提示词越短反而越贵？揭秘 Harness Agent 的“Token 经济学”
在构建 AI Agent（Harness）时，许多开发者都有一个根深蒂固的直觉：“提示词（Prompt）越短越好，这样能省 Token，还能给模型留出更多的上下文空间。”
但残酷的工程现实恰恰相反：对于复杂的 Harness Agent 来说，提示词越短，往往意味着总 Token 消耗越高；而越详细、结构越严谨的提示词，反而能带来更精准的控制和更低的整体成本。
为什么会出现这种“反直觉”的现象？我们需要从 Harness（马具/编排层）的运行机制来寻找答案。
❌ 模糊的“短指令”：隐形的试错成本
当我们将系统提示词（System Prompt）写得非常简短、模糊时，看似为上下文窗...
