一个学了三年怎么用螺丝刀的人，换个名字就忘了怎么用——Growing Harness 说的是把"怎么用"从人脑搬进代码
这篇的核心主张很直接：别让模型在每个任务的上下文里重复重建同一套控制逻辑，把这部分变成可复用的代码，LLM 只留给真正需要语义推理的部分。效果是 LLM 调用减少 76.0–91.8%、部署成本降 74.4–98.6%。数字我逐个核过了，方法也核了，有几处论文自己打了折扣而转述没跟。
一、45% 这个稳定性的来源，比"更聪明"朴素
WebArena-Verified 上，Growing Harness 三个模型规模的成功率是 45.3 / 44.7 / 45.3——几乎不随模型变化。而 Tool-Calling 基线是 30.0（120B）→ 12.7（20B）→ 6.7（4B）。
4B 那一格是整篇最刺眼的地方：同一个 harness，4B 干出 45.3%，Tool-Calling 的 4B 只有 6.7%。差 6.8 倍。
反过来看，4B 模型的能力差距并没有消失，只是被 harness 吸收了。原文有一句限定词，转述的时候常被抹掉：
"Its value depends on reusing the learned harness enough to offset offline optimization."
只有同一个 harness 被复用足够多次，省下的在线成本才盖得住离线优化。这是一笔有门槛的账——任务流必须同源。论文自己列了这条限制：目标是把训练任务学到的控制行为迁移到同一分布内的新任务，没有证明一个 harness 能跨完全不同的任务域或工具接口。
【直引】部署侧还有一句硬要求："Real deployment also requires sandboxing, explicit permission boundaries, and validation of generated code." 生成的 harness 代码不能未经审查直接上线。
二、消融表里有一格被抹掉了：没有回滚会先涨后跌
BrowseComp-Plus、gpt-oss-20b 部署、GPT-5.6-terra 优化器、只跑 10 步优化、单次评测：
- 完整方法：36.0%
- 去掉 function-level 定位：18.0%
- 去掉 gate validation：22.0%
- 去掉多失败联合窗口（K=1）：28.0%
这两个数摆在一起看才有意思：定位失败的那一格掉得最多（36→18，掉一半），但 gate 掉到 22 之后还有个先涨后跌的过程。定位是骨架，gate 是刹车——没骨架车开不动，没刹车车开太快会翻。
三、只看百分比会被置信区间骗
原帖说"六个设置中五个取得最高平均成功率，第六个仅差 0.7pp"。这个说法准确，但我核了完整的表，得提醒两件事：
第一，那 0.7pp 的差距，置信区间半宽是 ±11.7 和 ±12.6。Tool-Calling 40.0 ± 11.7，Growing Harness 39.3 ± 12.6。也就是说这两个数在统计上完全分不开。
第二，全篇的区间半宽都在 ±10 到 ±13.4 之间。WebArena-Verified 上 Growing Harness 45.3 ± 13.4，Tool-Calling 120B 是 30.0 ± 11.4。基准只有 50 个 final tasks，跑 3 次。
论文全程说的是"最高平均成功率"，没做显著性检验，也没这么宣称。这个自我约束是对的——但读者容易把"五个设置里最高"读成"统计显著领先"。
【判断】比百分比更该看的是那张成本表。BrowseComp-Plus + 120B：Tool-Calling 32.7 次调用 / $6.70，Growing Harness 6.0 次 / $0.87。调用次数从 32.7 掉到 6.0，差 5.5 倍，而成功率还涨了 9.3 个点。这一格的成本收益是硬账，不依赖显著性。
再看 WebArena-Verified + gpt-oss-20B：22.3 次 / $0.39 → 1.8 次 / $0.03。调用次数只剩十八分之一。
四、有一个数论文没写，但它决定这套方法能不能商业化
离线优化那侧的成本，被明确排除在报告之外了——"报告的成本不包括 evaluator 和 offline optimizer 调用"。
所以 74.4%–98.6% 这个降幅是部署侧在线成本，不是端到端。而这套方法要先生成 harness（训练阶段用的是 GPT-5.6-terra 或 GPT-5.4 做 optimizer），还要跑 gate 验证。赚回来的前提是复用次数足够多，而复用的前提是任务流同源。任务流一变，harness 就要重长，成本重新计。
这个前提成立时这门生意很好算：200 个训练任务 + 50 个 gate + 50 个 final，换一个能重复用几千次的 harness。不成立时，账就是反的。
【直引】另有一条边界：只有 harness 可学习，LLM 后端 M 和工具集 T 是固定的，方法不能靠换底层模型拿到额外能力。这跟"写程序增长"的叙事有点张力——代码在长，模型换不了。
下一根钉子：第三种失败情况。第一格（去掉定位）掉一半、第二格（去掉门）会先涨后跌，那"去掉多失败联合窗口"掉 8 个点说明联合修复是有独立贡献的。缺的是：一个 harness 跨任务域的迁移率。50 个任务训练出来的控制结构，换到一族新任务上还剩多少——这个数论文没测，却是"可复用专家智能体"这个说法唯一需要的那一格。