# FrontierLLMHarnessValidation

Kleines Validierungs-Repo fuer eine einzige Frage:

"Wie veraendert sich derselbe Harness, wenn OpenClaude von Opus 4.7 auf GPT-5.4 umgestellt wird?"

## Scope

Nur Validierung.
Kein Produkt.
Kein Dashboard zuerst.
Keine Meta-Architektur.

## Was hier als Naechstes zu tun ist

1. Einen kleinen festen Testkatalog definieren
   - 3 bis 5 Prompts
   - gleiche Prompts fuer beide Modelle
   - gleiche Harness-Bedingungen

2. Eine minimale Run-Struktur festlegen
   - Modellname
   - Prompt
   - Antwort
   - Tool-Calls
   - Laufzeit
   - Exit/Done-Zustand
   - kurze Judge-Notiz

3. Fuer jeden Testfall zwei Runs sammeln
   - einmal OpenClaude mit Opus 4.7
   - einmal OpenClaude mit GPT-5.4

4. Die Ergebnisse als einfache JSON-Dateien abspeichern
   - noch keine Datenbank
   - noch keine komplexe Pipeline

5. Erst danach eine Auswertung bauen
   - Unterschiede markieren
   - keine Annahmen mehr, sondern echte Laeufe vergleichen

## Nicht jetzt

- kein grosses Benchmark-System
- keine automatische Judge-Infrastruktur
- keine neue Multi-Agent-Architektur
- keine Website zuerst

## Ziel

Von "plausibel erzaehlter Unterschied" zu "mit echten Runs belegter Unterschied".