Which AI Agent Harness Should You Use in 2026

当阳光亲吻你的沃土、狂风吹刮你的橡树，Pi 永远和你一起跳动

结论

1. Pi：默认首选，多项评测兼顾完成度与成本。
2. Codex：同样值得优先选，多项评测表现靠前。
3. Claude Code：使用 Claude模型时，优先保留原生。
4. DeepSeek Harness（DSH）：低预算候选，Native 完成度高于 PTC。

跨应用任务也值得试 Oh My Pi（完成度优先）、Hermes（成本优先）；Kimi Code 也有高分表现。Exo、CritiqueCode 完成率偏低，OpenCode、Grok Build 暂不优先。

下文统一看完成度最高、成本最低、Pareto 最优。前沿名单按完成率从高到低排列，进入前沿不等于值得推荐。图中越靠左上越好；红点是前沿配置，灰点是其他配置，红色虚线连接前沿。

评测数据

本文结论限于所列评测的任务、模型与配置，各图独立比较，不合并为通用排名。资料核对截至 2026-09-13。

1. Databricks

• 完成度最高：Pi + Opus 4.8 xhigh。
• 成本最低：Codex + GPT-5.4 mini。
• **Pareto 最优：**Pi（Opus 4.8 xhigh）→ Claude Code（Opus 4.8 high）→ Pi（GLM 5.2、Opus 4.8 high、GPT-5.5 medium）→ Codex（GPT-5.4 medium、mini），对应原图红点。

方法：Databricks 内部 PR 任务，交叉比较模型、harness 与推理强度，以隐藏测试验收；本节按原图识别最优配置。

2. FrontierHarness

• 完成度最高：Codex，66.7%（20/30），$2.31/题。
• 成本最低：Exo，$0.56/题，完成率 53.3%（16/30）。
• Pareto 最优：Codex → Pi → Exo。 优先选 Codex 或 Pi；后者为 60%（18/30），$1.46/题。前沿按成本完整组计算。

方法：FrontierHarness 固定 Kimi K3，21 道 Terminal-Bench + 9 道 DeepSWE、每组合每题一次，按数据重算平均每题成本；空心点为 7 组缺失费用的成本下限。

3. HarnessRank

• 完成度最高：Pi，76.0%。
• 成本最低：Pi，$0.345/题。 Codex 为 71.2%、$0.688/题，约是 Pi 的两倍成本。
• Pareto 最优：只有 Pi。 它同时优于另外三个配置的均值。

方法：HarnessRank 固定 GPT-5.5 medium，在 Terminal-Bench 2.1 的 89 题上重复 3–5 轮，数据取均值。

4. Mercury V2

• 完成度最高：DSH 与 Oh My Pi，都是 100%（20/20）。 成本分别为 $0.052、$0.062/题。
• 成本最低：CritiqueCode，约 $0.0033/题（标价估算），完成率 65%（13/20）。
• Pareto 最优：DSH → Pi → CritiqueCode。 完成度优先选 DSH；Pi 以更低费用达到 95%（19/20）、$0.033/题。

方法：Mercury V2 固定 GLM-5.3-Flash，20 道 FeatBench、每题一次，CPU 随任务配置、7 个结果经补丁复验；数据含费用估算，Codex 的异常零账本记为成本未知。

5. 我的 escaping 测试

• 完成度最高：Pi + GPT-6 Astra，100%（20/20）。 CM off / remote 两组都完成，估算成本分别为 $8.35 / $8.42。
• 成本最低：DSH PTC + DeepSeek Flash，$0.25，确认完成 80%（16/20），另有 1 项未验证。
• Pareto 最优：Pi + Astra（CM off）→ Pi + DeepSeek Flash → DSH Native → DSH PTC。 分别对应 100% / 95% / 90% / 80%，估算成本 $8.35 / $0.45 / $0.35 / $0.25。

方法：escaping R2 十个配置各开发一次博客主题，模型为 GPT-6 Astra / Opus 5 / DeepSeek Flash（high），首次交付后按 20 项需求验收；费用为整次开发的 API 等价估算，DeepSeek 取高峰价，CM 指 Context Management。

6. Composio · DeepSeek V4 Pro

• 完成度最高：Pi，70%（21/30）。 Codex 与 DSH 均为 66.7%（20/30）。
• 成本最低：DSH，$0.028/共同成功任务。 Pi 与 Codex 都是 $0.031。
• Pareto 最优：Pi → DSH（原表两列的图示前沿）。 Pi 完成更多，DSH 成本更低。

方法：Composio 固定 DeepSeek V4 Pro（0813，max reasoning），运行 30 道真实应用/MCP 任务；横轴为共同成功子集成本，非全任务均摊成本。

7. Composio · Kimi K3

• 完成度最高：Oh My Pi，88%（22/25）。 Kimi Code 84%，Pi 72%，Codex 68%。
• 成本最低：Hermes，$0.46/成功任务（估算），完成率 80%（20/25）。
• Pareto 最优：Oh My Pi → Hermes（按原表口径）。 Oh My Pi 的每成功任务成本为 $0.52，完成度与成本均优于其余六组。

方法：Composio 八种 Harness 评测 固定 Kimi K3（OpenRouter，max）、跨应用/MCP任务；剔除5个无效任务后各25次有效评分，异常尝试替换，费用按共有24题及7月30日标价估算。

最后怎么选

无论什么模型、什么场景，Pi 也是不是最优选，但是永远是最可靠的那个