最近在写一本《Harness Engineering 实战》。第七章是验证层，原本只是想引几篇 Anthropic 和 METR 的论文带过去。结果跑实验跑出了几个反直觉的数字，干脆停下来把整章重新梳理了一遍。 我用 DeepSeek 改 5 个 Python bug，每个跑 3 次。 15 次结果都是"任务完成 "。