HarnessTax：成功率几乎不动，壳却能让你多付一倍
大家好，我是珂抖屁。
一人公司买 Agent，发票上写的是模型名，真正从账户里扣钱的，常常是 harness——壳。系统提示有多长、工具 schema 有多厚、每轮往上下文里塞多少「脚手架」，都会变成 token 税。税高不高，榜单上的成功率未必告诉你。
Ion Stoica（@istoica05）转发并点名的一组公开评测，把话说得很刺：他们把 7 个模型 放进 Claude Code / Codex / Pi 三套编码壳里跑，发现一个扎眼的结果——壳对任务成功率影响不大，对成本影响很大。 Melissa Pan 等人的公开线程把它叫成 hidden 「harness tax」。
这篇文章只做一件事：把公开结论讲明白，并落到一人公司的采购口径——采购单元该是 harness，而不只是模型名。
公开数字先摆上桌（并写清出处）
公开评测示意·Fable5·SWE-bench Lite·非自测。
以下数字来自评测方公开线程（Melissa Pan 等；Ion Stoica 转发），不是我自测：
在 SWE-bench Lite 上，以 Fable 5 为例：
•Claude Code：约 97.8% 成功率，约 $1.33 / rollout
•Pi：约 96.7% 成功率，约 $0.67 / rollout
成功率只差约 1.1 个百分点，成本却接近 一倍。线程还写：两侧平均轮次几乎一样（约 15.3–15.4 轮），但 Claude Code 首轮上下文均值超过 Pi 的约 10 倍——更长的指令、更大的工具 schema，是「税」的一个可见来源。
评测方同时强调：Claude Code 仍可能站在该基准的成功率前沿；但 Pi / Codex 常能在相近成功率下更省钱。若你只按成功率选壳，就可能默默多付 harness tax。
（再次声明：这是公开评测/报道口径；换数据集、换模型档位、换定价，数字会变。一人公司拿它当「方向标」，别当「我的账单保证单」。）
三个结论：壳、简、原生
公开线程把发现收成三条，我用一人公司语言翻译一下。
1. 壳主要改的是成本曲线斜率，不是智力开关 同一模型换壳，成功率常常差不多；贵不贵，差很多。采购时如果只锁「模型智商」，会漏掉最大的浮动项。
2. 简单壳可以很能打 Pi 被描述为主要靠 read / write / edit / bash 四个工具，仍能走到公开基准的帕累托前沿附近。这说明：日常编码 Agent 未必需要无限加工具挂件。挂件越多，schema 越厚，税越重。
3. 「原生壳」不一定最好 线程举例：某些 GPT 路线在 Pi 上成功率可以高于在 Codex 上；某些 Opus 路线在 Codex 上可以高于在 Claude Code 上。模型与壳共同训练的故事很性感，但跨壳泛化在今天的公开结果里成立——别迷信「官方壳 = 官方最佳」。
三条合起来，打掉的是一种采购迷信：贵壳 = 更强，官方壳 = 最配。 更强的可能是「刚好够用的壳 + 选对的模型」。
税从哪里来：轮次相同，账单不同
最反直觉的，是「轮次差不多，钱差一倍」。一人公司容易误判成：贵的壳一定多干了活。公开解释指向另一件事：
•每轮携带的 固定上下文（长系统提示、大工具表）
•工具结果的序列化与回灌方式
•harness 自己的记账与摘要策略
于是出现典型账单结构：模型推理费 + 脚手架费。脚手架费不出现在产品海报上，但出现在月末。
相关公开讨论里，也有团队在别的模型/自托管设定下观察到：换壳可让同任务花费差到接近一倍量级（例如 aistack 对 Claude Code / Codex / Pi 的成本对照）。方向一致——壳是一等公民成本项。
你若只看「成功了没」，会觉得大家都差不多；若看「成功一次要花多少」，壳的差距会突然变得很难忽略。
一人公司怎么采购：把 harness 写进单元
模型 × 壳联合选型概念图；未公开全表数字不填。
我给自己的采购表，只留四行：
| 采购问题 | 别再只问 | 改问 |
|---|---|---|
| 聪明吗 | 唯一切换模型 | 模型 × 壳 的成功率是否够用 |
| 贵吗 | 看官方标价 | 同任务下三壳账单差多少 |
| 稳吗 | 看演示 | 默认权限、可重复性、失败是否可恢复 |
| 绑死吗 | 品牌忠诚 | 换壳迁移成本（指令文件、MCP、CI） |
操作上更具体三点：
•默认壳选「够用且安静」的，高峰任务再上重壳。
•评测自己的高频任务 10–20 条，比背 SWE-bench 更有用；公开数字只负责叫醒你。
•合同与预算按「模型+壳」打包，否则财务只看见模型名，技术债在壳上。
再补一条现场纪律：新壳上线先跑「只读 + 小改」一周，再开大重构。税要量，风险也要量。
什么时候该付税
不是所有税都该逃。公开线程也区分了场景：
•日常编码接口：模型越强，越可能少需要花活脚手架 → 优先成本与可靠性。
•能力边界上的难题（科研、超复杂编排）：结构化更强的壳仍可能值回票价。
一人公司的经验法则：日更任务逃税，尖端任务付税。 把「重壳」当成偶发武器，而不是默认桌面。
付税的正当理由通常长这样：你需要更强的权限门禁、更完整的审计、更稳的多代理协调、或明确更高的尖端成功率。若只是「默认就很厚」，那更像习惯，不像投资。
读公开评测时，一人公司要防的三种误读
误读一：把某一个模型的例子当成所有模型的定律。 线程里的 $1.33 与 $0.67，明确挂在 Fable 5 + SWE-bench Lite 上。换模型，税差可能更大，也可能更小。
误读二：以为省钱壳一定更弱。 公开结论的刺点，恰恰是成功率几乎不动。弱不弱，要看你的任务分布，不是看账单是否好看。
误读三：看见「原生壳不一定最好」就立刻全家迁移。 迁移本身有税：指令文件、权限、CI、同事习惯。正确动作是并行抽样，而不是昨夜激情重装。
把这三条贴在显示器边，你就不容易被一张对比图带跑。评测负责叫醒；你的抽样负责决策。
和今天另外两条新闻的合读
同日附近还有两股噪音：DeepSeek Harness 在推远程 / 组队 / 界面控制的工作台；编码默认壳有人从 Claude 侧切向 Codex。HarnessTax 把底层逻辑补全了——
•工作台在变厚（能力）
•默认壳在换手（手感）
•税表提醒你：厚与贵不是一回事，手感与账单也不是一回事
选壳时同时看三列：成功率、$/任务、日摩擦（废话与确认）。少一列，都会在月末或情绪上还款。
写在最后
模型是引擎，harness 是变速箱和车身。公开评测最有用的一句话，不是「某壳垃圾」，而是：请把模型与壳一起选。
对一人公司，我把口号落成可执行的一句：
采购单元 = 模型 × harness；成功率差不多时，优先打掉 harness tax。
下次有人只甩一个模型名跟你报价，你可以礼貌地回一句：壳呢？成功率呢？单次任务成本呢？三问齐，才像 2026 年的采购。
（依据：@istoica05 公开帖；Melissa Pan 等公开线程关于 7 模型 × Claude Code / Codex / Pi、SWE-bench Lite 上 Fable 5 的约 97.8%/$1.33 vs 约 96.7%/$0.67，以及首轮上下文约 10× 等说明。文中数字均为公开评测口径，非本号自测。）