大模型 Agent 落地为什么总差最后一步：37.3% 到 55.5%，缺的是 8 类可复用原语

先说一个体感很强、但很少被量化的现象。同一个前沿模型换一个更薄的 harness，在 Terminal-Bench 4.0 上的解决率会掉二十多个百分点；在 heelo.dev 那 46 个真实业务任务上，Claude Code 和 Codex 各自只能独立完成 9 个。模型没变，工具都接得上，掉的地方集中在同一处：拿到资源之后，怎么把它用到眼前这个具体任务上。 这篇 102 页、21 图、54