#Terminal-Bench

同一模型跑分差22分：Agent Harness才是关键变量

同一模型在不同 harness 下 Terminal-Bench 2.0 得分相差 22 分：Opus 4.6 从 60.45% 到 82.02%，GPT-5.5 从 66.07% 到 88.09%。本文解读 agent harness 的五层架构、主流 SDK 对比、最小 Python 循环实现，以及成本追踪、权限与沙箱等工程要点。