伯克利实测：换个智能体外壳，同款模型成本直降 71%，毛利从 38% 变 75%

一句话结论

伯克利本周发布的 HarnessTax 研究给出了一组硬数据：同一个模型换一个智能体外壳（harness），完成同样任务的推理成本最多相差 71%，而 42 组同模型对比里没有一组质量差异具有统计显著性。对用 AI 做产品的团队，这意味着选外壳和选模型一样直接影响成本结构——外壳越好，毛利越高。

什么是智能体外壳

外壳是控制 AI 智能体行为的系统：提示词怎么组织、工具怎么调用、流程怎么编排，都由它决定。模型负责思考，外壳负责指挥。同一个模型装进不同的外壳，跑同样的任务，账单可能差出好几倍。

伯克利的研究设计

研究覆盖 21 组「模型 × 外壳」组合，每组在 SWE-bench Lite 和 Terminal-Bench 2.0 上各跑 30 个任务，每个任务尝试 3 次，按 2026 年 9 月 1 日的固定价格表计费。研究者对全部 42 组同模型跨外壳对比做了双侧 Fisher 精确检验，只有一组达到 p<0.05——而纯凭运气也预期出现约两组。经 Holm-Bonferroni 校正后，没有一组质量差异成立。

研究也坦承两点局限：公开的 rollout 按成本排序，破坏了任务配对，导致无法做配对检验；每个单元格 90 次 rollout 的样本量，只能检测约 15 个百分点的摆动。换句话说，质量差距在这个样本量下是「未被证明」，不是「被证明不存在」。

71% 是怎么来的

最具代表性的一组对比：GPT-5.6 Sol 从 Claude Code 换到 Pi，每个已解决任务的成本从 1.540 美元降到 0.441 美元——模型没变、结果一样，成本降 71%。这是全文论证的实测支点。

两家初创的毛利对照实验

Tunguz 用一个假想场景把研究结论换算成生意语言：Theory 风投要买一份 25 万美元/年的「AI 分析师」合同，评估 5000 家公司，两家初创竞标。

• Inferno：每一步都直接调用最前沿模型。推理成本 13.1 万美元，加上托管、评测和人工审核共 2.5 万美元的其他成本后，毛利 38%。
• Inferefficient：用外壳把常见工作流凝固成确定性代码和技能，只把少数真正需要强推理的步骤留给贵模型。推理成本 3.7 万美元，毛利 75%。

收入相同，成本结构不同，一个是软件生意，一个不是。

为什么 Inferno 抄不了作业

把任务路由给便宜模型的前提，是你确切知道哪些任务它做得对。这个知识来自看过上万次同类工作——Inferno 没有这个积累，抄不了。成本优势和护城河是同一份资产。

超过 8600 次评估后，Inferno 每多做一次就亏一次，只能限制客户用量——恰恰在客户最需要产品的时刻变成更差的产品。Inferefficient 则来者不拒。毛利买来增长：一份 15 万美元获客成本的合同，Inferno 要 19 个月回本，Inferefficient 只要 10 个月；一边可以以两倍速度招人，一边不能。

有效外壳的三要素

Tunguz 总结有效外壳不靠奇门偏方，靠三件事：对客户的深度理解、一套与业务相关的评测集（evals）、一座自动爬山（hill climbing）的工厂。把这三样做扎实，就是一家有价值、可防守的软件公司。

原文同时提醒：毛利不会无限逼近 100%。推理越便宜，买家就要求智能体干越多的事，竞争会把均衡点推着走。但两家公司之间的差距会持续存在——差距本身就是生意质量。

给 AI 应用团队的选型启示

把这份研究翻译成可操作的判断：第一，换外壳是比换模型更便宜的成本杠杆，值得先试；第二，质量无显著差异不等于随便选，样本量只能检测 15 个百分点级别的摆动，小差异测不出；第三，评测集不是锦上添花，它是你敢把任务路由给便宜模型的知识来源，也是毛利护城河本身。对自建 AI 工作流的团队，从第一天起就积累自己的评测集，等于同时在积累成本优势。

原文信息

原文地址：

• 原文标题：The Harness Margin Opportunity
• 作者：Tomasz Tunguz（@tomtunguz），Theory Ventures 风险投资人
• 发布时间：2026-09-17