论文关注企业大规模部署 AI 编码智能体（coding agent）所带来的成本与治理问题。所谓 harness，指运行 AI 编码智能体的产品（如 Anthropic 的 Claude Code、OpenAI 的 Codex），企业通常不自研而是向大厂采购，部署规模已从数百席位的试点扩展到数万席位。作者指出，harness 实际上决定了由哪个模型回答、模型能读取什么内容、提示缓存（prompt cache）如何被使用、以及哪些子智能体（subagent）会被启动；换言之，它既决定了价目表上的计价档位，也决定了购买量，因此沿用专有或未经调优的 harness 默认配置，就等于继承了这些选择及其账单。 为解决该问题，作者构建了一个快速、可定制的路由层。其核心是名为 Jev 的分类器，输出带校准的概率，把每一条 prompt 对照企业自有的（bring-your-own）智能体请求分类法进行标注。论文特别强调一个关键约束：一个用户回合会在属于某一个模型的提示缓存上产生许多次请求，因此路由只能在“已有对话无需重建缓存”的时机迁移工作负载，即会话开始、侧车道（side lanes）以及子智能体启动时。基于价目表，作者推导出任务中途切换模型何时才能收回成本，并给出一个交叉点结论：在长时间、工具调用密集的会话中，最高价模型的总成本反而低于次一档模型。作者用来自公开数据集的约 10,000 个真实会话进行重新计价以验证上述结论。在一个模拟的 10,000 席位企业环境中（用户行为取自这些数据集），按 Anthropic 2026 年 9 月 21 日的列表价计算，该路由器可回收 14%–21% 的模型支出，相当于每年 330 万至 500 万美元。 除成本优化外，论文还梳理了二十种 harness 的风险面，对“依赖单一厂商模型”的做法进行了定价分析，并提出一套企业可以立即在内部自行运行的控制平面（control plane），同时给出一个决策阶梯，用于后续判断是否应当自建 harness。适合企业架构师、平台与 FinOps 团队、AI 安全治理人员以及 SOC 阅读。