認知翻轉：90% 的價值在 harness，不在模型
翻轉前的心智模型：微調 Gemma4 → 得到一個好的 agent 模型 → 部署。 翻轉後：agent CLI 產品的價值約 90% 在 harness—— CLI 介面、agent loop、工具呼叫、context 管理、評測集。 模型只佔 10%。
這個認知轉移有一個直接的後果：與其繼續花時間做第 v5f 版訓練， 不如先用現成的 coder 模型（qwen2.5-coder-7b） 建出 MA 基線，再用真實任務評測找出真正的弱點， 再決定微調的方向和規模。
路線圖：MA（CLI 骨架）→ MB（真實任務評測集）→ MC（base model 跑評測） → MD（先 prompt 後微調、用真失敗軌跡當資料）→ ME（部署打磨）。 Gemma E2B 2.3B 推理天花板低，MC 拿到數據後再決定是否換模型。
MA 落地：LM Studio + Aider，最短路徑
用現成件組 MA 基線： 引擎是 LM Studio（port 1234，OpenAI 相容，守使用者既有約定而非 Ollama）， 模型是 qwen2.5-coder-7b-instruct（mlx-community MLX 4bit，4.3GB）， 介面是 Aider（uv tool install --python 3.12 aider-chat）。 設定 ~/.aider.conf.yml 指向 http://localhost:1234/v1。
端到端實測：aider --message 寫 fib.py → 套用 edit → python3 執行正確。MA 完成。
lms get 下載三連敗
用 LM Studio CLI 下載模型踩了三個坑： staff picks 搜 qwen2.5-coder-7b-instruct-mlx 無結果； 用 mlx-community/Qwen2.5-Coder-7B-Instruct-4bit 短路徑報 artifact 不存在； qwen/qwen2.5-coder-7b-instruct --mlx 也失敗。 唯一可行的方法是用 HuggingFace 完整 URL（https://huggingface.co/mlx-community/...）。
下載中途遇到 0 B/s 逾時，重跑同指令即自動續傳完成。 判斷下載是否在進行中：du -sh ~/.lmstudio/models 看大小有沒有增長。
最重要的教訓：宣告完成前要驗機器實態
對話前段的 context 曾提到「已安裝 Ollama + qwen + Aider」。 實際用 command -v 驗機器，全部不存在——安裝從未完成。 記憶和對話摘要不是 ground truth，機器的實態才是。 宣告「已安裝」之前必須在機器上驗一次。
另一個邊界說明：gemma4 的 minja tool template 在 LM Studio 跑不了， 這是已知地雷。但 Aider 走純文字 diff 格式、完全不用 tool-calling， 所以 LM Studio 搭 Aider 完全可行。地雷要看適用範圍，別過度泛化。
關鍵教訓
harness 是主體，模型是零件：在決定換或微調模型之前，先把 CLI + agent loop + 評測集建起來，找出真實弱點，才知道微調要打哪個靶。
宣告安裝完成前驗機器：對話 context 的「已安裝」記憶不可信，command -v 一下才是實態。
lms get 唯一可行路徑是 HuggingFace 完整 URL：staff picks 搜不到就直接給完整 HF repo URL，比反覆試短路徑快。
地雷的適用範圍要說清楚：gemma4 minja 地雷是 tool-calling 路徑專屬，不適用 Aider 的純文字 diff 流程。