一个反直觉的数字：在 ALFWorld 上做同样的强化学习后训练，3B 模型配一个好 harness 拿 69.7 分，7B 模型配一个差 harness 拿 55.6 分——小模型赢 14.1 分。更值得记住的是第二个数字：如果你用差 harness 训完、再在评测时换上好 harness，这个便宜「几乎拿不回来」，训练期就用好 harness 的优势是 +20.7 到 +22.5 分。两个数字都来自 arXiv:2606.25447 的正文表格。
所以 2026 年 harness 研究的真正进展，不是又一次发现「脚手架很重要」——这话 2023 年就有人说了。真正的进展是：harness 从实验里那个没人申报的常量，被扶正成了一个可测量、可搜索、并且会被写进权重的变量。 这篇把变量化炸开的四条战线，连同数字一起摊开。
名词速查
| 术语 | 一句话解释 |
|---|---|
| harness（脚手架） | 模型和环境之间那层壳：暴露哪些工具、工具怎么描述、每步观测里塞什么附加信息、什么时候停、怎么校验。它「该做什么」站内已单独写过一篇：《什么才是好的 Harness：判断归模型，物理归代码》；两个实物样本见 DeepSeek dsh 和 ECC |
| pass@1 | 每题只给一次机会的通过率，agent 评测最常用的主指标 |
| HV / MV | 本文简写：harness-induced variance（换 harness 带来的分数方差）/ model-induced variance（换模型带来的方差），单位是「百分点的平方」pp² |
| OOD（分布外） | 部署后环境变了：工具改名、工具合并、任务类型换了，训练时没见过的情况 |
| GRPO / GiGPO | 两种给 agent 做强化学习后训练的算法，本文只当「后训练手段」用，不展开 |
| ALFWorld | 一个文字版家务环境（去某处、拿某物、加热、放置），是工具调用类 agent 的老基准 |
| Terminal-Bench / Harbor | 终端任务基准（2.0 版 89 题）/ 它底下那套可换 agent、可跑 RL rollout 的执行框架 |
| AGENTS.md | 一个跨工具的仓库级上下文文件约定，各家 CLI 都读它 |
主线：变量化，以及它炸开的四条战线
一句话主线：当 harness 还是常量时，它的收益全部被误记在模型账上；一旦它被当成变量，先炸的是测量，然后是搜索，最后炸到训练。
和站内 7 月那篇的分工说清楚：《什么才是好的 Harness》 回答的是「一个好 harness 该做什么」（把世界翻译成接口、把确定性工作拿走、让错误变便宜）。这篇不重复那三件本职，只问接下来那个更尴尬的问题：这些收益到底该记在谁账上，以及能不能不靠人来找。
四条战线是同一个动作的四个后果，而且它们互相咬着：
flowchart TD
C["harness 曾是常量<br/>论文不申报 · 榜单不区分"] --> V["2026：扶正为变量"]
V --> M["① 测量炸了<br/>HV/MV = 7.80×<br/>9 组对比 6 组名次翻转"]
V --> S["② 能自动搜索了<br/>AHE：69.7 → 77.0<br/>每次改动 = 可证伪契约"]
V --> T["③ 炸到训练<br/>差 harness 训完遇工具改版<br/>掉到 2.7（未训练是 13.5）"]
M --> B["④ 两个刹车"]
S --> B
T --> B
B --> B1["学术刹车：匹配预算下<br/>自动演化打不过 test-time scaling"]
B --> B2["工程刹车：2853 个仓库<br/>90.6% 只有一个 context file"]战线一：测量——先炸的是榜单
有一篇 5 月的立场论文把这件事说得最硬：《Stop Comparing LLM Agents Without Disclosing the Harness》（arXiv:2605.23950，Zhang 等，2026-05-07）。它做了一个 3×3 受控实验：三个能力接近的前沿模型 × 三个 harness（Minimal / Improved / Full），跑 SWE-bench Verified 的 100 题分层子集，固定种子、50 步预算、每格两次。
正文表格里的数字（我读的是 HTML 全文版，不只是摘要）：
| H₁ Minimal | H₂ Improved | H₃ Full | 该模型的 HV (pp²) | |
|---|---|---|---|---|
| GLM-5.1 | 52.5 | 56.5 | 65.5 | 29.56 |
| GPT-5.4 | 55.0 | 58.5 | 63.5 | 12.17 |
| Kimi K2.6 | 52.0 | 59.0 | 60.5 | 13.72 |
| 该 harness 下的 MV (pp²) | 1.72 | 1.17 | 4.22 | — |
平均 HV 18.48 pp² 对平均 MV 2.37 pp²，比值 7.80 倍（我按 18.48/2.37 复算过 = 7.797）。换 harness 让三个模型分别动了 13.0 / 8.5 / 8.5 个百分点，而在固定 harness 里换模型只动 3.0 / 2.5 / 5.0 个百分点。9 组「模型对 × harness 对」的比较里，6 组名次发生了翻转。
两个容易被跳过的细节，我认为比主结论更有信息量：
- 跨模型方差在 H₂ 最低（1.17）、在 H₃ 最高（4.22）。 也就是说，一个中等 harness 会把模型差异抹平，而带校验机制的完整 harness 反而把模型差异重新暴露出来。这解释了一个常见困惑：为什么有人换了更强的模型没感觉，另一个人换同款模型收益明显——差别可能在他们的 harness 处在曲线的哪一段。
- 这套实验总共花了 215.79 美元、2.611 亿 token、84.4 小时串行。 这个量级说明：harness 方差不是「测不起」，是「没人报」。
论文给的解法不是「大家统一用同一个 harness」（统一本身就是一次未申报的设计选择），而是一份披露标准，作者叫 Harness Card，七层：Execution / Tool / Context / Scheduling / Observability / Verification / Governance。我把它压成一张能贴进 README 的表，放在文末「带得走的东西」。
回链：站内 《别再问谁第一：大模型 Benchmark 榜单的正确打开方式》 讲的是「一个模型不该只有一个分数」。这篇是它的下一层：一个模型在一个 benchmark 上也不该只有一个分数，除非你申报了 harness。
战线二：自动搜索——把变量交给机器
既然是变量，就能搜。这条线上最有工程含量的是《Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses》（arXiv:2604.25850，Lin 等，首版 2026-04-28，v4 2026-05-18），作者把方法叫 AHE。
它先承认了自动改 harness 的三个真实障碍：动作空间散落在很多可编辑组件里、轨迹大到有用信号被淹没、改动的效果无法归因。对应三种「可观测性」：
- 组件可观测：每个可编辑组件落成文件级表示，动作空间变显式、可回滚。
- 经验可观测：把海量原始轨迹压成分层可下钻的证据库。
- 决策可观测：每次改动必须自带一个预测，下一轮的任务级结果来判它对不对——作者的说法是让每次改动成为「可证伪的契约」。
摘要里报的数字：Terminal-Bench 2 的 pass@1 十轮迭代后 69.7% → 77.0%，超过人工设计的 Codex-CLI（71.9%），也超过 ACE、TF-GRPO 这类自我演化基线；把演化出的 harness 冻结、不再演化直接搬到 SWE-bench-verified，聚合成功率领先且比种子 harness 少用 12% token；换到另外三个模型族上迁移涨 +5.1 到 +10.1 个百分点。
最该被记住的是它的消融结论：收益来自 tools、middleware 和长期记忆，而不是 system prompt。 作者的解读是「结构性的 harness 事实可迁移，散文级的策略不可迁移」。这条如果成立，对日常写 AGENTS.md 的人既是坏消息也是好消息——反复润色提示词里的行为守则，收益上限低于把同一条守则做成一个工具或一段 middleware。它也给站内那句旧话补上了一个消融实验级别的证据：「提示词里的规则是恳求，harness 里的规则是物理法则」（见 《什么才是好的 Harness》）——原来那是个论断，现在有了「改 prompt 不涨、改 tools/middleware 才涨」的对照。
同一条战线上另外两篇，我只核到方法、没核到数字，按此标注：
- HARBOR: Automated Harness Optimization（arXiv:2604.20938，Sengupta & Wang，2026-04-22）把 harness 调参形式化成「混合变量、成本不均的受约束带噪贝叶斯优化」，求解器叠了 block-additive SAAS 代理模型 + 成本感知多保真采集 + TuRBO 信任域。它的核心主张很直接：一旦 flag 空间超过几个 bit，自动搜索就压过手工堆叠。摘要页没有给任何准确率或成本数字，只描述了实验结构（四轮人工调参对比一次端到端运行）；作者自己划的适用边界是「flag 空间有界 + 任务集可复现」。注意它和下一节那个执行框架 Harbor 同名不同物。
- HarnessBridge（arXiv:2606.12882，Wang 等，2026-06-11）走得更远一步：不搜配置，而是把 harness 本身学出来——把 agent 与环境的接口看成双向投影，观测投影把原始轨迹压成决策相关状态，动作投影把提议动作变成可执行转移或「有轨迹依据的拒绝」，端到端训练。摘要只有定性说法（在 Terminal-Bench 2.0 和 SWE-bench Verified 上「匹敌或超过」专用 harness，同时显著降 token 和轨迹长度），未给数字。
回链：站内 《会话内 RSI 深读》 讲的是自我提升里「把哪个对象定义成可变的」这个选择。AHE 恰好是把可变对象从 context（经验手册）上提到了 harness 文件层。那篇里 ACE 的失败模式（第 61 步重写手册，上下文从 18,282 token 塌到 122，准确率跌破不自我改进的基线）在这里的对应物是：harness 改动如果没有可证伪的预测和回滚，同样会一步塌掉。AHE 的「决策可观测」就是针对这个洞设计的。
战线三：训练——harness 会被吃进权重
前两条战线都还把 harness 当推理期的壳。第三条最狠：《The Interplay of Harness Design and Post-Training in LLM Agents》（arXiv:2606.25447，Kim 等，2026-06-24）把 harness 做成 ALFWorld 上的可控设计维度，然后测它和后训练的交互。
它的三个 harness 差别小到令人不适（工具 schema 全程固定）：
| 工具描述 | 每步历史里的 Valid tools: 行 | Carrying: 行 | |
|---|---|---|---|
| h-low | 一行 | 无 | 无 |
| h-mid | 一行 | 有 | 无 |
| h-high | 带前置条件、工具间关系、在任务中的角色 | 有 | 有 |
零样本情况下，就这点差别：GPT-5 Mini 从 28.1 → 68.3（+40.2）；Qwen2.5-7B-Instruct 从 7.4 → 29.0。在 Pick 2 这个子任务上，GPT-5 Mini 从 17.1 → 61.0。
后训练之后（正文表格）：
| h-low | h-mid | h-high | |
|---|---|---|---|
| 3B + GRPO | 56.0 | 61.7 | 69.7 |
| 7B + GRPO | 55.6 | 76.2 | 77.9 |
| 7B + GiGPO | 81.0 | 83.0 | 86.9 |
导语里那 14.1 分就是加粗的两格之差：3B 配 h-high 打赢 7B 配 h-low。而且这不是能事后补的便宜——只在评测时套上好 harness「几乎拿不回收益」，7B+GRPO 的训练期优势是 h-mid +20.7、h-high +22.5。
最能改变认知的是分布外那组。他们把工具 schema 改版：v1.1 只改名字和参数名，v2.0 把 13 个工具合并成 5 个、用一个离散 action 参数区分。结果：
- 7B + GRPO + h-low 在 v2.0 上掉到 2.7 分——比没训练过的基座模型（13.5）还低 10.8 分。 后训练在这里是负收益。
- 7B + GiGPO 从同分布掉到 v2.0：h-high 只掉 17.3（86.9 → 69.6），h-mid 掉 45.2，h-low 掉 47.8。
- 工具调用合法性（7B + GiGPO 在 v2.0 下）：h-high 有 95.7% 的调用格式合法，其中 34.9% 在当前状态下不可执行；而 h-mid 和 h-low 分别有 75.1% 和 81.2% 直接返回「工具格式非法」。典型失败是编出不存在的名字，比如喊
GoToLocation("shelf 1")或goto_dresser()，而 v2.0 里该走ReceptacleControl。
我的解读（这是观点，不是论文原话）：h-low 训练实际上把「猜工具名」这个策略奖励进了权重。 因为每步观测里没有合法工具集，模型只能靠记忆里的名字去赌；赌对了拿奖励，这条捷径就被固化。等 schema 一变，捷径全废，而它已经没有别的行为可退回——所以比没训练更差。h-high 之所以抗跌，是因为它训的是「先读当前可用工具再选」这个动作，而这个动作在新 schema 下依然有效。
对读者的行动含义很具体：如果你要 fine-tune 或 RL 一个 agent，harness 必须先冻结并版本化。改 harness 不是改配置，是改训练分布。 这条我没亲手复现，是从论文数字推出的工程结论。
战线四：两个必须承认的刹车
一个持怀疑态度的读者读到这里应该反问：既然效果这么好，为什么我周围没人在自动演化 harness？两个刹车都是真的。
学术刹车：可能只是搜得更多而已
《Rethinking the Evaluation of Harness Evolution for Agents》（arXiv:2607.12227，Wang 等，2026-07-14 首版，v2 2026-08-27）直接冲战线二。它指出两个方法论问题：
- 搜索混淆：harness 演化本身就是一个反复评估、修改候选的搜索过程。那它就该在匹配的反馈预算和推理预算下，跟朴素的任务级搜索（test-time scaling）比——否则分不清收益来自更好的 harness 设计，还是仅仅来自搜得更多。
- 同集调优、同集报数：拿一个公开 benchmark 的单元测试当搜索信号，再在同一个 benchmark 上报最终成绩，改进有过拟合到这个任务集的风险。
它在 Terminal-Bench 2.1 上用 GPT-5.4 和 Claude Opus 4.6 做对照，结论是自动 harness 演化「并不稳定地优于简单的 test-time scaling，且泛化有限」。摘要没有给具体数字，代码在 GitHub 上（rethinking-harness-evolution）。
值得指出的是，第 2 点其实是一条早就被提出的原则被实证打脸：Lilian Weng 在《Harness Engineering for Self-Improvement》里明确要求评估器必须留在自我改进循环之外（站内深读：《当 Harness 本身成为被优化的对象》）。「拿 benchmark 的单元测试当搜索信号、再在同一 benchmark 上报数」正是把评估器拽进了循环里。这条战线的问题不在于自动化不该做，而在于自动化跑得比它的评测规范快。
我的立场：这条批评在「同集报数」这一点上站得住，但 AHE 有一个数字不容易被它击穿——跨模型族 +5.1 到 +10.1 个百分点的迁移，以及冻结 harness 搬到另一个 benchmark 上仍然领先且省 12% token。 纯粹的任务集过拟合不该迁移得这么整齐。所以我现在的判断是：自动演化的收益上限被高估了，但它不为零；真正待补的是「在完全 held-out 的任务族上报数」这个规范。
工程刹车：中位数仓库连第二层都没打开
另一篇是实证的：《Harness Engineering for Agentic AI Coding Tools: An Exploratory Study》（arXiv:2602.14690，Galster 等，首版 2026-02-16，v5 2026-06-30，前身发在 AIware 2026），扫了 2853 个 GitHub 仓库，把仓库级配置机制归成八种：Context Files、Settings、Skills、Subagents、Commands、Hooks、Rules、MCP。八种里没有任何一个工具全支持。
采纳情况（论文只对深挖的三种给了明确计数）：
| 机制 | 仓库数 | 产物数 |
|---|---|---|
| Context Files | 2586（90.6%） | 4768 个文件 |
| Skills | 158 | 601 个（均值 3.8，中位数 2） |
| Subagents | 131 | 450 个（均值 3.44，中位数 2） |
再往里一层：601 个 skill 里 514 个（85.5%）不带任何附加资源——没有 scripts/、没有 references/，就是一份静态说明；references/ 和 scripts/ 各只出现在 35 个（5.8%）里。没有一个仓库用上 Claude Code 的 subagent 持久记忆。 工具分布上 Claude Code 1297 个仓库、Copilot 957 个，还有 493 个（17.3%）只放一个 AGENTS.md 就完事。机制间的共现强度（Cramér’s V）里最高的是 Settings–Hooks 0.36。
把两篇放一起看，落差很刺眼：前沿在搜索七层 harness 的联合配置，而中位数仓库只打开了第一层。 我的判断是这不是懒——是缺反馈信号。论文里那些 harness 收益都是对着一个能算 pass@1 的任务集测出来的，而绝大多数仓库本地没有这样的任务集，改了 harness 也不知道是好是坏，于是只能停在「写点规矩进 context file」这个不需要证据的层次。这也顺便解释了 Skills 为什么倾向静态说明而不是可执行脚本：静态文字不需要验证。
工具层：变量化的地基是 Harbor
值得单独点出来的是，测量这件事今年之所以能做，是因为有了执行层的抽象。Terminal-Bench 2.0 与 Harbor 同期发布（Merrill & Shaw；基准论文 arXiv:2601.11868，2026-01-17，85 位作者）。基准本身是 89 道终端任务，每题自带环境、人写解法和验证测试，前沿模型与 agent 的成绩「低于 65%」。
而 Harbor 是把原来的 Terminal-Bench harness 重写成了一个通用件，官方说明的三个动机正好对上本文主线：容器评测太慢，要横向扩到云上上千个容器；开发者不只想测量，还想用 SFT、RL、提示优化去改进 agent；框架和基准太碎，需要能跨部署复用的工具。换句话说，Harbor 提供的是「任何能装进容器的 agent 都能被换进来」的插槽——harness 变成可替换件，才谈得上做 3×3 受控实验。
一个边界，按二手标注：据 Polar 论文（arXiv:2605.24220，NVIDIA 等，2026-05-26）所述，Harbor 用各家原生配置启动 harness、不提供模型协议网关，所以换模型受原生 harness 支持范围限制（例如把某个开源 checkpoint 塞进 Claude Code 需要一个 Anthropic 兼容端点）。这一条我只核到了 Polar 的标题与作者，正文未读通，请自行核实。
想系统扫这个领域的话，人民大学那边维护了一份 502 篇引用的阅读清单 RUCAIBox/awesome-agent-harness（配套论文《Agent Systems with Harness Engineering》，页面上给的是 OpenReview 而非 arXiv 号），分类骨架是：harness 演化史（动作接口 → 工作区持久化 → 跨会话用户态）、harness 设计（agent 工作流 / 记忆系统 / 技能库 / 多 agent 编排）、面向 harness 的模型适配（上下文工程 / agentic 训练）、分领域基准、未来方向。它的第三章正好对应本文战线三。
带得走的东西
一、一张能贴进 README 的 Harness Card（据 arXiv:2605.23950 七层压缩）
发布任何 agent 分数时，至少填满这七行；缺哪行就说明哪行没控制。
| 层 | 最小必填 |
|---|---|
| Execution | 运行时/沙箱、最大步数、单步与整任务超时、评测入口 |
| Tool | 工具清单与数量、schema 风格、错误返回格式、哪些 middleware 对模型不可见 |
| Context | 上下文上限、排序策略、压缩/摘要方式、检索方式、缓存策略 |
| Scheduling | agent 主循环、停止条件、重试与升级策略、回滚 |
| Observability | 记了什么轨迹、检查点、可否事后审计 |
| Verification | 输出解析、schema 校验、自检、是否跑测试、最终补丁校验 |
| Governance | 权限模型、允许/拒绝清单、副作用边界、人审点 |
配套的报数规范同样值得抄：至少 2×2 的模型 × harness 网格，固定任务顺序、环境、评测脚本、API 参数和停止规则，报每个模型的 HV、每个 harness 的 MV、HV/MV 比、名次翻转次数。
二、四条战线的一页速查
| 战线 | 代表工作 | 最硬的一个数 | 对我意味着什么 |
|---|---|---|---|
| 测量 | arXiv:2605.23950 | HV/MV = 7.80×；6/9 名次翻转 | 没有 Harness Card 的对比结论，先降级为「趋势」而不是「排序」 |
| 自动搜索 | arXiv:2604.25850（AHE） | 69.7 → 77.0，跨模型族 +5.1~+10.1 | 优先把守则做成工具/middleware，而不是继续润色提示词 |
| 训练 | arXiv:2606.25447 | 3B 赢 7B 14.1 分；h-low 遇改版掉到 2.7 | 要训练就先冻结并版本化 harness |
| 刹车 | arXiv:2607.12227 / arXiv:2602.14690 | 匹配预算下不稳定占优；90.6% 仓库只有 context file | 别急着上自动演化；先给自己造一个能算 pass@1 的小任务集 |
三、一个约 19 美元的亲手验证实验
上面所有数字我都只核到了论文页面（部分是 HTML 全文、部分是摘要），没有任何一个是我亲手复现的。所以给一个成本最低的自测：
- 挑 20 道你自己项目里的真任务，写好能自动判对错的验证脚本（这一步最贵，但它正是上面「工程刹车」诊断出的那个缺失前提）。
- 造两个 harness，只改一处：工具描述从一行改成带前置条件与工具间关系（对应论文的 h-low → h-high 那两行差别）。其余全部固定。
- 两个模型 × 两个 harness × 20 题 × 2 次 = 160 次运行。
- 算 HV/MV 比，看名次是否翻转。
成本估算（我用 python3 -c 验算过）：参照论文的 3×3×100×2 = 1800 次运行花了 215.79 美元 / 84.4 小时 / 2.611 亿 token，160/1800 = 8.89%，线性外推约 19 美元、7.5 小时、2320 万 token。这是外推不是实测，实际数字取决于你的任务长度和模型单价——但量级说明这个实验属于「一个下午 + 一杯咖啡钱」，不属于「实验室级投入」。
如果你的 HV/MV 也明显大于 1，那么在你的项目里，下一步该调的不是模型。
诚实的提醒
- 本文所有数字均为核实过的来源（当场检索、逐条回查 arXiv 页面），没有一条是我亲手测出的。其中 arXiv:2605.23950 与 arXiv:2606.25447 的表格数据读的是 HTML 全文版；arXiv:2604.25850、2602.14690 的数字来自摘要与 HTML 正文；arXiv:2604.20938、2606.12882、2607.12227 的摘要未给具体数字，本文已在对应段落逐一标注。
- 关于 Harbor 换模型受限那条，来自 Polar 论文的转述，我未读通其正文，属二手信息。
- 「h-low 把猜工具名奖励进权重」是我的解读，不是论文原话；论文报的是失败现象（编造不存在的工具名）和分数，因果解释由我补的。
- 四条战线的划分是我的提炼，不是领域公认分类；
RUCAIBox/awesome-agent-harness的官方骨架分成演化史 / 设计 / 模型适配 / 基准 / 未来方向五块，与本文视角不同。
参考来源
工程实践与工具
- Introducing Terminal-Bench 2.0 and Harbor — Harbor 的三个设计动机与 2.0 的验证过程
- RUCAIBox/awesome-agent-harness — 502 篇引用的 harness 阅读清单，配套论文《Agent Systems with Harness Engineering》
- ai-boost/awesome-harness-engineering — 另一份偏工程侧的清单（工具、评测、记忆、MCP、权限、可观测性）
- Harness Engineering: Making AI Coding Agents Work in 2026 — 实践侧的五层框架（工具编排 / 校验循环 / 上下文与记忆 / 护栏 / 可观测性）
arXiv 论文
- arXiv:2605.23950 — Stop Comparing LLM Agents Without Disclosing the Harness（HV/MV = 7.80×，Harness Card）
- arXiv:2606.25447 — The Interplay of Harness Design and Post-Training in LLM Agents（h-low/mid/high，OOD 崩塌）
- arXiv:2604.25850 — Agentic Harness Engineering: Observability-Driven Automatic Evolution（AHE，69.7 → 77.0）
- arXiv:2607.12227 — Rethinking the Evaluation of Harness Evolution for Agents（搜索混淆与同集报数）
- arXiv:2602.14690 — Harness Engineering for Agentic AI Coding Tools（2853 仓库，八种机制）
- arXiv:2606.12882 — HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness
- arXiv:2604.20938 — HARBOR: Automated Harness Optimization（贝叶斯 flag 空间搜索）
- arXiv:2601.11868 — Terminal-Bench：89 道终端任务，前沿成绩低于 65%
- arXiv:2605.24220 — Polar: Agentic RL on Any Harness at Scale（仅核到标题与作者）
站内相关
- 什么才是好的 Harness：判断归模型，物理归代码 — 本文的前置：harness 的三件本职工作
- Lilian Weng 新文深读：当 Harness 本身成为被优化的对象 — 被优化对象的爬升路径，以及「评估器必须留在循环之外」
- DeepSeek Harness 开源了什么 — 一个把 agent loop 都做成可插拔件的 harness 实物
- 读 ECC：一个仓库把 Claude Code 的 harness 意见装箱发货 — 八种配置机制在真实仓库里长成什么样
- 会话内 RSI 深读 — 自我提升里「可变对象选在哪一层」，harness 演化是它的上一层
- 别再问谁第一：Benchmark 榜单的正确打开方式 — 本文测量那一节的前置
- 当 Agent 开始说「物化」：Agent 工程术语地图 — harness、verifier、轨迹这些词的坐标