Agent 駕馭工程懶人包 (8)｜換模型後，駕馭層為什麼失靈？四方整理

你把 coding agent 設定檔裡的 model 欄位，從舊模型改成剛發表的新模型，其他一個字都沒動。跑原本那批任務，可能先看到編輯工具的呼叫被退回，接著是同一件事多繞了幾圈；規則檔裡當初為了壓住舊模型毛病而加的提醒，讀起來也像是多餘的。駕馭層（Harness，模型以外讓 agent 能做事並被控制的整套軟體）是照某個模型調出來的，換了模型，它不會自動跟上。

這篇整理四方的觀察：Cursor 的工程團隊、Flask 作者 Armin Ronacher、LangChain 的 Vivek Trivedy，以及 Anthropic。

快速回答 駕馭層（harness）是模型以外、讓 agent 能做事並被控制的整套軟體；換模型後，它可能在五處失靈：編輯工具的格式、工具參數的細節、對話中途切換、提示詞，以及替舊模型加的補丁。Cursor 給每個模型它訓練時用的工具格式；LangChain 2026 年 4 月報告，逐模型調整設定後，GPT 5.3 Codex 在多輪工具使用評測 tau2-bench 的一個子集上，成績從 33% 升到 53%。我的建議是把換模型當成一次發版：有可重跑的任務集，就逐處驗過再切換。

換模型後，駕馭層會在哪些地方失靈？

失靈集中在編輯工具的格式、工具參數的細節、對話中途換模型、提示詞與工具要逐模型調、舊補丁變成死重這五處。下表把四方的說法放在一起，每列的出處在後面各節。

表 1　換模型時駕馭層的五種失靈（本站依下文來源歸納；「怎麼緩解」欄是各來源自己的做法，本站的建議在最後一節）。

圖 1 的四個實線接點，各有來源提到：編輯格式（Cursor、LangChain）、工具參數（Armin Ronacher）、提示詞（LangChain、Cursor、Anthropic 文件）、舊補丁（Anthropic、Cursor）。虛線的對話歷史只在同一段對話中途換模型時出現，說法來自 Cursor。

換模型後，編輯工具為什麼會出問題？

編輯格式和模型訓練時用的不同，就會多花 token、也多出錯，所以 Cursor 與 LangChain 都替每個模型換編輯工具。回到開頭那批任務，換完模型最先看到的，就是編輯工具的呼叫被退回。Cursor 在 2026 年 4 月 30 日的〈continually improving our agent harness〉（署名 Stefan Heule 與 Jediah Katz）裡寫：

"OpenAI's models are trained to edit files using a patch-based format"、"Anthropic's models are trained on string replacement." （Cursor, 2026-04-30）

文章接著說，兩種模型都能用兩種工具，但給它不熟的那種，會多花推理 token，也多出錯；所以 Cursor 的做法是 "we provision each model with the tool format it had during training."（給每個模型它訓練時用的工具格式）。

LangChain 的 Deep Agents 團隊在 2026 年 4 月 29 日的文章裡做了同一件事：替 GPT 5.3 Codex 的設定把預設的檔案編輯工具換成 apply_patch，並把 execute 工具改名叫 shell_command。

第二個例子來自 Armin Ronacher 2026 年 7 月 4 日的〈Better Models, Worse Tools〉。他從 coding agent Pi 的一則 issue 追查起，發現 Claude Opus 4.8 與 Sonnet 5 有時會在編輯工具的巢狀 edits[] 陣列裡，加進工具參數規格（schema）沒有定義的欄位，例如 requireUnique。編輯內容大多正確，但多出來的欄位讓 Pi 退回呼叫。他寫道，更舊的模型沒有這個現象。

在另一位使用者的一段對話紀錄（session）裡，他看到 Opus 4.8 約 20% 的呼叫失敗；把紀錄裡模型的思考區塊（thinking blocks）拿掉，失敗率降到一半。他對原因的說法是假說：

"My strongest hypothesis is that this is not random deterioration but a training artifact." （Armin Ronacher, 2026-07-04）

他的推測是，模型後訓練（post-training）時用的 harness 可能像 Claude Code 一樣，會悄悄吸收格式不對的呼叫，結果養成了鬆散的習慣；Claude Code 的編輯工具是扁平結構，Pi 的是巢狀。文中沒有證實這個因果。他實際有效的緩解是開啟 strict tool invocation（嚴格工具呼叫，由平台強制參數符合 schema），"eliminated it in my runs"（在我的測試裡消除了這個現象）；他也提醒 strict 模式對工具定義的複雜度有上限。他並且說 "Fighting that prior is probably futile if you want to get the best model performance."（如果想讓模型發揮最佳表現，對抗它訓練養成的這種偏好大概白費力氣）。

工程上的意思： 這一類問題先從工具層排查，優先動的是工具定義與呼叫驗證。檢查方法是換模型後看工具呼叫的退回率，並且把「被退回的呼叫長什麼樣」存下來。

對話進行到一半換模型，會多付什麼代價？

中途換模型會遇到歷史不合與快取失效兩件事，Cursor 建議一段對話固定一個模型。這是開頭情境的分支：如果你在一段進行中的對話裡切換模型，而沒有去改設定檔，同一批任務會多付下面兩項代價。Cursor 的文章說，支援使用者在對話中途切換模型特別難，因為不同模型有不同的行為、提示詞與工具形狀。它列出的問題有兩個：

1. 新模型得在另一個模型產生的對話歷史上使用工具，歷史對它來說 out of distribution（和訓練時看過的分布不同）。
2. 快取按供應商與模型分開，換模型等於快取落空，第一輪又慢又貴。

摘要可以緩解，但文章指出，任務做到一半時摘要會漏掉重要細節。Cursor 的結論是：除非有理由，一段對話建議固定一個模型；需要另一個模型時，改派子代理，因為子代理從全新的 context 起頭。

提示詞也要逐模型調嗎？

提示詞與工具要逐模型調，LangChain 與 Anthropic 的文件都這樣說，Cursor 也說自己的做法包含逐供應商的提示詞。回到開頭的規則檔，當初為舊模型加重語氣的那幾句，換模型後就是要重新檢查的對象。LangChain 的 Vivek Trivedy 與 Mason Daugherty 在 2026 年 4 月 29 日的文章裡下結論："A single harness can't be optimal for every model."（單一 harness 不可能對每個模型都最佳）。他們的做法叫 harness profile，像替每個模型各備一張設定表：可以覆寫 system prompt 的前後綴、工具的納入與命名，也能分別設定 middleware（夾在模型與工具之間的處理步驟）、子代理與 skills；換模型時，呼叫端的程式碼不必動。

他們在 tau2-bench（測多輪工具使用與遵循指令）的一個較難的子集上，報告了這組數字：

表 2　LangChain Deep Agents 的 profile 效果。來源：LangChain Blog, 2026-04-29。子集題數與重複次數文章未說明；profile 同時改了提示詞、工具與 middleware，無法分出哪一項貢獻最大。

Trivedy 在 2026 年 2 月 17 日另一篇文章裡寫過同樣方向的結果：模型固定為 gpt-5.2-codex，只改 harness，deepagents-cli 在 Terminal Bench 2.0 從 52.8 提高到 66.5。同一篇還提到，用 Claude Opus 4.6 測的是較早版本的 harness，得 59.6%，作者形容為「有競爭力但不如 Codex」，原因是沒有替 Claude 跑同一套改進迴圈。

Anthropic 這邊，文件頁（查閱於 2026-10-23）寫到 Claude Opus 4.5 與 4.6 對 system prompt 更敏感：

"If your prompts were designed to reduce undertriggering on tools or skills, these models might now overtrigger." （Anthropic, Prompting best practices，查閱於 2026-10-23）

建議是把 "CRITICAL: You MUST use this tool when..." 這類強硬措辭降級成一般語氣。換句話說，原本為了防止漏用工具而加重的語氣，換到 Opus 4.5 或 4.6 上，可能讓模型過度呼叫工具。Cursor 的文章也提到，OpenAI 的模型在遵循指令上傾向更字面、更精確，並說它曾替一個出現「context anxiety」（context 快滿時開始拒絕工作）的模型，用提示詞修改減輕這個行為。

工程上的意思： 提示詞與工具設定要能按模型分開存放。LangChain 把差異收進 profile，Cursor 說自己的 harness 抽象與模型無關，但可以逐模型客製；兩者的共通點是模型專屬的部分單獨一層，換模型時只換那一層。

舊補丁什麼時候該拆？

補丁針對的模型缺陷消失後，它就變成死重；Anthropic 建議在模型變強時重新檢驗每個補丁的假設。開頭說規則檔裡那些壓舊模型毛病的提醒讀起來多餘，原因就在這裡。Anthropic Claude Platform 團隊的 Lance Martin 在 2026 年 4 月 2 日的文章裡寫：

"Agent harnesses encode assumptions about what Claude can't do on its own, but those assumptions grow stale as Claude gets more capable." （Lance Martin, Anthropic, 2026-04-02）

他舉的例子是 context anxiety：Sonnet 4.5 感覺到 context 快到上限時會提早收尾，團隊因此加了清空 context 的重置機制；換成 Opus 4.5，這個行為不見了，原文說那些重置 "had become dead weight in the agent harness"。文章把「現在可以停止做什麼？」（what can I stop doing）列為修剪的問題。

Cursor 也在拆。2024 年底它花了很多功夫做護欄，例如每次編輯後把 lint 與型別錯誤丟給 agent、限制單輪最多可呼叫的工具數；文章說這是兩種護欄，前者是替模型事先備好的資訊，後者是限制。文章說，事先固定塞給模型的資訊現在 "mostly long gone"（多半已經不在），改成讓模型需要時自己去取。

工程上的意思： 每個補丁至少要記兩件事：它針對哪個模型、壓的是哪個失敗。沒有這兩個欄位，換模型時就無從判斷該不該拆。

四方的說法哪裡一致，哪裡不同？

四方一致的地方是駕馭層的某些部分和模型綁在一起，換模型要重新檢查；不同的地方是遇到綁定後的應對方向。

表 3　遇到綁定後的三種應對方向（本站歸納）。Armin 也認為對抗訓練留下的偏好大概白費力氣，所以他的結論接近「順著走」再加保證。

文中引用的數字都來自各自的環境，沒有第三方重現。Armin 的因果說法是假說；LangChain 的數字來自單一子集；Cursor 的文章沒有給失敗率。研究文獻也開始碰這個問題：Kyungmin Kim 等人的〈The Interplay of Harness Design and Post-Training in LLM Agents〉（arXiv，2026 年 6 月 24 日投稿，9 月 28 日修訂 v2）在擴充過的 ALFWorld 環境裡把 harness 當成可調變數。摘要寫的結果是：後訓練時把駕馭層設計納入考量，能改善模型在熟悉設定下的表現，也有助於適應沒見過的設定；如果後訓練只用最低限度的駕馭層，之後工具變動較大時，表現會明顯下降。這個實驗環境和商用 coding agent 差得遠，只能當方向參考。

換模型之前先做什麼？

把換模型當成一次發版，先驗過編輯工具、提示詞與補丁再切換。我的建議分三步，前提是你的 agent 已經有一批可重跑的任務：

1. 用自己的任務在新模型上跑一遍，記兩種比率：工具驗證退回呼叫的退回率（工具層的問題），以及模型拒絕做事的拒絕率（像 context anxiety 那類行為問題）。前者是 Cursor 與 Armin 的問題最先顯示的地方。
2. 把模型專屬的提示詞與工具設定拆成獨立一層，照 LangChain 的 profile 或 Cursor 的逐模型客製的方式；一段對話中途不換。
3. 給每個補丁標上針對的模型與失敗，換模型時逐一比較保留與移除補丁的結果，只留下仍能避免該失敗的補丁。

沒有可重跑的任務集時，第一步做不了，先補任務集比先讀完這四方的文章更有用。

回到開頭那一行 model 欄位：改一個字很快，驗證要跑一輪。新模型上線後，先問哪個補丁已經用不到，再問哪個接點開始出錯。

下一篇把 12 個 Agent 框架放進同一張表，看 Deep Agent 派與從基礎打造派各內建了哪些能力。

常見問題

換模型後 agent 變差，要先看哪裡？

先看工具呼叫有沒有被退回，再看提示詞。Cursor 說格式不熟的工具會多花推理 token、多出錯；Armin Ronacher 在 coding agent Pi 裡看到 Claude Opus 4.8 與 Sonnet 5 在巢狀編輯參數裡加了不存在的欄位。這兩類都能從工具呼叫紀錄看出來，不必先猜模型變笨。

Strict tool invocation 能解決工具參數亂加欄位的問題嗎？

Strict tool invocation 由平台強制工具參數符合規格。Armin Ronacher 表示，在他自己的 Pi 測試裡，開啟後消除了參數亂加欄位的現象；他同時指出 strict 模式對工具定義的複雜度有上限。文章只報告了他的環境，換成別的工具結構是否一樣有效，文章沒有說。

一段對話可以中途換模型嗎？

可以，但有代價。Cursor 指出，新模型要接手另一個模型留下的對話紀錄，快取也會落空，切換後第一輪更慢更貴。它建議除非有理由，一段對話固定一個模型；需要別的模型時改派子代理（另開、帶獨立對話內容的 agent），讓它從全新的 context（模型這次讀到的全部內容）開始工作。

為舊模型寫的提示詞，換新模型後還要留嗎？

要重新測。Anthropic 文件說，Opus 4.5 與 4.6 對 system prompt 更敏感，原本為了防止漏用工具而加的強硬語氣，現在可能造成過度觸發（模型在不需要時也呼叫工具）。LangChain 的做法是把模型專屬的提示詞與工具設定收進 profile（逐模型設定表），每個模型各用一份。

延伸閱讀

• 新模型出來了要不要換？AI 功能答錯時，換模型多半沒用（2026 除錯懶人包）
• AGENTS.md 怎麼寫？規則寫越多，Agent 反而越貴？（2026 完整教學＋範例）
• Multi-Agent Coding 是什麼？同時開很多個 Agent，真的會比較快嗎？（2026 完整解析）

參考資料

• Stefan Heule, Jediah Katz, Cursor, continually improving our agent harness（2026-04-30） https://cursor.com/blog/continually-improving-agent-harness
• Armin Ronacher, Better Models, Worse Tools（2026-07-04） https://lucumr.pocoo.org/2026/7/4/better-models-worse-tools/
• Vivek Trivedy, Mason Daugherty, LangChain, Tuning Deep Agents to work well with different models（2026-04-29） https://www.langchain.com/blog/tuning-deep-agents-different-models
• Vivek Trivedy, LangChain, Improving Deep Agents with harness engineering（2026-02-17） https://langchain.com/blog/improving-deep-agents-with-harness-engineering
• Lance Martin, Anthropic, Harnessing Claude's intelligence（2026-04-02） https://claude.com/blog/harnessing-claudes-intelligence
• Anthropic, Prompting best practices（文件頁，查閱於 2026-10-23） https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices
• Kyungmin Kim 等, The Interplay of Harness Design and Post-Training in LLM Agents（arXiv 2606.25447，2026-06-24 投稿，v2 2026-09-28） https://arxiv.org/abs/2606.25447