先说结论 Edit 工具是 harness 里最小的一格：差不多就是「拿 oldText 找位置、换上新内容」几百行代码。但它正好卡在模型和环境之间——模型负责知道要改什么，它负责让这件事真的改对。 我们给它搭了三层 bench，把四个 harness 放进同一批 case 里对撞，最后拿到的最有价值的产出不是某个优化点，而是对自己的三次证伪： 我们排在第一位、反事实重放里「修复 97% 失败」的改动（行首缩进归一化）——不可复现，降级。 那 97% 集中在单一 case，且 live A/B 里 base…