Agency：不改模型也能让 Claude Code 等智能体框架省 35% 成本

arXiv 论文（编号 2611.12122）研究了智能体 harness 层面的成本优化空间。论文指出，任务准确率主要由底层 LLM 决定，而 harness 侧的变动（如系统提示词、工具配置）对准确率影响很小，却能让同一模型同一任务的成本相差最多 2.6 倍。 作者通过分析多份 agent trace 的成本积累模式，找出了减少 token 消耗和 LLM 调用次数的系统级优化机会。据此他们构建了 Agency，一个 harness 介入平台，提供统一抽象层，可以在 Claude Code、OpenAI Codex 等现成框架上以可移植的方式实现这些优化，无需修改模型。 基于 Agency 实现的原型优化技术在多个真实基准上取得最高 35% 的成本降低，且不损失任务准确率。对大量使用 Claude Code、Codex 等框架跑智能体负载的团队而言，这类 harness 层优化是比换模型更直接的降本路径。