每天夜里，Elvis 的 harness 实验都会自动跑一轮评测。内存、工具调用、上下文压缩，任何一处改动都会被丢进这轮评测里过一遍。第二天早上，他要面对的是结果。

这是整个 agent 开发流程里最慢的一段。Elvis 是 @dair_ai 的创始人，做研究、写代码、也教别人怎么搭 AI agent。他每天跑 harness 实验，但读结果这件事，正在吃掉他整个上午。

打开网易新闻 查看精彩图片

他先试了仪表盘。仪表盘告诉他通过率掉了，但没告诉他为什么掉。数字摆在那里，原因藏在日志里，而日志得一条一条翻。

23个失败任务，和一条被揪出来的改动

假设昨天通过的 23 个任务，今天全挂了。这 23 条日志，Viktor 会全部看完，把它们追溯到同一个改动上，然后建议把这个改动撤掉。Elvis 要做的，是核对日志，然后拍板。

Viktor 是 Slack 里的一个 AI 员工。他的工作就是夜里把评测结果过一遍，早上把结论摆出来。挖证据的活归 Viktor，决定什么进 harness 的活归 Elvis。

这个分工解决的是一个很具体的痛点：早上打开电脑，先看哪些任务昨天对、今天错，再逐个打开失败日志，判断是自己哪一处改动导致的。仪表盘只能给出通过率的涨跌，给不出因果。而 Viktor 的路径是从失败反推到改动，再给出撤销建议。

不用你问，他先开口

Viktor 还会主动标记问题，不等你发问。对于复杂的评测运行和其他研究任务，这种主动性意味着你不用时刻盯着，也能保持在轨道上。

Elvis 在帖子里向 harness 工程师抛了一个问题：你是每一轮评测都看，还是只在通过率掉下来的时候才看？

这个问题背后是两种工作方式。全看，时间成本高；只看掉下来的，容易漏掉那些通过率没变、但内部已经出问题的改动。Viktor 想切的是中间那块——你不需要全看，但也不该等到通过率报警。

目前 Viktor 提供免费试用，附 100 美元额度，不需要绑卡。Elvis 也提到，感谢团队在这篇帖子上的合作。