问题不在能力：LLM智能体各层级的harness敏感性呈非单调

LLM智能体部署中一个流行的假设认为，结构化程度更高的harness（执行框架）能普遍提升可靠性，且能力更强的模型所需的结构引导按比例更少——这两点合起来意味着模型能力层级与最优harness复杂度之间存在单调的反向关系。我们通过一个受控的432次运行实验检验该假设：在HEAT-24（一个包含24个任务、采用基于git的工作区验证的合成基准）上，将横跨四个能力层级的六个模型与三种harness条件（轻度light、均衡balanced、严格strict）进行交叉组合。结果在两个方面驳斥了这种单调反向关系。首先，对于所评估的前沿对话模型（Gemini 2.5 Flash），harness冗长度的增加使VTSR下降29-38个百分点——这是一个harness复杂度悖论。其次，对于所评估的前沿推理模型（Qwen3.5-122B，开启扩展思考），严格harness取得了最高VTSR（91.7%）和最低延迟，与预测相反。在受限层级内，一个2B模型（Gemma4:e2B）在所有harness下均达到91.7%，与强开放层级的稳定性相当。由于本研究中每个层级仅由单一模型代表，这些结果应被解读为模型特定的观察；在所评估的模型中，harness敏感性表现为非单调，并关键地取决于模型类型（对话型 vs. 推理型）。我们提出一个六标签的失败分类体系，显示format_violation在强模型失败中占主导，而wrong_file在低能力模型失败中占主导，并据此推导出实用的、按层级选择harness的指南。