框架退位,本能上位:AI如何把＂试错＂炼成本能

他们把Claude 3.7 Sonnet放进SWE-bench测试时，只给了两个工具：一个bash命令行，一个最基础的文件编辑器。没有复杂的文件检索系统，没有精心编排的Prompt流程，没有MCTS树搜索，也没有best-of-N拒绝采样。

结果？70.3%的真实GitHub issue解决率。

一年前，首个"AI程序员"Devin凭借厚重的外部框架才拿下13.86%。而到2026年2月，Claude 4.5 Opus 在同样极简的测试条件下，把公开纪录推高到了76.8%。

社交媒体上还有传闻——据说Anthropic内部有个叫 Mythos 的预览模型，已经逼近了94%。真假难辨。但Anthropic用70.3%到76.8%的极简实验告诉我们：真正重要的不是数字本身，而是模型不再需要外部导演了。它自己在报错和修正中，学会了怎么当工程师。

这不是某个产品的胜利，而是一场关于AI能力构建逻辑的深层革命。

一、两次跃迁：从"吃书"到"试错"

第一次跃迁：互联网被"吃光"了

传统大模型的训练逻辑很朴素：把人类写下的书、论文、代码、网页全塞进去，让模型记住模式。

但这套方法的天花板已经触手可及。高质量文本数据即将耗尽。Epoch AI预测，到2026年预训练将面临严重的"数据墙"。更关键的是，静态文本里只有正确答案，没有人会把自己"试错了127次的心路历程"写下来。

背得多，不等于会解决问题。2024-2025年，研究界达成共识：预训练不再是高潮，后训练（Post-training）才是现代AI能力的引擎。

第二次跃迁：从"外包工程"到"内化本能"

当模型需要"像人一样解决问题"时，业界的第一个反应是：加框架。

这些方法短期内有效，但本质上是在用静态的人类工程，弥补动态模型能力的不足。

一个尖锐的问题随之浮现：如果模型只能靠外部脚手架才能表现得像Agent，那它真的具备Agent能力吗？

2024年之后，答案开始变得清晰。模型开始在真实环境中产生海量执行轨迹——目标、感知、推理、行动、反馈、修正——并通过强化学习（RL）和过程监督，将这些策略逐步内化为自身的本能。

这不是简单的性能提升，而是AI能力建设的第二次跃迁。

二、轨迹训练：让模型"开窍"的秘密

Agent执行轨迹不是简单的"你问我答"，而是一个完整的事件序列：

目标 → 环境感知 → 推理规划 → 行动执行 → 环境反馈 → 反思修正 → 结果验证

这个链条里藏着纯静态文本无法提供的关键信号：思维链是怎么推导的、工具使用决策何时做出、走错了路如何掉头、以及模型对自己思考的再思考。

为什么轨迹能让能力"内化"？

第一，信息密度远超静态文本。 一篇数学论文可能只有500字，但作者真实的思考过程——尝试了3种辅助线、否定了2个错误假设、回溯了1次——等效于5000字的决策信息。轨迹数据把这座"冰山"完整地记录了下来。

第二，错误比正确答案更值钱。 静态数据集里全是 polished 的正确答案，但真实轨迹里充满了某条路径走不通、编译报错后如何调整、测试失败后怎么排查。没有经历过足够多"犯错-修正"循环的模型，永远无法将Agent能力真正内化。

三、最好的证明：AI编程能力的两年跃迁

数据不会说谎

SWE-bench Verified，这个评估AI修复真实GitHub issue能力的黄金标准，两年内发生了惊人的跃迁：

截至2026年4月，公开 leaderboard 的最新纪录仍停留在2月这批数据。但趋势已经足够清晰：顶尖模型在"不加导演"的极简测试条件下，集体逼近了75%-76%的区间。

模型正在把一次次编译报错、测试失败、策略回溯，内化为不需要人类编排的本能反应。

为什么编程是最理想的实验室？

编程领域为轨迹训练提供了得天独厚的条件：

OpenAI o3在SWE-bench任务中，平均要执行37次容器化shell交互，复杂修复甚至超过100次。Greg Brockman更透露，在极端任务中，o3曾连续发出600次工具调用。到了2026年，这种长程交互已成为头部模型的常态——"行动→观察→再行动"被内化为自身的决策本能。

在代码领域率先验证的"试错-内化"范式，将在数学、科研、商业分析等领域快速复制。

四、Claude Code的"瘦身"史：最佳商业案例

没有比Claude Code的迭代更能清晰地展示"外部框架→模型本能"这条内化路径了。

早期：靠外部框架硬撑

根据Anthropic工程团队的回忆，最早的Claude Code极其简陋。它不能读取文件，不能执行bash命令，只能通过AppleScript做一些简单交互。那时的模型完全没有内化的Agent能力，任何复杂任务都需要人类工程师 handcrafted 的外部逻辑。

到了Claude 3.5 Sonnet时代，模型获得了屏幕感知和光标控制能力，但"何时调用工具、如何组合、错了怎么办"，很大程度上仍由框架说了算。

2025年初：框架开始"退位"

这是转折点。Anthropic在测试Claude 3.7 Sonnet时，采用了"minimal scaffolding"策略：只给模型最基本的两个工具（bash命令行 + 字符串替换编辑器），文件定位、Bug分析、修复规划、测试决策，全部交给模型自己完成。

结果：70.3%的issue解决率。

这意味着，大量原本需要外部框架实现的策略——如何浏览代码库、如何定位Bug、如何根据测试反馈调整——已经被模型通过海量开发轨迹训练，内化为自身的推理本能。外部框架从"导演"退位为"舞台"。

2025-2026：舞台"扩容"

进入2026年，这条"内化"路径变得更清晰了。2026年2月，Anthropic 连发两弹：先是 Claude Opus 4.6（2月5日），然后是 Claude Sonnet 4.6（2月17日）。

看看公开 benchmark 上的成绩单：

这些数字说明一件事：模型不是被框架"教会"了怎么做，而是自己在海量试错-修正的轨迹中，内化了策略。

于是，Claude Code 这个框架的使命彻底变了。它不再是"导演"，而是在重构边界：新增了 Channels、Agent Teams、compaction、adaptive thinking 等能力。正如 Anthropic 所说：

"Claude Code 是为 AI 能力将去往的方向而构建的，而非为发布时的能力水平。"

五、不止于代码：这场内化革命能走多远？

代码只是第一块试验田。轨迹训练+内化这个底层逻辑，本质上不取决于"会不会写代码"，而取决于一个领域能否构建起足够密集、足够可信的"行动-反馈-修正"闭环。

按照"可验证性梯度"，所有知识工作可以被划分为三类：

编程不是终点，而是起点。 决定一个领域何时被颠覆的，是它能否回答三个问题：

能回答"是"的领域，都将成为下一块"内化试验田"。

六、对你我的启示：选工具的新逻辑

既然"使用即训练、训练即内化"是核心规律，那选择AI工具时，除了看当前能力，更要看这四点：

个人策略：既做轨迹生产者，也做驾驭者

你的每一次有效交互，都在参与塑造未来的AI。但比"用得勤"更重要的，是保持人的主导权：

写在最后

Agentic能力正在从外部工程框架，内化为模型本能。这场转移的起点是代码，但绝不会止于代码。它已经蔓延到数学推理、数据分析、科学实验，正在叩击法律、医疗、商业分析的大门。

驱动这一切的核心燃料，是每一次真实的交互——每一次提示、每一次运行、每一次报错、每一次修正——汇聚成的Agent执行轨迹。基座模型的竞争，已然从"谁的数据储量更大"，转向"谁的轨迹质量更高、学习闭环更密"。

真正塑造智能的，不是人类已经知道什么，而是人类如何解决问题——尤其是如何在试错、反馈和修正中逼近目标。

使用即训练，交互即内化，轨迹即资产。

你最近在用AI工具时，有没有某个瞬间觉得它"越来越不用教就会了"？欢迎在评论区聊聊你的观察。