编程 Agent 的评测，一直是本糊涂账。 SWE-bench 如今已成事实标准，几乎每家发布新模型或新 Agent 框架，都会拿出一个 SWE-bench 分数来证明自己有多强。 但这些数字真的能直接横向比较吗？ LLM Agent 的能力，本质上是模型和 harness 共同决定的，同一个模型换一套 ...