AI 横评看多了，容易得出「X 模型比 Y 模型强」的结论。但我最近更好奇另一个变量：壳。
同一个模型，装进不同的 harness（agent 应用）里，给它一样的提示词，产出会差多少？差在哪？为了回答这个问题，我找了个晚上，把 GLM-5.3-FLASH 分别装进三个 harness——ChatGPT 桌面版、Claude Code、ZCode——跑了两道题，全程记录耗时，产物留档对比。
结论先放这里：模型决定下限，harness 决定上限。三个壳的产出都能打，但性格迥异。所有产物做成了在线 demo，文末可试玩。
1. 实验设计
控制变量，先交代清楚：
- 模型：全部为 GLM-5.3-FLASH，同一时段完成（harness 版本号未逐一记录，截至 2026-09）
- harness：ChatGPT 桌面版 / Claude Code / ZCode
- 计时口径：从提交指令到最终交付的完整任务时间
- 环境：同一台 Windows 机器，同一个晚上连续完成
两道题都是社区经典或接近经典的题型。第一道：
Generate an SVG of a pelican riding a bicycle
并且可以动起来
第二道：
一个 HTML 页面。使用 web 技术写一个黑洞演示，要 fancy，可以使用 webgl 或 web gpu 等最新技术实现。单页 HTML 即可，fancy 的同时也要尽可能真实，可以添加简单的交互。
总耗时一览（详细分析见下文）：
| 任务 | ChatGPT 桌面版 | Claude Code | ZCode |
|---|---|---|---|
| 鹈鹕骑车（动画 SVG） | 7m30s | 11m20s | 28m0s |
| H5 黑洞（WebGL 单文件） | 14m3s | 21m21s | 25m49s |
两道题 ZCode 都是最慢的。先别急着下结论，看产物。
2. 第一题：鹈鹕骑车
三只鹈鹕都是会动的（下面就是原图，不是截图）：
单独看都觉得「还不错」，并排看差异就出来了：
| ChatGPT 桌面版 | Claude Code | ZCode | |
|---|---|---|---|
| 体积 | 10.0 KB | 10.4 KB | 14.2 KB |
| 动画手法 | 17 处 SMIL：车轮辐条旋转、地面滚动、云朵漂移 | 腿部用路径形变（d 插值）蹬踏板，速度线用 stroke-dashoffset，另配 CSS keyframes | 路径 + 点集双重形变，4.2s 周期眨眼，太阳 60s 自转，全部用贝塞尔缓动 |
| 无障碍 | 无 | 仅 <title> | aria-labelledby + <title> + <desc> |
最有意思的是 ZCode 的过程文件：目录里留了两版——开工约 10 分钟时它先交付了一版带完整无障碍标注的静态图，然后继续打磨，到第 28 分钟升级成动画版。也就是说它把这道题当成了「先给可用版本，再迭代到满意」，而不是一次性交差。
无障碍标注不是运气，两版都保留了：
<svg ... role="img" aria-labelledby="t d">
<title id="t">Pelican riding a bicycle (animated)</title>
<desc id="d">An animated flat-style illustration of a cheerful
pelican wearing a red helmet, pedaling an orange bicycle...</desc>3. 第二题：H5 黑洞
这道题三个壳的完成度都出乎我意料——都是真材实料的 WebGL2 片元着色器光线追踪，史瓦西度规下的测地线积分，光子环、多普勒集束（朝向观察者一侧更亮更蓝）、引力透镜（盘远端的光在阴影上下方各成像一次）这些相对论效应全都有，全部单文件零依赖，实测满 120 FPS。
ChatGPT 桌面版 · 14m3s，450 行，23 个 uniform。界面最克制，该有的都有：吸积盘亮度、盘面温度（开尔文）、时间流速、三种预设，加载文案是「正在弯曲时空 …」：
Claude Code · 21m21s，515 行，28 个 uniform。多了两个很有工程意识的细节：ACES 色调映射和动态分辨率（根据帧耗时自动调渲染精度）。加载动画本身画成了一个带光子环的小黑洞：
ZCode · 25m49s，703 行，35 个 uniform，三者中最重。除了完整的物理参数面板，它做了一个另外两家都没做的事：在左下角放了一个「你在看什么」的科普面板，把光子环、多普勒集束、引力透镜、爱因斯坦环一一标注出来——顺手把「黑洞演示」升级成了「黑洞科普」：
还有一个三家不约而同的彩蛋：都做了主题化的加载文案——「正在弯曲时空 …」「正在编译着色器 …」「初始化引擎 …」。没人要求这个，是 harness 们自己的审美。
在线试玩（都在我的博客上，零依赖直开）：
4. 同一个大脑，三种性格
这次实验最触动我的不是「谁画得好看」，而是：模型明明是同一个，产出性格却截然不同。
黑洞题的完成度证明了下限是模型给的——三个壳都能交付能打的产物，说明 GLM-5.3-FLASH 的图形学和相对论功底扎实，谁来用都不虚。
而差异是 harness 给的，我总结了三条：
- 迭代意愿。ZCode 是唯一留下「先交付、再打磨」痕迹的（静态版 → 动画版）。慢的 28 分钟里，有 18 分钟是在自主升级。
- 工程素养的坚持。三道题里只有一个产物带无障碍标注，且两版都保留——不是提示词要求的，是 harness 自己的习惯。
- 对「读者」的照顾。Claude Code 给渲染加了动态分辨率（照顾帧率），ZCode 给画面加了科普面板（照顾观众）。前者是性能思维，后者是产品思维。
速度上 ChatGPT 桌面版两轮都是最快，如果只是出个草图、验证个想法，它最省时间。
5. 结论：综合最适合的是 ZCode
如果只看速度，ChatGPT 桌面版赢；如果看单点工程技巧，Claude Code 的动态分辨率很惊艳。但综合产物质量、细节完成度、自主迭代和无障碍习惯，我投 ZCode——慢一点，但交付的东西拿得出手，也最让人放心。
这也回答了开头的问题：选 agent 应用的时候，别只盯着模型跑分。同一个模型，换个壳，你得到的是三种完全不同的协作者。模型决定下限，harness 决定上限——选个性格对味的壳，比等下一次模型更新更立竿见影。