你在比的那一层，根本不重要

这几天 Hacker News 首页挂着一个问题，一千多个赞、四百多条回复：「有人真的拿本地模型替掉 Claude / GPT 来日常写代码了吗？」底下吵成一团。一派说本地省钱、私密、断网也能跑，有人算过两张 RTX 3090，三四年就把云端订阅的钱赚回来；一派说本地还是差一截，关键时候得爬回云端。

吵了四百多条，没人质疑问题本身。这个问题里埋着一个假设：决定「能不能换」的，是模型够不够好。 好像只要本地模型的分数追上来，这事就成了。我每天靠 agent 写代码，判断正好相反——大多数人盯错了那一层。

agent 写代码，从来不是「模型吐出一段代码」这么简单。它是一个循环：读仓库、调工具、改文件、跑测试、看报错、再改、再跑。一个真实任务下来，几十上百次工具调用，模型只是这个循环里被反复调用的那个零件。真正决定这一长串会不会跑通、会不会在第 30 步把自己绕晕的，是包在模型外面那层东西——业内叫它 harness（脚手架：把模型接进工具、管上下文、处理重试和验证的那套程序，Claude Code、Codex CLI 都是 harness）。

最干净的证据，藏在 benchmark 自己的设计里。Terminal-Bench 2.1（测 agent 在真实终端里干活的榜单）这一版，Fable 5 以 80.52 分居首，GPT-5.5 76.40，Opus 4.8 71.91。但真正值得看的不是名次，是方法说明里那句：所有模型，都用同一个叫 Terminus 2 的 harness 来测。 为什么要锁死 harness？因为榜单的设计者清楚，harness 是个能把模型差距淹掉的干扰项——不固定住它，你测出来的根本不是谁的模型强，是谁的壳更好。「严肃榜单必须锁死 harness」这件事本身，就是 harness 和模型同等重要的铁证。

这在日常里更明显。SWE-Bench 那种榜单测的是「给一道封装好的题，模型能不能解」——模型在真空里的智力。可你真正的工作不是解一道题，是在一个你没读过的二十万行仓库里，改一处不碰坏另外三处，连着几个小时不丢上下文。这些榜单一个都没测。HN 那条帖子里，用本地模型的人反复说的也不是「它不会写函数」——一个 30B 的本地模型，写单个函数早就够了。他们说的是：它像个需要你手把手带的初级工程师，你得把架构给它指明、把任务切到最碎、连调试语句都得自己记得删。这些全是「连续几十步不走样」的毛病，是循环的毛病，不是智商的毛病。 而没有好 harness 兜着，前沿模型一样会在半路走样。

想清楚这一层，本地 vs 云端就换了个问法。harness 干的全是不起眼的脏活——把模型输出准确落进文件、报错了自动重试、上下文要爆了及时压缩、每改一步留个能回退的存档。这层恰恰是开放的、你自己能动手改的。我在自己的 agent 里换底层模型，输出常常没什么变化；可那次我重写了验证那一步——让它每改完必须自己跑一遍、不过就回滚——整个系统的可用度肉眼可见地往上跳。模型在变成水电，harness 才是你真正能攥在手里的杠杆。

所以那个 HN 问题，我会换成一句话来答：别问本地模型够不够格替掉 Claude，先问你那个循环够不够稳——稳到换哪个模型进去都照跑。harness 糙，再强的云端模型也只是帮你把翻车点往后挪几步；harness 稳，本地模型能接管的那天，会比榜单告诉你的来得早。

值得换的从来不是模型，是你包在它外面那层东西。