2026年2月18日 任务成功率从 6.7% 到 68.3%：10 倍差距来自 Harness，而非模型 LangChain 的 Terminal Bench 结果与 hashline 格式实验揭示了什么。同一个模型排名被逆转，原因只有三个：提示词、工具和中间件。