清华与智谱 Z.AI 开源 HarnessPro：Agent 自己改写 harness，Terminal-Bench 2 通过率 80.8%、单任务成本降 34%

核心背景与行业痛点

Coding agent 的效果不只取决于模型，还取决于 harness，也就是包在模型外面的指令、工具和运行时策略。近来流行的做法是让 agent 根据自己的执行轨迹反复改 harness（递归自我改进），但论文指出这类方法往往用更高的成本换来更高的通过率：GPT-5.5 × Codex 在 SWE-Bench Pro 上，RHO 把单任务成本从 1.88 美元推到 2.68 美元，涨了 42.6%。对按 token 付费的团队来说，这正是痛点。HarnessPro 由清华大学与 Z.AI（智谱）等机构的研究者完成，目标是同时提分和降本。

架构亮点与底层机制

流程分三步：先由专门的 agent 诊断执行轨迹，找出失败模式、重复的工具调用和多余计算；再按不同的性能与成本优先级制定改动计划，生成候选 harness，改动范围包括指令、执行配置、工具使用策略和校验脚本；最后用 LLM 合成的测试打分，不需要标准答案或官方测试，并用归一化加权平方距离选出 Lite（省钱）、Medium（平衡）、Heavy（重性能）三档，进入下一轮迭代。

权威 Benchmark 与实测跑分对比

以下均为论文作者口径，尚无第三方复现。GPT-5.5 × Codex 在 Terminal-Bench 2 上：Heavy 80.8%、0.72 美元，RHO 76.3%、1.09 美元；Medium 76.3%、0.56 美元；Lite 72.9%、0.43 美元。三个基准平均，Heavy 相对 RHO 通过率高 2.0 个百分点、成本低 26.1%。换成 GLM-5.2 × Claude Code，Heavy 在 Terminal-Bench 2 达 81.4%、0.62 美元（原版 74.6%、0.92 美元）。每个基准只用 10 个训练任务，测试集分别为 59、100、100 个留出任务。

开发者实战落地与开箱指南

仓库 pzs19/HarnessPro 以 MIT 协议开源，附带三个基准各三档的 harness 成品。环境要求 Linux、Python 3.12 或 3.13、uv、Docker Compose 和 Codex CLI（论文用 0.147.0），克隆后运行 uv sync 和 prepare_runtime 脚本即可，基准数据和模型密钥需自行配置。实际用法上，可以先拿 Medium 档替换现有 Codex harness，看能否在通过率不降的前提下把账单压下来；成本敏感的批量任务再试 Lite。注意这些 harness 是针对具体基准进化出来的，迁移到自家仓库前要用自己的任务重新验证。