之前做 harness engineering 的 benchmark ，挑选了一些之前项目中做过的 Tasks 做测试用例 一跑下来 grok 接近满昏，把 claude 、codex 按在地上摩擦，被震惊得不要不要的，要知道我们的代码库由于历史悠久多少有一些非常规的写法或实现，这些它都能模仿出来 越看越不对劲，后来一查过程，好家伙，直接通过 git 记录找到了标准答案，😓😓😓