FrontierHarness Eval评测显示，同一模型下不同执行外壳的任务通过率差异达16.7%，成本相差17倍，竞争焦点从模型转向外壳基准化。厂商如DeepSeek推出可插件化Harness，arXiv出现相关基准。但外壳非万能，存在供应链攻击风险，且商业应用中工具选择率低。未来需关注模型与外壳耦合效应及版本化公开。