Agent 改进值不值成本？固定 vs 可编辑 harness 对照实验法

作者提出一套 Agent 评测实验，在相同工作流和总预算下对比固定 harness 与可编辑 harness，并在冻结后使用未见过的隐藏样例评分。按每美元被采纳结果数计算收益且计入改进开销，同时重跑旧样例检查回归，以判断改进是否值得保留。