Agent Harness 的价值来源：有状态 LLM Agent 中的规划信息与放行控制

一篇 arXiv 论文在 τ²-bench 的零售与航空场景中，研究 Agent Harness 的规划指引、执行组织与完成校验组件如何影响成功率、错误接受与成本。核心对比将预写任务专属计划（Fixed）与字数匹配的乱序策略文本（Sham）对照。在 265 个匹配单元中，Fixed 使 oracle 验证成功率提升 7.17 个百分点，90% 区间为 1.15 至 13.36 点，增益集中于高复杂度任务。只读终端校验器拒绝 61% 的零售 oracle 无效回合，同时保留 17% 的正确回合，每回合额外成本低于一美分。

此前关于 Agent 框架的讨论多停留在整体效果，缺乏对规划指引与放行校验各自动因的拆解。该文用字数匹配的对照隔离出规划内容本身的贡献，并量化校验器在错误接受与正确放行之间的权衡，使 Agent Harness 的组件价值可被分项归因，而非笼统归功于整套框架。

机制在于：预写计划为 Agent 提供与任务复杂度匹配的决策顺序，减少探索时的路径偏离，因而在高复杂度任务上收益更明显；只读终端校验器则在执行末端对结果做独立判定，用较低成本拦截 oracle 判定为无效的回合。两者价值取决于对错误接受的损失赋值：低责任场景下规划增益占优，高责任场景下校验器避免的假通过占优，且独立校验器能以更低成本复现完整栈的大部分假通过收益。

对产品与研发而言，这意味着 Agent 能力建设不一定要一次性构建完整 Harness。若业务对错误放行容忍度低，可优先接入独立只读校验器，成本低于每回合一美分；若任务复杂度高且错误代价低，则应优先投入任务专属规划模板。两者可分开评估与上线，便于按业务风险分层配置预算。

• 在高复杂度任务线中引入预写任务专属计划模板，并以字数匹配的乱序版本做 A/B 对照，验证规划内容的净增益。
• 在错误接受代价高的流程中单独部署只读终端校验器，先测量其拒绝率、误拒率与每回合成本，再决定是否叠加规划模块。
• 按任务复杂度分层配置 Harness：高复杂度启用计划指引，高责任场景启用校验放行，避免全量部署带来的冗余成本。
• 建立错误接受损失赋值框架，把业务责任等级映射为规划与校验的资源分配比例。

• 论文的 265 个匹配单元与零售、航空场景之外，结论是否能推广到其他任务域或行业？
• 校验器保留 17% 正确回合所造成的误拒，在真实业务流程中的二次处理成本是否可接受？
• Fixed 计划与 Sham 对照的增益，是否会被模型版本或提示格式变化所削弱？
• 独立校验器以更低成本捕获大部分假通过收益的结论，是否在非 τ²-bench 环境中同样成立？