導讀：改進 Harness 設計，同一模型的 TerminalBench 排名從第 30+ 名跳到第 5 名。沒換模型，沒增加參數。
LLM 是漂浮在缸中的大腦
LLM 無法看螢幕、執行程式碼、記住昨天的對話。這不是模型的問題——是缺乏「身體」的問題。
Harness 就是這個身體。@akshay_pachaar 的類比：LLM = CPU，Harness = 作業系統。同樣的晶片，DOS 與 Windows 11 跑出的效能天差地別。
Harness 五層結構
- 感知層：能看什麼、讀什麼
- 動作層：Tool 越多，能執行越複雜的任務
- 記憶層：短期（Context Window）、長期（向量儲存）、專案級（任務中間狀態）
- 反饋迴圈：自我檢查與修復失誤的能力
- 容錯機制：出錯時優雅降級，而非當機
三款 Harness 對比
| Claude Code | Hermes | OpenClaw | |
|---|---|---|---|
| 模型支援 | Claude 系列 | 18+ LLM | 22+ 平台 |
| Skill 庫 | 開發工具生態 | 社群分享 | 13,000+ 預建 |
| 適合 | 深度軟體工程 | 多模型實驗 | 企業規模部署 |
MemPalace 的警示
MemPalace 聲稱 100% 基準精度，但只測資訊檢索，未測端到端任務。其 AAAK 壓縮演算法實際上把準確率從 96.6% 降至 84.2%。
教訓：不要被單點指標迷惑，測完整工作流中的端到端表現。
同一模型用好的 Harness，效能可能高 5–10 倍。頂尖 Agent 團隊現在優化的是工作流設計、記憶架構與反饋迴圈——而不是追逐更大的模型。
下次有人問「該用哪個模型」，先問：你需要什麼樣的身體？
References
- @akshay_pachaar — LLM-as-CPU, Harness-as-OS analogy framework
- @dotey — Harness optimization, TerminalBench benchmark analysis
- MemPalace technical review — end-to-end evaluation critique
- Comparative study: Claude Code vs Hermes vs OpenClaw architecture
常見問題
Harness 是什麼？為什麼比模型本身更重要？
Harness 是 LLM 的感知、動作、記憶與反饋系統，相當於 AI 的「身體」。研究顯示改善 Harness 設計可讓同一模型效能提升 5-10 倍，遠超換用更大模型的效益。
Claude Code、Hermes、OpenClaw 三者如何選擇？
Claude Code 適合深度軟體工程的單次任務；Hermes 適合多模型實驗與資源受限場景；OpenClaw 適合企業規模的複雜長期工作流。沒有絕對最佳，取決於「身體需要什麼」。
MemPalace 號稱 100% 基準精度，是真的嗎？
不可全信。其測試只涵蓋資訊檢索，未測端到端任務完整表現，且其 AAAK 壓縮演算法實際上讓準確率從 96.6% 降至 84.2%。漂亮指標不等於真實可用。