【Maka agent】跑起K3 单挑 KimiCode

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

• 我的帖子已经打上 开源推广 标签： 是


• 我的开源项目完整开源，无未开源部分： 是


• 我的开源项目已链接认可 LINUX DO 社区： 是


• 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是


• 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

同一个模型，配不同的 harness，差距能有多大？

我们拿 Kimi K3 跑了一遍 Terminal-Bench 2.1，对比官方 Kimi Code CLI 和 Maka：整体通过率 Kimi Code 59.6%，Maka 69.7%，差 10 %。困难题子集差距更大：43.3% 对 63.3%，差 20 %。

这里面有 1/3 的任务是因为 Kimi 推理服务超时失败的，跟 harness 本身无关。如果只看按时跑完的任务：Kimi Code 85.7%，接近官方给 K3 的基准分 88.3%；Maka 95.1%，逼近 TB 2.1 目前最高分 89.5%（gpt-5.6-sol）。也就是说，把推理速度这个变量剔除掉之后，差距其实更悬殊。

差距从哪来，拆开看很朴素：

◉ 第一，context-budget tool-result prune。89 个任务全开，省了约 187 万 token。这不是 K3 专属功能，是我们对所有模型都通用的机制——6 月底做过 121 组任务的 A/B 测试，验证过它性能不降反升（+2.48pp），token 消耗降 41.7%，成本降 31.6%。

◉第二，工具面和 system prompt。Maka 用的是精简工具面 + system prompt，Kimi Code 官方是 20KB 产品 prompt + 全量工具面。prompt 越厚、工具越多，模型要在噪音里找信号的成本就越高。另外 Maka 还根据 K3 的特点进行了一些小优化和bugfix。

◉第二，各种工程实践的过程中，有很多细小的优化点。经过了大量的AB test积攒出来的小的优势，最终累积成了一个大的优势。

不是说 Kimi 团队不用心——Kimi 在国产模型厂里已经算是对 harness 最上心的一家了。

差距主要是来自我们从一开始就把"跑分-看 trace-针对性改进-重跑"当成日常迭代循环，每次改动都要确认 terminal benchmark 分数不掉才合并。这个习惯攒了两个多月，才攒出这个差距。

完整报告和 harness 已经开源，欢迎复现：