9 月 17 日提交到 arXiv 的预印本《How Do Agent Harnesses Create Value?》（2609.20474，作者 Yukun Zhang、Kemu Xu、Yishen Chen）试图回答一个 agent 工程里被反复争论却少有人实证的问题：一个智能体外围的"挂具"（harness）——规划指导、执行组织、完成检查——到底值多少钱？答案是：值多少取决于你给"错误接受"定多高的价。
方法相当干净。研究在 τ²-bench 的两个 Retail 实验与一个 Airline pilot 中进行，核心对照是"预写任务特定计划（Fixed）"与"词数匹配但打乱顺序的策略文本（Sham）"，以此隔离指导内容本身的贡献，而不是框架的贡献。在 265 个匹配单元上，Fixed 将 oracle 验证的成功率提升 7.17 个百分点（90% 任务聚类 bootstrap 区间 1.15–13.36），增益集中在复杂度更高的任务上。7.17 个百分点在 agent 评测里不算小，但注意那个区间——下限只有 1.15，说明效果在部分任务上并不稳定。
验证器部分更有意思。一个只读终端验证器（read-only terminal verifier）拒绝了 61% 的 Retail oracle 无效 episode，同时误伤（withhold）了 17% 的正确 episode，每个 episode 的额外成本不到 1 美分。这两个数字放在一起，价
[1]值判断就出现了：验证器便宜、能拦下大部分坏结果，但它也会挡掉一些好结果——"宁可错杀"与"宁放过"的权衡，取决于产品把错误接受当成多严重的责任。
论文最尖锐的结论在这里：哪个组件更关键，取决于错误接受损失的赋值。在低责任场景（比如内部研究工具），规划带来的增益占主导；在高责任场景（比如面向客户、会产生下游费用的 agent），验证器避免的假通过（false passes）占主导——而且一个独立验证器就能以一小部分成本捕获完整"规划+验证"栈几乎全部的假通过收益。翻译成人话：如果你怕的不是"做不成"，而是"做错了还假装做成"，那验证器比任何规划提示都值钱。
局限要交代清楚。这是单基准（τ²-bench）上的模拟环境实验，oracle 验证本身是人工设计的近似；90% 置信区间较宽，Airline pilot 规模有限；"错误接受"的损失赋值是作者设定的场景参数，换一个行业它可能倒过来。论文没有声称"规划无用"，它声称的是：当假通过的成本高到一定程度，检查完成这件事的价值会超过规划本身——这是一个可以用成本函数检验、而不是用口号检验的判断。
对正在大规模部署 agent 的团队，这篇论文提供了一个可操作的审计框架：先把"错误接受一次要损失多少钱"写进成本模型，再决定钱应该花在更好的规划上，还是花在一个便宜的只读验证器上。大多数团队会把预算花在 prompt 上；这篇论文给出的证据指向相反的方向。
[1]