你让两个Agent处理同一份任务，即使它们使用同一个模型，结果也可能不同：一个会在工具报错后重试，另一个可能原地卡住。差别来自Agent runtime，也叫harness——包在模型外面的执行框架，负责规划循环、整理上下文、调用工具、重试和保存状态。两则LocalLLaMA讨论认为，只看模型跑分，已经不足以解释Agent为何成功或失败。
用户Balance-提出，应把不同平台放进同一套端到端基准：让系统完整执行真实任务，再比较成功率、每次成功的成本、耗时、工具调用与重试次数、长任务可靠性，以及是否需要人工介入。关键是做可控变量实验：固定模型只换harness，再固定harness只换模型，才能看清差距究竟来自哪一层。
另一位用户Background-Job-862进一步主张同时开放模型与harness，以便调整上下文、工具执行、停止条件和状态维护。这些仍是社区提议，材料未给出已落地的统一基准或实测结果；但问题很明确：今后要比较的，不只是AI的“大脑”，还有它把事情做完的整套工作机制。