Doc2Harness: Benchmarking how well AI builds agent harnesses

Doc2Harness 是一个两阶段基准测试，评估 AI 在构建长周期智能体框架时的表现。该基准测试中，GPT-6 Astra 在 328 个测试用例中以 53.05% 的通过率位居首位，最弱模型通过率为 27.44%。测试显示，即使最强模型也未能通过近半数用例，失败主要集中在跨模块功能划分上。