复杂 Harness 不如多想？Surge +「Harness 买 token」对照
对照 Surge（固定 Opus 5.5、sudo L7）与山大预印解读：拉高 thinking 约 +11.3 分远大于 harness 插件 2–3 分；8032 次试验里换 harness 过关≈重跑噪声（约 13%），同价表成本可差约 3×。建议先拧 thinking、把 harness 当成本杠杆，并附 5 条自检。
复杂 Harness 不如多想？Surge +「Harness 买 token」对照
给活动报名系统加一条改动：确认邮件里带上 Zoom 链接和密码。听起来像十分钟就能收工的小事。Surge 测过的一套「豪华」配置却派出了 17 个评审 agent——五个审计划（可行性、范围、安全），五个找简化空间，七个审代码——外加 37 个 skills。结果呢？谁都没拦住真正要命的那条：确认邮件在付款前就发出去了，没付钱的人也能拿到 Zoom 密码。
堆 skills、多开评审 agent，不等于更好的验收。这不是段子，是 Surge 2026-11-03/04 的 coding-agent harness 基准 开场案例。同一周，Anaz 对山大预印《What Does a Harness Buy? Tokens, Mostly》的解读又补了一刀：固定模型换 Claude Code / mini-SWE / OpenCode，过关率往往掉进重跑噪声里，账单却能差约 3×。
两篇合在一起，独立开发者能带走一句很硬的话：Harness 主要拧的是账单，多想（thinking effort）和换模型才更像质量杠杆。
说明：文中数字与实验设定均据 Surge 原文、Anaz 对山大预印的解读转述；本文未在本机复现任何 harness 对比，也不编造本机实测。拾光外派与 ByteAsk「乱装更贵」只作轻对照，不当主线证据。
一、开场漏坑：17 个 agent 仍没挡住「未付款拿 Zoom」
Surge 的问题很直白：最近几个月 coding agent 周边出现了 skills、插件、多 agent 工作流的「寒武纪爆炸」——有人用 vanilla Claude Code，有人搭起规划/评审/监督的小官僚体系。感觉都很高级，但是否真的写出更好的软件？
他们把模型钉死在 Opus 5.5，在自研的 sudo L7 上测（真实代码库、常欠指定、按员工级工程判断打分，不只看测试绿不绿）。Harness 对比用 medium thinking；另加一组 vanilla 拉到 xhigh。核心问题只有一句：模型不变时，改周围工作流能换来多少改进？
开场那个 Zoom 案例，价值不在嘲笑某一套 harness，而在暴露验收盲区：大家共享了同一个错误假设（「按用户字面要求改邮件」），多几个 reviewer 也只会把错误审得更精致。多 agent ≠ 多视角；同一前提复制 17 份，还是同一前提。测试套件全绿，也挡不住「未付款拿到入场密码」——这正是 sudo L7 想测的那类员工级判断，而不是「diff 能不能编译」。
二、Surge：拧 thinking，比堆 harness 更划算
据 Surge，固定 Opus 5.5、在 sudo L7 上对比四套 Claude Code 配置，再加上「不改 harness、只加 thinking」：
| 做法 | 相对增益（约） | 成本侧（约） |
|---|---|---|
| Vanilla，thinking 提到 xhigh | +11.3 分 | 相对 medium vanilla 约 3.5×（Surge 文内建议档） |
| Superpowers（强计划/测试纪律插件） | +2.4 分 | 约 ×1.1 |
内置 /goal + /code-review |
+3.3 分 | 约 ×1.8 |
| Compound Engineering 类编排 | 无统计清晰增益 | 自称约 8× |
一句话：thinking 的抬升远大于 harness 插件那 2–3 分。 你花一下午拧复杂 agent 编排之前，先问有没有拧过更简单的那根旋钮。
xhigh 相对 medium，在 sudo L7 分项上据 Surge 的提升更「验收到位」：
- Verification & Thoroughness：+14.9
- Persistence：+9.8
- Thought Partnership：+7.0
视频剪辑任务是个好例子：用户要求把「第一段 clip 缺失就崩溃」改成可选。Medium 修了表面原因就交差（14/100，0.12**）；xhigh 继续追，发现 fallback 路径仍假设第一段存在（**100/100，0.41）。多花约 29 美分，从坏修复变成能用的修复——据 Surge 原文表格。
Surge 自己的实用建议也很克制：vanilla 已是强基线；要便宜增益看 Superpowers；要更完整收尾看 /goal+/code-review；质量优先于成本时先加 thinking；上复杂多 agent 前，用自己的任务集 benchmark。他们也诚实说：还没测「xhigh + /goal + code-review」叠在一起会怎样，也没在相同美元/时间预算下全面对照。
三、山大预印解读：过关≈噪声，账单可差约 3×
Anaz 解读的核心句几乎可以直接当小标题：Your coding agent harness sets the bill. The model sets the score.（Harness 定账单，模型定分数。）
据解读：Liu & Han（山东大学）预印《What Does a Harness Buy? Tokens, Mostly》，8032 次试验；固定模型，轮换 Claude Code / mini-SWE-agent / OpenCode（版本钉死、一容器一 trial、300 步预算）；模型覆盖本地与托管（两款 Qwen on vLLM，以及 DeepSeek-V4-Flash、GLM-5.3-Flash、HY4-Preview 等；Claude Opus 5 仅作 Claude Code 侧锚点）。发布表覆盖 Verified 中 492/500 题。
脚手架跨度很大：
- mini-SWE：基本只有 Bash，前言约 829 token；
- Claude Code：文件编辑/搜索、长指令、自动压缩历史，前言约 16,581 token——在你的 issue 陈述之前就先吃掉一大截（解读称 issue 陈述本身约 554 token、各臂相同）。
1. 难任务上，换 harness ≈ 重跑噪声
在 45 道最难任务上，据解读：
- 什么都不换、只重跑：翻转率中位约 13%；
- 换 harness：约 13%；
- 换模型：约 22%。
也就是说，harness 效应坐在重跑噪声地板上。任务级「谁赢」复现像抛硬币：六组 harness 对、各跑两次，5 题两次同向分裂，7 题两次反向。在 447 题池上，Claude Code 与 mini-SWE 在两款 Qwen 上通过了作者的 5 分等价检验（差距约 1.8、1.4 分）。
OpenCode 有一处越过噪声的效应，但是亏损：大池上最多落后约 9.2 分，约一半来自 32k 输出截断。解读提醒：Qwen 臂给 Claude Code 的墙钟（约 36,000 秒）与 OpenCode（约 5,760 秒）不对称，赤字应视为设置敏感，不宜当产品终审判决。
2. 同价表任务成本可差约 3×；小 preamble 不保证便宜
同一模型、同一任务、同一价表，成本可差约 3×。解读举例：某次 GLM-5.3-Flash trial，Claude Code 1.81 元、mini-SWE 0.97、OpenCode 0.56。差距在首包就定了调——Claude Code 固定输入约 17,135 vs mini-SWE 约 1,382——再被步数放大（该模型上均值约 88.1 / 80.2 / 55.1 步）。
DeepSeek-V4-Flash 则把排序翻过来：最小 harness 跑了约 141 步 vs Claude Code 约 104，transcript 越积越厚，最终反而最贵（约 1.02 vs 0.98 元）。短系统提示 ≠ 小账单——步数会吃掉你以为省下的前言。
缓存命中率即使到 96–99%，也难翻序：折扣能缩小发票，但大 preamble 折完往往仍更贵。盯两件事就够：首包 input，以及 每任务步数。
3. 关掉 thinking：谁在替推理干活？
一处小 ablation 含义很大。thinking 关掉后，Qwen3.6-35B-A3B 在 Claude Code（约 +2.2）与 OpenCode（约 +3.4）几乎不动，但在 mini-SWE 掉约 11.1 分（p=0.04）。脚手架（工具、压缩、长指令）在替 reasoning 干活——买到的是「最小 harness 做不到的那部分工作」，不一定买到更高过关率。
4. 网页开着会「抄上游」；<5 分差距先问 rerun
侧发现值得所有人做 agent 评测时抄作业：开网页时，DeepSeek/Qwen 的 312/439 次 trial 直接去 GitHub 抓上游 fix，过关约 96% vs 从不碰网约 71%；Claude 模型侧约 4/445。作者整批丢弃联网结果，并在网络层强制离线——不是靠 prompt 说「别查」。Prompt 禁令不是控制。
功效分析同样可复用：按观测到的分歧率，45 题抓 13 分差距只有约一半把握；447 题池大约能分辨 5 分。有人甩给你「2 分 harness 胜利」时，正确反应就一个词：rerun。少于约 450 题的对照，最好再要两份。
四、两文合成：先拧 thinking，再挑可操作 harness
把 Surge 与山大预印对照读，实用结论其实很收敛：
- 质量优先时，先拧 thinking / 换更强模型，再谈花哨编排。Surge 里 xhigh 的 +11.3 远大于插件 2–3；预印里换模型翻转约 22%，换 harness 约 13%（≈重跑）。
- 把 harness 当成本杠杆，把模型当质量杠杆。 选你能运维、能看账单的那套壳；别为了多 2 分去背 8× 编排。
- 轻量、可操作的 harness 可以留。 Superpowers 约 +2.4 / ×1.1、
/goal+/code-review约 +3.3 / ×1.8——有增益、账目清楚。复杂多 agent 先自测，别信星标。 - 验收要独立于「执行方」。 Zoom 漏坑说明：同一假设下的多 reviewer 救不了产品判断。公开仓 shiguang 一类「外派 + 独立验收」叙事，方向上就是在防这种共谋式漏审——本文不展开私有实现细节。
- 乱装也会更贵。 上午素材里 ByteAsk「强开 LSP 更贵」一类观察，和本文同向：多挂一层能力，先问首包与步数，再问分数。不要默认「多装 = 更强 = 更省」。
还没测清的事也诚实挂着：xhigh 与轻量插件叠用是否更好？相同美元预算下谁赢？单一基准（sudo L7 或 SWE-bench Verified）外推要留余量。小样本上的华丽胜利，优先当假说，不当制度。
对照日常体感，也别把「vanilla」神化。Vanilla 强，是因为在 Surge 这组任务与固定 Opus 5.5 上，它已经吃满了模型本身的判断力；你的仓库若长期依赖项目约定、内部 API、私有规范，轻量 skills 仍可能有用——只是要把增益写成「可复现的 A/B」，而不是「装完感觉更专业」。账单侧同理：Claude Code 那约 1.6 万 token 前言不是缺陷，是你买到的产品能力；该问的是这笔固定成本有没有换来更少步数或更稳的验收，而不是星标数。
五、给独立开发者的 5 条自检
只读、可执行，不要求你本周重搭整套 harness：
- 先记两笔账再改配置：当前默认会话的「首包 input token」与「典型任务步数/轮数」。改 skills、MCP、多 agent 前后各记一次，看账单是否被悄悄抬高。
- 质量旋钮优先于编排旋钮：同一任务，先试更高 thinking / 更强模型各一轮，再决定要不要上 37 skills。若 xhigh 已经过线，复杂 harness 的 ROI 要重新算。
- 任何 <5 分的 harness 宣称，先要 rerun（最好同配置跑两次）；任务数明显少于约 450 时，把结论标成「初步」。
- 评测默认离线：能在网络层掐网就掐；不要只靠 system prompt「禁止查阅上游」。开网页的 trial 与离线 trial 必须分开记账。
- 验收与执行拆开：改产品逻辑（付款时机、权限、对外邮件）时，至少留一个不共享同一套 plan 假设的检查——可以是另一模型、人工清单，或独立脚本。多 agent 同温层审查，挡不住「确认邮件提前发」这种业务坑。
可选加一条：装插件前读 SessionStart / 长 preamble / 自动派发 reviewer 的配置——它们既改行为，也改首包成本。上午 ByteAsk「乱装更贵」与本文「harness 买 token」是同一张发票的两面。
落地时可以用一张极简对照表（自己填，不求实验室精度）：
| 旋钮 | 你改了什么 | 同一任务分数 | 美元/人民币 | 首包 input | 步数 |
|---|---|---|---|---|---|
| 基线 | medium + 当前 harness | ||||
| 多想 | 仅提高 thinking | ||||
| 加插件 | 仅加某一 skills/插件 | ||||
| 换壳 | 换另一 harness（若有） |
连续两周填下来，通常比再读一篇「神级 workflow」更能决定你要不要继续为 8× 编排付钱。
六、结尾：少一点官僚，多一点可测的拧法
独立开发者的时间预算里，「下午搭一套像大厂的 agent 官僚」诱惑很大。Surge 提醒你：有时只是把 Zoom 密码更隆重地发给了未付款用户。山大预印提醒你：你可能主要为前言和步数付了 3 倍钱，过关率却还在重跑噪声里。
可行动作收束成四步：
- 今天打开你最常用的 coding agent，看一眼默认 thinking 档位与首包体量。
- 挑一道自己真实踩过的小任务，medium vs 更高 thinking 各跑一次，只比验收清单，不比「感觉更专业」。
- 若在用重型 skills / 多 agent：用同一任务集做一次 A/B，记下分数、美元、步数；没有清晰增益就降回轻量。
- 写进个人 checklist：
<5 分 harness 差距 → 问 rerun；开网页评测 → 不当数。
复杂 harness 可以有，但应排在「多想」和「换对模型」之后，并且随时能被你自己的数字解雇。否则你买到的，多半是 token，不是判断力。
参考
- Surge（2026-11-03/04）：We Benchmarked Coding Agent Harnesses. Thinking Harder Beat All of Them.
- Anaz 解读（2026-11-03）：Your coding agent harness sets the bill. The model sets the score.（对应山大预印 What Does a Harness Buy? Tokens, Mostly，Liu & Han）
- Surge sudo L7 背景（同源站点，扩展阅读）：sudo L7: Can Coding Agents Act Like Staff Engineers?