同一个AI模型，换一套办事流程，表现可能就变了。好比给同一位员工不同的说明书、工具箱和检查制度，最后交出的成果自然不同。HarnessOpt-Bench因此不只测模型权重，还测它能否优化Agent harness——包围模型的整套运行外壳，包括提示、工具、记忆、控制流和编排规则。
评测中，模型拿到一套初始外壳、带评分的反馈和固定测试预算，可以修改整个代码库，最后提交一个版本。真正计分使用搜索期间不可见的留出测试集；受信执行环境还会限制资源、保存每版方案，避免靠偷看答案或无限试错取胜。
作者在4项任务上测试5个前沿模型，共完成111次计分运行。结果显示，在统一编码外壳下，不同模型之间的差距，平均大于同一模型改用原生外壳带来的差距；原生外壳也没有稳定优势。重点不是“模型不重要”，而是Agent能力来自模型与外壳的共同作用，评测若只报模型名，仍漏掉了系统真正如何完成任务。