Harness 决定 AI Agent 表现：差距达 23.8 点

Claude Code 的 harness——最大化工具、上下文缓存和子 agent 编排——驱动了 23.8 分的性能差距。利用 CLAUDE.md 和 /compact 优化你的上下文窗口。

发生了什么——量化 Claude Code 优势的 Harness 研究

2026 年 5 月，北京大学的研究人员使用同一模型池，让六个不同的 agent harness 运行了 106 项任务，记录超过 5000 次运行。结果如何？最好和最差的 harness 之间存在 23.8 分的性能差距——完全来自 harness，而非模型。Claude Code 就是为了成为那个最佳 harness 而构建的，理解其中的原因能让你今天就变得更快。

这项名为 Harness-Bench 的研究表明，agent 能力应该在"模型-harness 配置"层面进行报告，而不应仅归因于基础模型。对于 Claude Code 用户而言，这意味着你的工作流——如何配置 CLAUDE.md、如何管理上下文、如何进行委托——和你使用的模型一样重要。

这对你意味着什么——你的 Harness 选择比你想象的更重要

普林斯顿的 SWE-agent 论文表明，一次向模型展示 100 行代码能修复 18% 的真实 GitHub 问题，但展示整个文件，这一比例下降到了 12.7%。更多信息，反而更差的结果。Claude Code 的 harness 围绕这一原则设计：它仔细控制模型何时看到什么。

Claude Code 的 harness 是最大化的——约 45 个工具名槽位，覆盖约 95 个工具，每个工具都有详尽描述。仅 Bash 工具的描述就跨越 39 个模板文件。这个丰富的工具面是一个深思熟虑的赌注：普林斯顿的研究表明，描述完善的工具面比裸 shell 好 64%。

但真正的洞察是 Claude Code 的上下文工程。系统提示在 __SYSTEM_PROMPT_DYNAMIC_BOUNDARY__ 处分割——其上方的内容对每个用户都是相同的，并被缓存，节省 token 并加速每个请求。

立即尝试——优化你的 Harness 工作流

将 CLAUDE.md 用作你的 harness 控制层：Claude Code 读取你的 CLAUDE.md 来塑造其上下文。包含关于项目结构、命令和常见陷阱的简洁、高信号指令。这是你对 harness 的杠杆——让它发挥价值。

练习上下文卫生：harness 只向模型展示部分对话历史。使用 /compact 总结长会话，只保留最后几个工具输出。这与普林斯顿的发现一致——将历史修剪到最近五个工具输出值 3 分。

让 Claude 委托——但只在必要时：Claude Code 的系统提示包含一个协调器块，决定何时生成子 agent。它明确警告："Subagents multiply cost and time." 对可并行、独立的任务使用子 agent，但将验证保留在你的主循环中。

利用工具描述：Claude Code 的工具描述极为详细，所以它精确知道每个命令的作用。不要对抗这一点——编写自描述的脚本和命令，Claude 就能更有效地使用它们。

缓存你的上下文：动态边界意味着静态系统提示部分是缓存的。保持你的 CLAUDE.md 在不同会话间稳定，以最大化缓存命中并减少 token 使用。

harness 不是黑箱——它是你可以影响的一系列决策。通过理解 Claude Code 的 harness 如何工作，你可以每天调优自己的使用方式，获得那 23.8 分的优势。

[Updated 17 Aug via devto_claudecode]

该研究的原始分数现已公开：最佳 harness 达到 76.2，最差 52.4，23.8 分的差距在 106 项任务和 5000+ 次运行中得到证实。[per dev.to] 这篇文章还曝光了具体的 harness 内部机制——OpenCode 的 agentic loop 在 session/prompt.ts 中是一个字面的 while (true)，而 Claude Code 的上下文工程包含一个用于缓存的 __SYSTEM_PROMPT_DYNAMIC_BOUNDARY__。普林斯顿的文件窗口实验（100 行对比整个文件）值 5.3 分，将历史修剪到五个工具输出增加 3 分，linter 阻止破坏性编辑又增加 3 分——全都是 harness，而非模型。

Originally published on gentic.news