Control the Harness, Control the Cost：企业 coding-agent 路由与治理
企业 coding agent 的账单，谈判桌上通常先对着价目表吵：哪一档模型贵、合同折扣多少、月活席位怎么算。Accenture Responsible AI 的 Abbasi、Aqrawi、Kwartler 在 arXiv:2609.28919（预印本标注 2026-09-24；HTML）把责任挪了一层：价目表只列出费率；真正决定「按哪一档费率买多少 token」的，是 harness——选哪个模型、读什么上下文、怎么用 prompt cache、子代理默认跟谁。 企业买来 Claude Code、Codex 一类产品却停在厂商默认上，等于把账单和治理都交给了默认配置。[1]
论文在仿真的 10,000 席企业上给出区间：按 Anthropic 2026-09-21 公开价目表，缓存安全路由收回约 14–21% 模型花费，约合 $3.3M–$5.0M/年（as-is 约 $23.7M/年）。摘要与正文结果一致；下文数字都标出处与条件，不外推合同折扣。[1]
站内已经写过 扩张 harness 而不是堆上下文、ECC 外围操作系统、Strands 生产运行时、Jev 接到 Claude Code。那些文分别谈「控制长进代码」「外围配置面」「SDK 层循环」「Jev 当决策头」。本篇换到 路由与成本治理：Jev 仍是分类器，但问题是 cache 边界上怎么搬任务、企业如何从观测爬到控制面主权。注意：站内 Jev 当 Rubric 评委 谈的是评价侧相关误差与 cascade，不是本篇的会话路由；对照时别混。OpenSpec / SpecHarness 那条线是「规格控笔」；本篇是「harness 控钱」——一句就够。[2]
账单归因错位：价目表吵完，默认仍在烧钱
Harness 在循环里替用户跟模型说话：用户一句话开启一轮 turn；模型可调工具；harness 执行并把结果塞回；再请求。一轮带 (k) 次工具步的 turn，是 (k{+}1) 次 API 请求，每次都带上截至目前的整段对话。 十八步工具的 turn 会把同一段上下文再送十九次。厂商对「与近期同模型请求共享精确前缀」的输入打折——prompt cache——但缓存绑在单一模型上：换模型等于整段冷写。企业若只谈单价、不谈「谁在选模型、谁在管理缓存 TTL、子代理是否继承父模型」，账单会在默认里长大。[1]
论文把买第三方 harness 转嫁给企业的风险压成四条（§3，对照二十款 harness 的耦合矩阵 Table 8）：
- 耦合：绑死一家模型价目与限额；Claude Code 文档写明经网关走非 Claude 模型不受支持。
- 不可审计：闭源 harness 无法核对发送内容、版本间 prompt 变化、重试与子代理行为。
- 控制面不随身：MCP / AGENTS.md / Agent Skills 可跨产品搬运，模型策略、遥测语义、子代理与计费不可搬运。
- 技能放大：同一 harness 上新手验证成功约一半、更多会话直接放弃；静态仓库说明文件补不齐，harness 配置却能零边际成本覆盖所有人。
四条都落在「用户与模型厂商之间那一层」。成本只是最先能标价的那一条。
再摊开一点。耦合不是二元开关：Kiro 一类几乎只认自家云；Claude Code 可在前面挂网关，但文档仍限定在 Claude 家族；Codex、OpenCode、Goose、Cline、多数中国厂商开源 harness（Qwen Code、DeepSeek Harness、Kimi Code 等）则接受企业自有或第三方 endpoint——模型耦合是各厂商的设计选择，不是「agent 产品」的必然属性（§2.2 / Table 8）。不可审计与耦合叠加：账单由闭源循环写成时，采购连「缓存标记有没有被剥掉」都难核。控制面分裂的日常形态是：工程用 A、咨询用 B，两套 skill、两套 MCP、两套策略，遥测对不上——可搬运的是连接器与说明格式，不可搬运的是模型策略与计费语义。技能差距则直接进单位成本：Anthropic 对约 40 万会话的分析里，新手验证成功约 15%、放弃约 19%，中高阶约 28–33% / 5–7%；同一花费买到的核实成功大约差一半。论文的结论很硬：培训随人头扩，harness 配置边际成本为零。[1]
Harness 默认如何烧钱：turn、缓存、交叉定价
该定价的是 turn，不是单次 request
聊天路由器常按「每条请求估难度再选模型」设计，并默认每次放置几乎免费。Agent harness 里不是：请求带着已缓存的对话。把对话前缀记为 (C)、本 turn 新增 (D)、工具步 (k)，热缓存下大约读取 ((k{+}1)C + Dk/2)、写入约 (D)。把 turn 挪到另一模型，读变冷写并付写入溢价；用户若回到原模型，再付一次冷写。中途切换必须赚回缓存写入。[1]
论文从价目表推出回本请求数（§4.2 式 (1)）。在 Anthropic 2026-09-21 表上：Fable 5.1→Sonnet 5，带回程约 291 次请求、不回程约 46；Opus 5→Sonnet 5 约 27 与 8。天真的「每请求换模型」在仿真里一旦计入误路由纠错链，往往比钉死更贵；GitHub Copilot 文档也写过沿缓存自然边界路由、中途切换曾抬高成本。[1]
长会话上，价目表最高档可能更便宜
长 agentic 会话由缓存读主导，而缓存读按模型计价。同一表上 Fable 5.1 缓存读约 $0.25/百万 token，Opus 5 约 $0.50，尽管 Fable 输入/输出单价是 Opus 的两倍。十八工具步/turn 时，上下文超过约 65k token，Fable 单 turn 可比 Opus 更便宜；六步时约 211k（Table 2）。用「标价高低」排序的路由器会在长会话上判反。[1]
对 TraceLab、SWE-chat 约 一万条真实 Claude Code 会话按 token 重定价：在 Opus 上花费 ≥$100 的长会话里，51%（TraceLab）/ 80%（SWE-chat） 在 Fable 上更便宜；头部 1% 会话承载约 31–53% 花费。案例研究里，约四分之三的节约来自这一交叉（crossover）——不是「凡事都降到小模型」。[1]
停顿与五分钟缓存
API 侧缓存寿命常见 五分钟。两份公开语料里，17–27% 用户 turn 跟在超过五分钟的停顿后，等于整段对话再付一遍（常按更高写入价）。无此类停顿时节约可到约 24%；停顿偏多（TraceLab）时约 7%；把缓存寿命调到 一小时，相对今日账单约再抬三点到约 17%（Table 4）。分类器再准，也挡不住过期缓存把每次回来变成全量冷写。[1]
还有一个容易被价目表掩盖的旋钮：reasoning effort（推理力度）。有界任务上降力度常省钱（Anthropic 公开知识工作跑分里，medium 可在约 70–87% 成本上贴近默认准确率）；长程多步任务上方向可能反过来——更高力度若减少总调用次数，总成本可能更低。分类法的复杂度与输出形态轴正好描述任务形状，因此 effort 是同一分类器的自然第二输出；但多数模型上每个 effort 档自带缓存，中途改力度会像换模型一样作废缓存。路由应落在 turn 边界。案例研究主结果不依赖 effort 路由，它属于论文标明「仿真外杠杆」的一项（§4.7 / §8）。[1]
冷返回时的处置也有价差。对过期后仍要接上的 300k 上下文、一万次返回（Opus、五分钟缓存假设）：整段重发约 $18,750；先剪到 30k 约 $1,875（−90%）；用 Opus 自己摘要反而可能比重发更贵；用 Sonnet 摘要约能砍半（Table 6）。角色不同策略不同——聊天型工作宜每次冷返回就剪/便宜摘要并按交付物新开会话；工程宜任务内保留推理、大批清陈旧工具结果、在任务边界 compact。组织托管设置应压过个人默认。[1]
方法：缓存安全路由 + Jev 标定概率 + 只在确定时搬
三条执行缝，不碰正在跑的对话
算术推出一组规则（§4.4），核心是：只在不必重建运行中对话缓存的地方搬工作。
- 会话起点：会话还小时选定模型，绝不中途改写主会话模型。
- 侧道（side lane）：小而有界的请求开独立会话，用精简 project ledger 播种，而不是整段 transcript；返回后用一次空请求刷新主会话缓存，结果以附注追加，不改历史。
- 子代理启动时：子代理是新会话，选模型在缓存意义上几乎免费；短会话写多读少，正是顶档模型最贵的形状。二十款里至少七款文档写明子代理默认继承父模型——Claude Code 可用 pre-tool hook 在启动前改 launch 参数（含模型）。[1]
工作例：805k token 会话里改一行，原地 Fable 约 $0.88，ledger 侧道 + Sonnet 约 $0.36（含 ledger 与主缓存刷新）。五个典型子代理继承 Fable 约 $4.88，启动时改到 Sonnet 约 $1.27。[1]
另有硬规则：绝不把纠错 turn 降到低于被纠错那一轮的档位（R10）。纠错在账单里超过三分之一；给过弱模型会再触发纠错链。[1]
Bring-your-own 分类法，Jev 在半秒内打标
路由需要标签。论文用可自带的四轴分类法（Appendix A）：动作（13 类，从 lookup 到 build/steer）、领域（12）、复杂度序数（trivial→expert）、上下文依赖（none→history），外加 stakes / 输出形态修饰。领域设治理地板（legal/finance/HR 与 agentic edit 不低于中档）；故意没有生产力轴——按人监控在欧盟 AI Act / 德国共决下风险高，遥测只报聚合。[1]
分类器是 TypeSafe 的 Jev（System One）：对有限选项返回标定概率，不做自由文本生成；厂商称端到端约 70–500ms。策略只在「所需档位 ≤ 候选」与「不依赖历史」两个概率都过阈值（案例基线 0.8）时才搬；否则 hold——牺牲节省，不拿质量赌。作者测得动作/领域/复杂度/历史准确率约 74% / 80% / 63% / 82%；已搬 turn 中假降档约 12.5%；可路由 turn 中 hold 约 42%。复杂度轴最糊，hold 多半出在这儿——修的是分类法定义与阈值，不是换一个更大的聊天模型当路由器。[1]
接口刻意 classifier-agnostic：自托管 encoder、Arch-Router 一类专用路由模型也能接；Jev 权重未开源、不提供自托管，受限环境走自托管回退。站内 Jev×Claude Code 写过「别把 Jev 当聊天 base URL」；本篇是同一约束在企业网关上的用法：Jev 只打标，生成仍在会话模型上。[3]
路由器在论文里拆成八个组件（§4.8）：(1) 执法点——网关 + harness hooks；(2) 分类器适配器；(3) 自带分类法与策略（档位、地板、阈值、各执行模式开关）；(4) 会话状态（上下文大小、缓存年龄、任务是否未结、ledger 构建）；(5) 执行模式——会话起点、detached 单次调用、ledger 侧道、子代理启动路由、以及评估门后的 ledger rebase；(6) 反事实会计——相对「钉死」的差额，按单位聚合、不按人；(7) 透明与覆盖——用户看见用了哪档并可 pin；(8) 治理地板——领域/数据类地板、stakes 天花板、无生产力轴。原型实现了 2–6 与 8，外加 7 的覆盖规则；1 与 7 的用户可见面是规格、案例未挂真 harness。读论文时别把「仿真节约」误读成「网关已上线」。[1]
仿真：有标签剧本 × 真实行为扰动 × 人口缩放
企业在有遥测之前就要估「我们这种规模省多少」。方法（§4.9）：46 段对话、109 轮作者剧本、11 类岗位；每段扩成 200 个蒙特卡洛变体，扰动来自 TraceLab / SWE-chat 约一万真实会话（纠错链、停顿、子代理率、turn 长度）；活体分类器打标；缓存精确模拟器按价目与缓存规则计价；误路由按真实纠错链计费。缩放到 14 个人口段、平均每席约 30 会话/月；工程师 as-is 约 $40/活跃日（介于 TraceLab 重度用户中位数 $15 与均值 $58 之间）。这是仿真，不是 Accenture 内部账单——论文免责声明写得很清楚。[1]
数字与边界：14–21% 从哪来、何时塌掉
基线结果
| 量 | 值（论文 Table 3 / §5） |
|---|---|
| As-is | $1.97M/月，$23.7M/年（10k 席） |
| 今日标签路由 | $1.70M/月（−13.8%） |
| 完美标签上界 | $1.56M/月（−21.1%） |
| 年节约区间 | $3.3M–$5.0M |
工程段约占账单 86%，节约约 13–14%；非工程小账单节约 6–35%。节约结构（今日标签、月度）：交叉选会话模型约 $211k，侧道约 $64k，子代理启动路由约 $32k，会话起点定档约 $28k，减去误路由纠错约 $51k 与路由开销约 $18k（分类器本身约 $179/月）。Fable 占到约 86% 路由后模型花费，却只启动约五分之一会话——钱在长构建上。[1]
敏感度：最能动刀子的旋钮
Table 4 一次只动一个假设时：
- 无 Fable 许可（封顶 Opus）：节约掉到约 2.3%——交叉杠杆没了。
- 统一 0.1× 缓存读（抹掉 Fable 折扣）：约 5%。
- 停顿：见上，24% ↔ 7%。
- Agentic 强度 ×0.5 / ×2：约 1.6% / 24%——工具越重、缓存越暖，路由器越赚。
- 阈值 0.7 / 0.9：约 9.8% / 14.2%；降阈值多搬但假降档纠错会把增益冲掉。基线保留 0.8，避免在测试集上调参。
跨厂商（§5.5）：在接受企业自有 endpoint 的 harness 上，对同一批真实会话重定价，有缓存折扣的强模型约合 Opus 的 0.12–0.80×（论文举例含 DeepSeek V4 Pro 峰值约 0.12–0.14、Kimi K2.6 约 0.25–0.27、Gemini 3.1 Pro 约 0.39–0.64、GPT-5.6 Sol 约 0.80 等，均为 2026-09-23 前后列表价重定价）；Claude Code 只能在 Claude 家族内路由。他厂只接走路由器本就会下沉的轻活，最多再抬约 2.3 个百分点；若强模型在会话起点接走复杂活，且有缓存定价，相对 14% 基线可再加约 10–55 点——前提仍是同等质量与同等 token。数字假设「同等质量、同等 token、会话内无跨厂商缓存事件、数据条款允许该路由」——是天花板，不是采购承诺。[1]
规模上，美元随席位近似线性：同一人口结构到 50,000 席、今日标签约 $16.4M/年节约；把工程师里 power 用户占比从 15% 提到 45%，账单与节约美元一起涨，百分比可仍停在约 13.8%（§5.1）。小组织要单独算：节约随席位涨，造路由器的工程成本不随席位线性降——论文承认小团队可能划不来，并预期会出现无需自建的标准路由器。[1]
必须写进决策备忘的局限（§8）
- 剧本合成、标签作者自标；复杂度轴尚在打磨，无互评一致性。
- 工程场景偏重长会话、缓存命中偏高，有利于交叉；按 TraceLab 形状粗估，14% 可能落到约 8%。
- $40/活跃日高于厂商公开均值约 $13；按 $13 计年账单约 $10M、节约约 $1.3–2.1M，百分比大体仍在。
- 列表价、无合同折扣；价格结构一变，百分比会动——可迁移的是用自家会话按当日价重算的方法。
- 决策引擎与模拟器已实现；网关/hook 执法点与用户可见路由规格有、未建成——案例跑在模拟器里。
- 完美标签 21% 是上界：真实能力是概率，不是阶跃。
企业可落地的主权阶梯：从观测到是否自建
论文 Table 7 把选项排成阶梯。可复用清单如下——按「本季度能动手」到「一两年产品决策」排序。
第 0 档：厂商默认
什么都不跑。继承 §3 全部风险与最高账单。多数试点停在这儿。
第 1 档：Configured（先配齐短包）
不换产品，先发一份短配置包（§6.1 十条，按回报排序）：
- 模型策略：会话起点规则、子代理默认、领域/数据地板、用户 pin。
- Skills 当流程：部署/评审/命名/数据规则按需加载（Agent Skills 格式可只把描述留在上下文）。
- 按角色裁剪的 MCP，宁少勿多。
- Hooks：完成前测试与评审、网关缓存标记检查、子代理启动规则。
- 权限与数据类：哪些工具可无人值守、哪类数据永不进哪类模型。
- 各职能自标的路由分类法与阈值。
- 侧道/子代理用的 project ledger 格式。
- 遥测导出与仅聚合报表（对接反事实会计）。
- 短指令文件：流程与约束，不塞仓库说明书。
- 按角色的上下文默认：何时清旧推理与工具结果、何时 compact、何时新开会话。
作者实测过「加电用户」前缀约 55k token（系统提示 + 工具/MCP schema + skill 描述 + 社区插件自定义 agent 等），相对精简 15k 默认，十 turn×十八工具步会话可贵约 三到四倍；若把本可延迟加载的约 104k 工具 schema 提前灌入，可贵十倍以上（Table 5）。延迟加载本身就是成本旋钮。[1]
第 2 档：Controlled（控制面，本季度）
在每个 harness 与模型 endpoint 之间放网关：验证原样转发 cache marker / beta header——剥掉就等于每 turn 全量未缓存输入。会话起点路由；子代理今日舰队默认、明日按启动路由；开启一小时缓存（相对五分钟 API 默认，常是最便宜的默认变更）；各职能两小时打标工作坊；遥测只聚合。论文称此档对应案例研究的 14–21% 量级——仍受上文敏感度约束。代价：小平台团队、分类器托管、策略的法律/共决审查。[1]
策略上刻意不对称：错误搬动伤质量与返工，hold 只伤钱。今日标签与完美标签之间约 $144k/月差额里，约三分之二是 hold（多半是本可以更便宜起点的会话），约三分之一是误路由纠错链。把阈值从 0.8 降到 0.5 会多搬约 46% turn，其中约五分之一假降档，纠错链会把增益冲掉，总节约反而掉到约 10%。「搬得越多越好」在这份语料上不成立。[1]
问厂商的七个问题（§6.2）值得钉进采购清单：网关是否转发缓存标记？能否打到企业自有 endpoint？能否强制子代理模型？是否按类型导出 token 遥测？各模型数据留存？能否钉版本并读 prompt？指令/Skill/连接器是否开放格式？
指标改成：经核实任务的单位成本及其在团队/配置间的分布（聚合），不是每人 token。[1]
第 3 档：Owned（是否自建 harness）
在 vendor SDK 或开源底座上做内部 harness：可插拔模型、原生侧道、全员一份包、可接他厂强模型。适合：监管工作负载对不上任何厂商留存条款、要上自有模型、或体量让产品团队比依赖便宜。不适合当默认——厂商周更，开源底座把依赖挪到维护者。先用第 2 档跑出数字，再有意决定，而不是默认「我们该自建」。[1]
站内对照一句：SpecHarness / 规格控笔 回答「什么叫做完」；本篇阶梯回答「谁决定费率与 token 量」。两条控制面互补，不要互相替代。
站内对照：同一条 harness 主线，不同旋钮
| 站内文 | 旋钮 | 与本篇关系 |
|---|---|---|
| Grow the Harness | 把重复控制长成代码 | 本篇不谈增长程序，谈已有产品上的费率与缓存边界 |
| ECC | Skills/Hooks/Memory/安全外围 | 配置包（第 1 档）可直接对照 ECC 的外围操作系统 |
| Strands | 生产运行时与 SDK 层 | 第 3 档「自建」时的底座选项之一，不是本篇仿真对象 |
| Jev×Claude Code | Jev 当决策头接入 | 本篇把同一决策头接到企业网关路由策略 |
| Jev Rubric Judges | 评价侧便宜与相关误差 | 角度不同：那是评委 cascade；这是会话/子代理成本路由 |
| JevOut（可选） | 短上下文可翻转判决 | 提醒：路由分类器也吃上下文形态，阈值与 hold 不是装饰 |
| SpecHarness | 规格握笔 | 规格控完成定义；harness 控钱与模型可达性 |
结语
企业 AI 账单有两个定价点：模型价目表，以及 harness。只谈判前者，等于把后者——连同大部分体积——留给厂商默认。Accenture 这篇工作把 harness 内路由还原成缓存算术：中途切换要回本；长工具会话上顶档可能因更便宜的缓存读而更省；停顿与 TTL 和分类器一样能动节约；纠错账单大，所以只在标定概率够高时搬，且永不降档纠错。仿真万席、公开价下的 14–21% 是带条件的区间，不是采购口号；交叉没了、停顿很多、或会话偏短时，数字会塌。
可带走的动作顺序很短：先量聚合 token 与会话形状 → 配短包与一小时缓存 → 网关 + 会话起点/子代理启动路由 + 自带分类法 → 用反事实会计看「钉死 vs 路由」→ 再决定要不要爬到 Owned。控制 harness，才谈得上控制成本；控制面可以先从内部长出来，不必一上来自建整个产品。
参考文献
[1] Arian Abbasi, Alan Aqrawi, Ted Kwartler. Control the Harness, Control the Cost: Routing and Governing AI Coding Agents in the Enterprise. arXiv:2609.28919, 2026-09-24. abs · html. 文中花费、人口与节约来自公开列表价、公开会话语料、作者自有会话与仿真企业；不代表 Accenture 内部数字（论文 Disclaimer）。
[2] 站内对照：/cn/blog/grow-the-harness-not-the-context/、/cn/blog/ecc-agent-harness-optimization/、/cn/blog/strands-harness-sdk-production-agent-runtime/、/cn/blog/jev-claude-code-10x-and-25-lines/、/cn/blog/jev-rubric-judges-cheaper-faster-correlated-errors/、/cn/blog/specharness-spec-holds-the-pen/。
[3] TypeSafe AI. Introducing System One Models and Jev（论文 [39]）；站内接入说明见 jev-claude-code-10x-and-25-lines。