Ótimo teste, principalmente por declarar o método e os limites em vez de vender "agentes são sempre melhores". Uma coisa que bate direto com o que você mediu: o ganho não vem de mais agentes, vem de menos redescoberta.

Na prática isso significa dar ao harness uma memória em arquivo, não em contexto de conversa — um CLAUDE.md ou AGENTS.md que funciona como a "constituição" do projeto: onde as coisas vivem, quem faz o quê, e uma regra de ouro explícita (ex.: "nada sai do sistema sem confirmação" para qualquer ação com custo real). É isso que faz o agente ir direto ao ponto em vez de gastar 7 ou 17 turns adivinhando onde procurar.

A outra metade é dividir por função em vez de um agente generalista fazendo tudo: um cuida de pesquisa, outro de execução, outro de revisão — cada um com escopo pequeno o bastante para não precisar "lembrar" o sistema inteiro. Seu checklist final captura bem o risco oposto: regra sem dono vira ruído, e um índice desatualizado é pior que harness vazio, porque erra com a mesma confiança de quem acerta.