Claude Code 和 Cursor 為什麼好用？答案不是模型，是支架

同一個模型換支架差 36 個百分點。Cursor 省近半 token，Vercel 砍 80% 工具反而成功。拆解 Claude Code 到 Manus 的支架設計，以及為什麼頂尖團隊都在做減法而不是加法。 ⭐ 文章深度讀：拆解 Claude Code、Cursor、Manus 三家公司各自怎麼設計支架 → https://heymaibao.com/agent-harness-real-product/ 📝 懶人包 ∙ 同一個 AI 模型換不同支架，表現差距可達 36 個百分點。決定 AI 工具好不好用的，不是模型本身。 ∙ 支架設計的核心模式叫「漸進式揭露」：不一次灌入所有資訊，讓 AI 按需取用。Cursor 因此省下近一半的 token 消耗。 ∙ 打造頂尖 AI agent 的團隊都在做減法。Manus 重寫五次每次都在刪東西，Vercel 砍掉 80% 工具反而讓 agent 從失敗變成功。 ∙ 我的觀點：這個發現改變了我看 AI 工具的方式。以前我比較模型，現在我比較支架。如果你也在選工具，模型只是引擎，支架才是整台車。 📚 參考資料 @hxlfed14 — Agent Harness is the Real Product → https://x.com/hxlfed14/status/2028116431876116660 Anthropic — Effective Harnesses for Long-Running Agents → https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents Cursor — Dynamic Context Discovery → https://cursor.com/blog/dynamic-context-discovery Manus — Context Engineering for AI Agents: Lessons from Building Manus → https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus LangChain — Improving Deep Agents with Harness Engineering → https://blog.langchain.com/improving-deep-agents-with-harness-engineering/