评估 coding agent 时，为什么不能把模型能力和 harness 能力混成一个总分看？

因为最终表现是“模型 × harness”的乘积，不是单一来源。

同一个模型，换个更强的 harness，结果可能大幅改善；同一个 harness，换模型也会变。把两者混成一个总分，容易得出错误结论：你以为自己在评模型，其实更多评到了工具链和控制面。

更合理的看法通常是分层：

• 模型层：推理、代码生成、理解能力
• harness 层：上下文管理、工具路由、验证、恢复、审批
• 系统层：整体验收结果和成本

如果不拆层看，很容易把“工具链优秀”误当成“模型更聪明”，或者把“控制面差”误当成“模型不行”。