同一个大模型换AI Agent harness 评分从59.1涨到83.9

同一个模型，只换 Agent harness，分数能从 59.1 涨到 83.9。 模型一点没变。 harness 可以简单理解成 AI 外面的那套工作系统，负责怎么记忆上下文、怎么规划、怎么调用工具、什么时候停。 我知道 harness 很重要，但真没想到差距能大到这个程度。 而且更夸张的是 token 消耗。 数据放评论。

同一组 xBench 实验： Claude Code：559K tokens Codex：680K OpenCode：1.157M JIT-Agent：212K 最后 JIT-Agent 分数还是最高的，82。 这数据真的很有意思。 有些 Agent 看起来一直在疯狂干活，调用一堆工具、跑一堆步骤、烧一堆 token，最后结果还真不一定更好。

JIT-Agent 的思路其实很好懂。 它会先看你要做什么，再现场决定这次任务该怎么记忆、怎么规划、怎么调用工具、怎么执行。 搜索任务可以一套。 旅行规划可以另一套。 以后甚至还能把以前效果好的 harness 存下来，下次继续用。

所以我现在更在意 Coding Agent 的 harness 了。 Claude Code、Codex、Cursor、OpenCode，就算塞进去同一个模型，最后表现都可能差非常多。 很多时候你觉得某个 Agent 更聪明，差距可能就藏在模型外面这一层。 论文：

这篇论文真正提出的东西叫 JIT-Agent。 它的核心思路很有意思： 先看任务，再现场生成一套最适合这个任务的 Agent harness。 也就是连怎么记忆、怎么规划、怎么调用工具、怎么组织执行，都可以根据任务动态变化。 效果好的 harness 还可以被保存下来，以后遇到类似任务继续复用。 等于开始让 AI 连自己的工作方式也一起优化了。