实验分享——关于 Harness 委托的可行性和成本探索

作者：#slhmy 板块：#开发调优 背景 题主是 GPT Pro 200$ 和 opencode 10$ 的月租用户，最爱用的模型是 Astra 和 Deepseek Flash，但因为 Astra 确实很贵，所以题主经常想让 Astra 来做决策然后 Deepseek 做编码。 Codex 在同一进程内只能加载一个 Provider，这就导致用订阅的话，原生 subagent 你只能用订阅里 GPT 族的，用不了 opencode 的 Deepseek。周末题主突然脑子一抽，想到了用 Codex subagent 通过 ACP 协议去套壳使用 opencode 的办法。 方案 说白了就是让 AI 自己去用别的 Harness。 这和常见的 A2A 或者直接一句 prompt 让 Agent 直接去做对比，ACP 能提供更详细的任务间的信息，同时在需要垮 Harness 委托的情况下有比较好的兼容性。 题主做了一个 MCP 对需要暴露的 ACP 功能做了一些封装（所以 AI 看到的不是完整的 ACP），具备委托、中断、引导等调用。 实验 题主主要做了三种不同的方案，目标都是完成一个 DAG 任务系统（含 UI） 使用原生的 Codex 和 Subagent，模型使用 Astra xhigh 相比方案一 Subagent 调整成 Delegator（用 Astra xhigh 去委托 opencode 里的 Deepseek 干活） 相比方案二 Delegator 调整成 Luna xhigh 最终实验结果是：方案一消耗了 40 刀且实现效果稳定；方案二消耗了 80 刀（Deepseek 只干了 1 刀不到），耗时更多用于返工，实现效果略优于方案一；方案三消耗 40 刀，实现效果最拉垮，返工很多次但是改善比较小。 反思 根据实验结果题主认为有以下几个结论可供参考： 可能 A2A 那种任务委托的方式才是适合多人协同的方式（就像上班一样），ACP 会带来更多冗余上下文 一个项目的最终好坏和上层 Agent 的好坏更相关，Coding 层面像 Deepseek 这样的模型已经足够，但不管是整体控制还是任务交付，Astra 这类高级模型的智能还是刚需。