Harness正在如何改变token经济学

过去两年，围绕大模型商业模式的讨论，常常被压缩成一个看似简单的问题：每百万 token究竟多少钱。于是，行业里最常见的比较方式，变成了谁更便宜，谁更省，谁更适合大规模调用。

但是，当智能体开始变成长时运行、分工协作、反复评估的系统之后，token 的价值单位正在发生“漂移”。衡量一个模型，除了看它生成一段文本要花多少钱，还要看它把一个任务可靠做完，最终要花多少钱，而且后者越来越重要。

Anthropic最近用一篇工程文章，探讨了如何为长时间应用开发设计智能体。把单智能体和全套 harness放在同一任务上正面比较，如用 Claude Opus 4.5 做一个 2D 复古游戏制作器时，solo 版本运行 20 分钟，成本 9 美元；全套harness 运行 6 小时，成本 200 美元，表面上贵了二十多倍。

但二者的差别并不只是“一个更贵，一个更慢”，而是结果层级完全不同。单智能体虽然做出了界面，但真正试玩时核心游戏逻辑是坏的，实体不响应输入；全套 harness 则把一句话需求扩展成 16 个功能点、10 个 迭代周期（sprint） 的完整规格，并且做出了更多真正可用的功能，包括动画、行为模板、音效、AI 辅助生成和导出分享。

这个对比揭示出一个新的经济学事实：在智能体时代，token 的主要用途不再只是“把东西生成出来”，而是把一个看似完成的演示，变得真正能用。

也就是说，harness 正在迫使我们从token 单价转向结果单价。在旧范式里，一次调用往往对应一轮问答，token 成本和输出长度大体挂钩，所以价格越低越有优势。可一旦任务变成长时软件开发、复杂工具调用和多轮自我修正，成本的决定因素就不再只是模型输出了多少字，而是系统为了得到一个可靠结果，要经历多少轮规划、执行、测试、返工和重新生成。具体而言，上下文重置虽然能缓解长任务中的一致性崩塌和“上下文焦虑”，但代价是额外的 调度复杂性、token 开销和延迟。换句话说，harness 不是免费的工程包装，而是一种明确增加 token 消耗的结构性投资。

这就引出了 harness 改变token 经济学的第一重机制：它把 token 从内容成本变成了控制成本。

在 Anthropic 的前端设计实验里，生成器和评估器形成了一个循环，评估器用 Playwright MCP 实际操作页面、截图、打分，再把批评反馈给生成器。这样的循环通常会跑 5 到 15 轮，完整一次可持续四小时。这里消耗的大量 token，并不是为了让模型多写几段 HTML，而是为了让模型在一个可验证的反馈回路里不断偏离默认答案，逼近更好的答案。token 的作用从一次性生成，转向了长程控制、外部校验和方向修正；它买到的不是文本，而是路径。

更深一步看，harness 还重排了token 在整个工作流中的分布。数字音乐站（DAW）的实验给出了一组很有启发性的账单。也就是说，在一个复杂智能体式编码系统里，真正吞噬预算的并不是思考和审核，而是做出；但决定这笔大额生成支出是否有效的，恰恰又是那笔相对小得多的规划和验证开销。便宜的规划器与评估器，在某种意义上成了昂贵的构建器的资本监督者。token 经济学因此需要用少量监督 token，约束大量生成 token ，避免浪费。

这正是 harness 改写成本结构的关键所在。过去人们习惯把 质量保障 （QA）、规划、代码审查看成模型之外的附属环节，现在它们本身成了 token消费的一部分，也成了产出质量的一部分。而且评估器发现的，都不是表面瑕疵，而是能直接导致功能失效的深层 bug，例如拖拽填充未真正触发、删除条件判断错误、API 路由顺序导致 422 返回。

单智能体最大的问题，不是风格不够好看，而是会生成看起来像成功、实际上并未打通逻辑的伪成品。harness 的作用，就是用额外 token 把这种“伪完成”打碎，让系统从演示性产出走向可验证产出。于是，token 的边际价值也改变了：最贵的 token 未必最重要，最能减少返工和幻觉的 token 才最值钱。

harness 的价值不是固定的。随着 Claude Opus 4.6 发布，作者开始主动拆除原先在 4.5 时期十分关键的脚手架。Opus 4.6 更会规划、更能维持长时间智能体任务、更能在大代码库中稳定工作，也更擅长代码审核和消除bug。于是，原先依赖迭代拆解和频繁评估器介入的结构，被明显简化了。对那些已经落入Opus 4.6 自身能力边界之内的任务，评估器会变成不必的开销。这说明 harness 并不是越多越好，而是只在模型能力边界附近最有经济价值。模型一旦内生地学会了某些能力，原先承担补偿功能的 harness 组件就会从“投资”变成“税负”。

因此，harness 改变token 经济学的第二重机制，是让成本结构变成动态的、边界驱动的。

每一个 harness 组件，本质上都编码了一个假设：模型单独做不好这件事，所以要用外部结构来补。每个 harness 组件都体现了关于模型自己做不到什么的判断，而这些判断需要不断压力测试，因为模型进步很快，旧假设会迅速过时。于是，今天值得花的 token，明天可能就不值得花了。token 经济学不再是一个固定价目表，而更像一张随模型能力移动的边际收益曲线。

放到商业背景里看，变化会更清楚。Anthropic 当前官方定价已经开始对低延迟、合规性和高能力单独收费。Claude Opus 4.6 的快速模式是标准价的 6 倍，输入和输出分别是每百万 token 30 美元和 150 美元；如果要求美国境内推理，还要在所有 token 类别上加收 1.1 倍。OpenAI也在走类似方向。

再看OpenAI。GPT-5.4 标准短上下文输入为每百万 token 2.50 美元，输出为 15 美元，而一些区域处理还要加收 10%；同时，内建工具所消耗的 token 也是按所选模型的 token 费率计费。这里隐含的商业逻辑是：在智能体时代，用户买的已经不只是“文本生成”，而是速度、验证、工具调用、地域处理和长时执行这些系统能力。harness 越成为主流，token 就越像生产流程中的通用燃料，而不是聊天接口里的字数费用。

所以，harness 正在如何改变token 经济学？它把 token 从一个静态的计量单位，变成了一个动态的组织资源。以前它是关于一次调用用了多少 token；现在是关于这些 token 分别花在了规划、生成、验证、返工和工具调用的哪个环节，它们有没有减少失败、有没有提升完成率、有没有把一个像样的结果推到真正可交付的结果。

在这个意义上，未来最重要的价格指标，可能不再是每百万 token 单价，而是每完成一个真实任务的总成本，每减少一次返工所节省的预算，以及每提高一个成功率百分点所需要付出的边际 token。行业真正在意的，并不是 harness 比单智能体更贵，而是智能体时代真正昂贵的，从来不是 token 本身，而是失败、返工和伪完成。harness 之所以重要，不是因为它让 token 变多了，而是因为它开始决定哪些 token 值得花，哪些 token 只是白白燃烧。

最后，弄懂了harness/token经济学，你还去争论大模型和harness哪个重要吗？

--

参考：

https://www.anthropic.com/engineering/harness-design-long-running-apps

https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents