同一模型不同输出：5 款 AI 编码代理横评

当大模型本身日益趋同，开发者越来越关注围绕模型构建的「harness」（代理框架、工具与运行时环境）究竟在多大程度上影响最终输出。YouTuber Luigi Tech 在一段测评中，用同一句提示词分别喂给 5 款 AI 编码代理，它们底层运行的全部是 DeepSeek V4 模型，结果却大相径庭——再次印证了那句被反复引用的话：「如果模型是大脑，harness 才是眼睛和手。」

测试设置：一只简单的果冻团

测评围绕一个刻意保持简短、非技术化的 prompt 展开：

「一只浏览器里的小玩具。一个果冻团。你可以戳它、抓它、拉伸它。没有计分，没有关卡，只是一个手感不错的果冻团。」

没有指定框架，没有规定架构，每个代理在一个沙箱环境里以「YOLO 模式」自由运行，可以自行安装依赖。

参测的 5 款 harness：
- Codex（OpenAI 出品，Rust 编写）
- PI agent（极简 TypeScript 代理）
- Jcode
- OpenCode
- Reasonix（主打 DeepSeek 系列）

五个代理，五种结果

Codex：过度工程化但效果惊艳

Codex 输出了一套远超 prompt 要求的复杂结构，无法直接打开文件查看，必须在开发模式下运行。最终效果是一只会在拖动时跟随鼠标的弹性团块，并带有拉伸时的半透明效果，部分位置略有反转，但仍是 5 者中最具野心的实现。

PI Agent：简洁却脆弱

PI Agent 的结构简单很多，但视觉效果不错。代价是交互逻辑被反转，而且抓取操作在一次动作之后就会失效，必须刷新页面才能继续——「手感不错的果冻团」这一核心体验因此被打断。

Jcode：边调试边留痕

Jcode 在项目目录里留下了明显的调试截图，能看出它进行了无头浏览器测试：原本偏好 Firefox，但沙箱内无法配置，最后退回 Chromium。最终成品是带有重力的果冻团，并出乎意料地支持移动端多点触控，尽管 prompt 完全没有提到这些。

OpenCode：单文件但不交互

OpenCode 把 HTML 和 JavaScript 全部塞进一个文件，初看效果不错，但点上去才发现——它其实根本不能交互，是一只漂亮但静态的果冻。

核心发现：反馈循环比模型更关键

测评的核心结论并不指向 DeepSeek V4 本身，而是 harness 决定输出。差异主要来自反馈回路的可用性和质量：

能跑无头 Chromium 并在运行时审视自身输出的代理，普遍表现更好。
一些代理（如 Reasonix）在初期会主动列出待办，但当上下文膨胀到一定程度后就开始踉跄。
Codex 则会主动分析自己测试浏览器中的截图，并据此迭代。

换言之，是否具备「看自己作品」和「基于观察继续改」的能力，比模型本身的代码生成能力更直接地决定最终成品。

对开发者的启示

换模型不如换 harness：模型没变、prompt 没变，结果却天差地别，说明工具链本身就是一个值得单独调节的旋钮。
运行时反馈是分水岭：能截图、能自测、能在观察后迭代的代理，往往显著优于「写完即交付」的代理。
简单 prompt 不等于简单输出：同一个玩具 prompt，有人交付一个多文件应用，有人交付一个单文件 HTML，中间还散布着各种中间形态。

这一测评再次提示：评估一款 AI 编码工具，模型只是其中一环，工具如何「看、如何做、如何迭代」，往往才是真正拉开差距的地方。