RunRequest，以及 PreparedTask、EnvironmentSession、ExecutionPlan、RunResult 等小型契约把它们连接起来。因此同一个 benchmark 可以评测不同 harness，同一个 harness 可以从本地环境迁移到 Modal 或 Daytona，同一个 model endpoint 也可以替换，而不需要改 benchmark 代码。
AgentCompass 的目标是自由组合，但现实约束会被显式表达。Harness 可以通过
supports(...) 拒绝不兼容的 environment/model 组合，recipe 可以在 sandbox 启动前适配 image、workspace 和 resource。模块地图
Runtime
构造
RunRequest，加载组件，控制并发，发送 progress，并持久化产物。Configuration
说明默认配置文件、覆盖顺序、作用域参数，以及如何避免把 secrets 写进共享配置。
Benchmarks
加载任务、准备 benchmark material、评分 harness 输出并聚合指标。
Harnesses
把模型、CLI agent 和外部 agent framework 适配到统一的
PreparedTask 契约。Environments
为本地、容器、远程 sandbox 和集群 provider 暴露统一执行与文件接口。
Recipes
在 sandbox 启动前改写执行计划，处理 image、workspace 和 provider resource。
Models
保存每次 run 的 endpoint、protocol、API key 和采样参数。
Results
保存 per-task details、summary、progress、logs 和 analysis artifacts。
Analyzers
对已有 trajectory 做 latency、行为模式和 qualitative 后置分析。
一次 Run 的生命周期
设计原则
这种解耦带来的能力
按目标阅读
组合示例
下面这些例子展示同一种 runtime shape 如何覆盖不同评测方式。可复制的命令放在 Setup 和 cookbooks 中；这里重点说明模块边界。GUI grounding，本地执行
screenspot + qwen3vl_gui + host_process：benchmark 拥有图片和评分逻辑，harness 适配 VLM-style interaction loop，environment 只需要本地命令和文件 primitive。Agentic coding，远程 sandbox
swebench_verified + mini_swe_agent + modal 或 daytona：benchmark 提供仓库任务和 pass/fail evaluation，recipe 在 sandbox 启动前推导 image 和 workspace。Terminal tasks，隔离 shell
terminal_bench_2 + terminus2 + daytona 或 modal：harness 驱动 terminal 行为，environment provider 为每个任务提供隔离文件系统和 shell。Research 与 tool use，API-first
browsecomp + researchharness + host_process：benchmark 提供问题和 judge 逻辑，harness 处理 research workflow 和 model calls，不需要 benchmark-specific sandbox provider。