我的建议是：优先做“评测隔离与晋升闸门”（独立验证层）。

原因很直接：你观察到的“模型换强了，任务成功率却不怎么动”的现象，根源往往不是模型能力不足，而是缺少一个能客观判断任务成败的“裁判”。就像你看到的那个回答里说的：“生产级 Harness 里，我最不建议省的是独立验证层……这一层在，模型怎么换都还守得住；这一层没了，后面加再多能力都只是放大自我欺骗。”