人员借助大模型当裁判，对执行轨迹逐一排查。人工抽检覆盖 200 条轨迹里的一万五千多个标注单元，包括动作标签和失败阶段诊断，显示裁判与人工判断的一致率约为 94.2%，Cohen’s κ 的加权均值达到 0.929，相当可靠。顺着具体的轨迹记录看进去，两个模型在命令行下的真实差异立刻就看明白了。
Nemotron-3 550B 的轨迹展现出非常老练的复合命令编排功底。手里没了独立文件工具，550B 一点不慌，直接把文件查找、正则匹配与代码替换逻辑整合进紧凑的 shell 脚本与单行命令。测试数据显示，在代码修复基准上，550B 在命令行模式下单次最大编辑量的中位数从 18 行升至 54 行，对已编辑文件的反复修补从平均每任务 4.6 次锐减到了 1.5 次，工具调用减少了 32%。它靠着高密度的单次执行取代了反复试错，大幅压低交互轮次，解决问题干脆得多。
Mistral-Medium-3.5-128B 的轨迹则是另一番景象，到处都是定位失败。专用的文件工具一抽走，Mistral 在深层目录里很难自主找对目标文件。在命令行模式下，Mistral 从头到尾没提交任何代码修改就干脆退出的比例高达 32.80%（全工具配置下仅为 1.20%）；在那些未能解决的任务里，始终摸不到正确文件的比例从 16.00% 飙升到了 41.40%。没有了外层工具提供的写入前已读检查与修改诊断，这个模型在搜寻和拼装脚本阶段就早早偏离了修复路径。
但换到另一种任务场景，剧情立刻迎来转折。在包含 89 个终端原生任务的 Terminal-Bench 2.1 中，切换到纯命令行模式后，Mistral 的成功率反而从 37.08% 升到了 43.82%，涨了 6.74 个百分点；550B 也顺势从 44.94% 升到了 50.56%（见论文 Table 4 结果表）。虽说终端基准样本只有 89 题，两项提升在统计检验中都没过显著性门槛，但两边的势头方向一致。翻开动作记录看原因：在终端原生任务中，Mistral 哪怕在全工具配置下，也会主动把 71.90% 的工作区动作交给命令行；而在代码修复任务中，这个比例其实只有 40.40%。
这组对比把外层设计的本质特征摆了出来：脱离具体场景谈不上普适的优劣，所有的表现都会随着使用条件发生转移。外层组件到底能赚多少收益，全看模型自身的命令行习惯与任务的原生属性到底契不契合。照搬同样的精简操作，在一个模型手里释放了自主执行的高效率，在另一个模型手里却抽走了维持运转的必要护栏。
逐项拆开论文测试的这三个模块，能看清它们各自生效的真实边界。先说第一个旋钮任务规划，实验表明，规划机制对弱模型来说就是关键的生存线。拿 300 亿参数的 Nemotron-3 30B 来看，开启规划之后，代码修复成功率从 13.60% 一跃升到 25.20%，足足增加了 11.6 个百分点，单任务估价也只是从 0.02 美元微涨到 0.09 美元。可一旦把规划关掉，30B 的中位执行轮次直接从 40 轮暴跌到 5 轮，68.60% 的任务从头到尾没有产生任何编辑，更有 58.40% 的题直接卡在代码定位阶段。外部注入的这套规划结构，牢牢维持着执行链条，这才让弱模型能够撑到发起第一次修改。
换到能力成熟的大模型身上，规划机制的角色立刻变了，不再负责提分，主要是用来省钱控费。面对 550B 与 Mistral 这两个聪明模型，开启规划并没能改善准确率：550B 成功率从 67.80% 变成了 65.80%（下降 2.0 个百分点），Mistral 也从 69.00% 微降到 68.60%（微降 0.4 个百分点）。但规划省下的估算成本相当可观：550B 单任务估算成本下降了约 30%（从 3.31 美元降到 2.33 美元），Mistral 更是下降了约 32%（从 4.65 美元砍到 3.14 美元）。轨迹记录说明了一切：强模型自己不需要外层指令教它怎么找代码，规划的核心价值在于管住那些冗余验证。要是没开规划，550B 做完改动后会没完没了地复核，让中位交互从 74 轮一路膨胀到 108 轮，Mistral 也会从 53 轮膨胀到 68 轮。这时候，规划机制就从能力助推器变成了控费阀门。业界的实际工程也走向了相同的取向，Anthropic 官方仓库里的 issue #80487 显示，Claude Code 在 Opus 4.8、Sonnet 5、Fable 5 等新型模型上默认停用了任务创建与清单工具，只保留环境变量供手动开启。这说明随着底座自身能力提升，结构化规划正逐步退成按需调用的优化配置。
第二个旋钮落到了上下文管理上。实验数据显示，打理上下文最核心的收益在于防止窗口溢出，至于提升单步推理质量，帮助其实相当有限。随着物理窗口从 32k 一路放宽到 128k，管不管上下文带来的模型平均成功率差距迅速收窄：代码任务中两者的差距从 32k 时的 35.7 个百分点收窄到了 128k 时的 2.7 个百分点；终端任务中也从 9.5 个百分点降到了 2.8 个百分点。在 32k 这样局促的窗口下，要是放任不做管理，模型平均有 78.70% 的代码任务因为窗口溢出中途终止，开启管理后溢出率全部归零。而在全部测试的 8 组模型与基准组合里，分阶段策略在 7 组中都拿到了管理策略中最低的跨窗口平均估算开销，证明优先走死规则裁剪、超标再调用模型做摘要的做法，兼具稳定性与经济性。
围绕上下文专门设计的读回机制，给出的反馈相当冷淡。这套设计原本打算在删减时把长文本存入外部空间，允许模型按需调阅读回。但在全部 32 组配对比较当中，读回机制只取得了 15 胜 14 负 3 平，平均准确率变化居然是负 0.36 个百分点。在开启读回功能的 64 个配置里，整整 36 个配置自始至终连一次都没调用过读回；在 128k 窗口下，平均每任务才仅调用 0.007 次。多搭这么一套复杂的外部存取链路很难换来有效产出，真到了执行当中，模型极少主动回溯那些先前按照规则裁剪掉的陈旧输出。
第三个旋钮管的是动作接口。Nemotron-3 30B 在终端基准上的表现提供了一个经典的反面例子：切换为纯命令行后，30B 的成功率从 13.48% 跌落到了 3.37%（见论文 Table 4 结果表）。日志分析表明，它有足足 66.00% 的轨迹是因为发射接口外工具调用而失败。这模型还在持续输出训练阶段背下来的专用函数语法，意识不到当前环境只剩 shell，平均交互轮次因此直接从 71 轮锐减到了 15 轮。强模型确实能从精简接口里吃到甜头，但怎样提前界定这个前提却是个难题。正如评论者 agentdev001 所指出的那样，论文通篇都在强调模型必须具备命令行能力，却始终没给出前置可测的操作化定义，这个关键前提大家往往只能在测试跑翻车之后再来反推。
不过，看这套结论的时候也得留意它特定的实验环境。论文作者坦率地说明过，他们只测试了一种规划提示词和一套阈值调度策略，所有的接口消融实验也全都建立在 128k 窗口与分阶段管理之上，代码任务限于 Python 并且全是单次运行。社区讨论里大家同样各执一词。评论者 vblanco 就提出质疑，认为开源模型很难代表那些针对特定脚手架重度对齐、同时拥有更大原生窗口的前沿商业闭源模型；评论者 Systemerror7A69 则反驳说，在缺乏同等份量的实证之前，不能随意把现有的实测证据搁在一旁。这场争议也正好提醒我们，论文里的相关结论不能脱离具体的模型家族生硬外推。
面对这一整套实测数据，用不着走向全盘否定外层架构的极端。真正的要点，在于甩掉那种觉得外层机制默认都该全开的惯性想法，把 harness 设计老老实实当成具体工程场景下的取舍考量。自己动手搭建编程智能体时，需要做出三个具体的关键抉择。
先看底座模型，搞清楚它自己写脚本、找文件的本事到底够不够。如果选用的模型平时缺乏充分的终端数据训练，一进命令行就容易吐出语法错误或者在路径里迷路，这时候就得老老实实给它配齐专用文件工具，用工具层保住最基本的成功率。反过来，要是手头的模型已经养成了成熟的脚本编写习惯，直接精简掉专用工具，反而能给模型更广阔的自由发挥空间，同时还能大幅压低交互轮次与调用开销。
第二个决策得看任务环境，仔细掂量工作本身有多大比例依赖 shell。要是活计集中在运维、环境配置这种以 shell 为中心的场景，动作接口直接走纯命令行最为干净利索，额外搭一套专用工具层往往只是徒增冗余。但如果任务是要在复杂的大型工程里重构源码，专用工具所提供的写入前已读检查、清晰的编辑边界以及及时的诊断提示，就是防范模型在仓库里盲目改动的坚固护栏。
第三个决策要落到账本上，算一算自己的窗口预算和调用成本允许把上下文管理做到多深。当前分配的上下文空间要是特别充裕、花销预算也宽绰，上下文管理只要守好防溢出的底线就可以，没必要搞复杂花样。可在预算受限或者长程执行的场景下，优先规则清理、超标之后再喊大模型总结摘要的分阶段方案，就是最理想的控费首选，至于复杂的外部读回机制，大可不必费心去维护。
站在关键决策的视角看工具选型，还能顺手纠正社区里的一场大误解。论文刚放出来的时候，评论者 jimbokun 觉得既然命令行这么强，像 MCP 这类专用工具协议以后就没啥意义了。评论者 CharlieDigital 随后站出来指出：专用工具协议与本地命令行解决的压根不在同一个层面上。结构化协议的核心价值在于企业凭证管理、细粒度的权限隔离以及远程环境交互。真实世界里的生产系统，不会向一切外部调用开放原始宿主机的 bash 终端，结构化接口提供的权限边界与审计能力，是普通命令行替代不了的。
学术界这几年的研究脉络同样表明，harness 的搭建始终离不开具体的工程决策。Liu 在 2026 年关于提示词组件的评测（见 arXiv:2605.05716）中就发现，组件全开的配置在多数场景下往往拿不到最优解，而且部分负面影响还会随着模型规模扩大转为正面。Mehtiyev 与 Assunção 对 8 种框架中的 19 个智能体展开的实证研究（见 arXiv:2604.02547）显示，不同框架之间的性能差距正随着模型代际更迭持续收窄。Yang 等人在 2026 年 7 月针对代码执行接口的研究（见 arXiv:2607.10569）报告称，哪种工具界面最划算，终归由任务特征与系统架构共同决定。
最后留一个社区假说作开放式问题。评论者 svachalek 提到，海量真实会话轨迹正在融入新一代模型的训练过程，模型会把这些外层行为模式慢慢内化成本能。假如果真如此，今天摆在工程师面前的这套 harness 决策清单，明天还会有多少需要反复权衡？