同一个模型，不同壳：用「导航选道数据挖掘」跑一遍四家 harness

9/2 我们写《模型之外：2026 年选 AI 编程 Agent，先看壳》，结论是模型趋同后真正拉开差距的是 harness。9/4 我们又写《当模型自己变成壳》，说 GPT-6 Astra 把电脑操作、异步工具调用、中途干预整层收进了模型加 Responses API。两篇合起来天然引出一个问题：如果反过来，假设四家 harness 都套同一个旗舰模型，那比的还是模型吗？这篇就用「同一个模型」这个思想实验，把壳的设计差异单独拎出来看。

---

思想实验：把模型抽掉，比什么

「假设用同一个模型」这个前提，价值在于它把两件事拆开了：模型聪不聪明，和壳怎么把模型接进真实工作流。平时我们评 harness，其实一半分数在给模型——Claude Code 配 Claude、Codex 配 GPT、Cursor 配它自家路由，模型强壳就显得强。把模型抹平，剩下的才是壳自己的工程：沙箱跑在哪、上下文怎么管理、人在哪一步介入、出错怎么拽回来、数据能不能出门。

这五个轴，正好对应我 9/4 那篇说的「约束层」。这里有个反直觉的点先点破：Codex 的计算机环境、Responses API 那套异步工具、中途干预，本质就是 Astra 的执行层——壳和模型已经长在一起了。所以「同模型」半是假设，但它恰恰把系列收得更紧：比来比去，真正拉开差距的，还是沙箱、权限、记忆、恢复、人在回路这几样。

为了不让对比飘在抽象层，我挑一个特别能暴露壳差异的任务当切口。

切入任务：导航选道数据挖掘

假设你手上是几百 GB 的驾驶日志——激光雷达点云、相机帧、还有规划器的决策记录。任务一句话：挖「在什么条件下，规划器选了哪条道」。比如高速汇入时，前车速度低于多少、本车速度高于多少，planner 会从最右道切到中间道？雨天、黄昏、拥堵各是什么偏好？这任务看着像数据分析，实则每个壳跑起来手感完全不同，因为它同时撞上五个轴里的四个：

• 读大文件：parquet / rosbags，单文件几个 G，内存吃紧，得流式或分块。
• 跑统计：pandas、plotly 出图，要能迭代假设——「先按天气分桶，再看切入率」。
• 可复现：你最终要的是一条能重跑的分析流水线，不是一次性答案，因为下周数据会更新。
• 数据敏感：这是自动驾驶公司的真实日志，合规上大概率不能出本机、不能上公有云。

下面把四家壳轮流放进去跑一遍。

壳一：Claude Code —— 本地交互，敏感数据不出门

Claude Code 是在你本机跑的终端 agent，它最强的不是某一项能力，而是一整套「约束层」工具箱：CLAUDE.md 把项目约定常驻进上下文，Hooks 在文件编辑、命令执行这些生命周期节点强制跑脚本（能直接 deny 掉危险操作），Subagents 在独立上下文里并行探索不污染主会话，permissionMode 控制每一步要不要你确认。

放到选道挖掘上，手感是这样的：你 cd 进日志目录，让它先派几个 Subagent 并行摸清数据结构——一个看 parquet schema，一个抽样统计各字段缺失率，一个读规划器的决策字段含义。主会话只收结论，不被中间产物淹没。假设迭代是交互式的：你说「先按天气分桶」，它本地 venv 里跑 pandas，出图给你看，你当场改方向。

最关键是数据不出门。AV 日志的合规红线，用一条 PreToolUse Hook 就能焊死——任何向外发数据的命令直接拦：

# .claude/settings.json 里拦掉网络外联，AV 日志物理上出不了笔记本
{
  "hooks": {
    "PreToolUse": [{
      "matcher": "Bash",
      "hooks": [{ "type": "command",
        "command": "cmd=$(jq -r '.tool_input.command' < /dev/stdin); \
          if echo \"$cmd\" | grep -iE 'curl|wget|scp|rsync|ssh'; then \
            echo 'Blocked: 日志不允许出本机' >&2; exit 2; fi; exit 0" }]
    }]
  }
}

适合：敏感数据 + 交互式假设迭代。短板：它不是为「扔下任务去睡觉、明早收 PR」设计的，长任务得靠后台 Subagent 撑，没有云沙箱兜底。

壳二：Codex —— 云沙箱异步，扔任务审 PR

Codex（OpenAI）走另一条路：它在云端隔离沙箱里跑，配 shell tool 托管容器——模型只「提出」shell 命令，平台在隔离环境执行，限网络、可并发多容器。异步 + 自恢复是它的天性：你把任务规格写清楚，push 上去，它就自己跑，跑完给你一个分支、一份报告和一堆图。

选道挖掘放进去：你把日志（或脱敏后的子集）推到它的云环境，写一段任务描述——「按天气/时段分桶，统计 planner 切入率，输出可复跑脚本 + 三张图」。它异步跑完，回来一个干净的 PR，你在 GitHub 上审 diff。全程你不用开着笔记本。

但短板正好是 Claude Code 的长板：数据出本机了。AV 真实日志上公有云沙箱，合规上多半过不了。除非你先脱敏、只传聚合后的子集，否则这一项直接出局。它真正舒服的场景是「数据已 sanitized、任务边界清晰、你想异步拿走结果」——比如挖掘已经公开的高速场景数据集。

适合：非敏感/已脱敏数据 + 无人值守长任务。短板：数据出本机（合规风险），人在回路只在审 PR 那一刻。

壳三：Aider —— git-native 可复现，分析即提交

Aider 是个开源终端工具，哲学和前面两家都不同：它不关心你在哪个 IDE、用哪个模型，它只关心一件事——git 是真相源。每一次 AI 改动都自动成一个原子 commit，/undo 就是 git reset，你的 git 历史就是审计日志。再叠一层 repo map（tree-sitter 解析出的符号索引，PageRank 排序，默认 1024 token 预算），让模型在没有把文件全塞进上下文时也懂跨文件结构。模型随便换，75+ 家 provider，本地模型走 Ollama 都行，代码完全离线。

选道挖掘放进去，它的卖点最对味：分析即代码、分析即提交。你在 analysis repo 里开干，每试探一步（分桶、画一张图、改统计口径）都是一个可读的 commit；repo map 让你不用把几十个 parquet schema 全贴进对话，模型也大概知道字段关系；结尾你拿到的是一条能重跑的分析流水线，历史清清楚楚写着「为什么这么分桶、哪次改了口径」。回滚？git revert 一行的事。AV 数据全程离线，因为 Aider 根本不连云。

适合：mining as code、审计/回滚 = 普通 git、数据离线。短板：纯终端，没有 IDE 那种逐 diff 接受的交互；也没有云异步，长任务得你盯着。

壳四：Cursor —— IDE 内嵌，大仓索引 + 异步出 PR

Cursor 是 VS Code 系的 AI 编辑器，最强的是把 agent 嵌进你已经在用的开发环境。Codebase Indexing 给整个工程建 embedding（Merkle 树只增量重索引），@Codebase 一搜就是语义级定位；Agent Mode 出多文件 diff 视图，每个改动你能单独接受/拒绝；Background Agent 在云 VM 里跑，把一个 GitHub issue 或 Slack 消息变成草稿 PR，手机上都能审。

选道挖掘放进去：如果这任务本来就长在你那个大 AV monorepo 里（日志读取、特征工程、可视化是既有模块），Cursor 的 indexing 让 @ 相关模块 特别顺手，Agent Mode 的 diff 视图方便你逐块 review 它改的统计逻辑。更进一步，你可以开个 GitHub issue 写「挖高速汇入的选道规律」，Background Agent 异步跑完直接开 PR，BugBot 还能顺手审一遍它写的代码。

但要说清楚它的边界：独立的一次性分析脚本，Cursor 偏重——你为了跑个 pandas 脚本开整个 IDE 有点杀鸡用牛刀；而且 Background Agent 是云 VM，数据同样要出本机（它有 privacy mode 和沙箱网络控制，但云 agent 那条路仍把代码/数据送出去）。它真正发光的地方是「挖掘嵌在大仓里 + 你要异步 + 你要 review」。

适合：嵌大仓 + 异步 + review。短板：独立一次性脚本偏重，云 agent 数据出本机。

附录：工作类别 × 外壳 对照矩阵

把上面四家，加上 Cline、Devin、Jules、Copilot、Windsurf，按五个轴排开。★ 强 / ○ 可 / — 弱。这是工程判断不是基准跑分，标的是「设计上最顺手」而非「绝对能力上限」。

外壳	大仓跨文件重构	无人值守长任务	敏感数据操作	秒级补全	可复现脚本分析	跨软件电脑操作
Claude Code	★	○	★	—	★	○
Codex（云）	★	★	—	—	○	★
Aider	★	—	★	—	★	—
Cursor	★	★	○	★	○	○
Cline	★	○	★	—	○	○
Devin	★	★	—	—	○	○
Jules（Google）	★	★	—	—	○	—
Copilot	○	○	○	★	—	—
Windsurf	○	○	○	★	—	—

横向看一眼就明白：秒级补全是 Copilot / Windsurf 的独占项，其他家根本不在这个赛道；敏感数据操作只有本地壳（Claude Code / Aider / Cline）能拿 ★，云方案集体 —；无人值守长任务是云 agent（Codex / Devin / Jules / Cursor Background）的领地。同一个模型下，你选哪个壳，本质是在这张表里选你最常在哪一列干活。

收尾：同模型下，壳的差异就是约束层差异

跑完这一圈，回到 9/4 那篇的论点就清楚了：Astra 吃掉的，是「执行层」——电脑操作、异步工具、中途干预，这些原本要 harness 外层兜的活，现在模型自己长出了。但「约束层」它没吃、也吃不动：数据能不能出本机（沙箱）、哪条命令要你确认（权限）、假设怎么跨会话累积（记忆）、跑飞了怎么拽回（恢复）、人在哪一步拍板（回路）。

所以「壳比模型值钱」在 9/2 成立，「模型开始吃壳」在 9/4 也成立，两句话不矛盾——模型吃的是壳的执行面，剩下的约束面反而因为模型变猛更值钱。本文用「同模型」这个假设，把这个结论从论点落成了对照表：下次选 harness，别先问它配哪个模型，先问你的任务撞上五个轴里的哪几个。

如果这篇对你挑 harness 有参考价值，去 PulsarGuide 的 Agent 专栏 看看同系列的「壳比模型值钱」和「模型自己变成壳」两篇，三篇连起来是一条线。

---

下一篇如果想继续这个系列，可以写「把 token 计费换成 task 计费：当模型自己变成壳，你怎么为一次完整交付付钱」——这是 9/4 那篇埋的第三个没展开的点。