夜雨聆风一条提示词，一台云服务器，一个通宵当工程师第二天醒来，AI已经把运行自己的那套代码翻了个底朝天，跑分从77.5%飙到88.8%，每次测试的账单反而从79美元降到不足50美元。
这段情节颇像科幻小说的开头2026年7月底，开源编码代理Cline公布了一场精心设计的实验：让AI代理连续自主运行约17小时，诊断、修复、迭代运行AI自身的底层框架代码，并在斯坦福参与推动的Terminal-Bench 2.1基准测试上反复验证。整场实验花费约680美元，产出约10亿个token。
消息公布后，社交媒体上出现了两种截然不同的评价。有人高呼"递归自我改进的早期形态已经出现"，也有人冷冷回应："所谓递归自我改进，就是在Cline里跑了个Kimi然后让它改Cline。"
▲ Cline官方发布的前后对比：灰色柱77.5%/$79，蓝色柱88.8%/$49.8，绿色标注"+11.3分"与"便宜37%"
一条提示词，发动一场17小时的“自我手术”
先把角色关系理清楚，这件事里其实有两个AI在协同工作。
主刀医生是OpenAI的GPT-5.6-Sol，它负责读失败日志、提假设、写补丁、调度实验，是整场17小时马拉松的"大脑"。被手术的对象是Cline这套开源编码代理的CLI运行框架（业内叫harness），你可以把它理解成AI和真实世界之间的"神经接口"：怎么发请求、怎么重试、怎么判断自己是否陷入死循环、怎么避免把自己的进程误杀。最终上场考试的选手，则是Moonshot的Kimi K3。
一个AI改框架，另一个AI跑考试框架改得好不好，用考试成绩说话
这条发动一切的提示词，由团队先请GPT-5.6根据过往经验起草，人类再收紧边界，最终以公开gist的形式挂在GitHub上。它围绕一个核心研究问题展开：Kimi K3能否通过检查和改进运行自己的Cline框架，在Terminal-Bench 2.1上取得真实、可复现的提升，同时严禁作弊？
四刀下去，把五类"幽灵故障"逐个斩杀
基线成绩是69/89题通过，77.5%20道失败题里，17次带有异常退出痕迹。AI没有急着刷分，而是像一个经验丰富的SRE工程师一样，先做故障归因。
故障一：限流即死 Kimi K3当时供应紧张，OpenRouter频繁返回429错误（"太多请求"），旧框架收到拒绝就直接放弃。修复很朴素：把重试次数从2提到5，加指数退避。5道因此失败的题，全部翻盘
故障二：假死循环 有两道题需要AI轮询后台长任务，输出一直在变化、任务确实在推进，但旧的循环检测器只看"是否在重复调用同一个工具"，于是把正常工作误判成死循环并强行终止。改成"输出感知型"检测后，两题翻盘
故障三：7.6秒幽灵退出 一道题在7.6秒内退出，零token、无会话记录，模型甚至还没被调用就死了。根因被追溯到一个极其隐蔽的bug：提示词中出现类似@a的token触发了文件查找功能，而一个异步worker的超时逻辑让进程在模型响应之前就合法退出了。一行代码修复，确定性翻盘
故障四：任务自杀 两道题里，AI为了清理后台进程使用了pkill -f命令，这个命令会匹配所有含特定字符串的进程，结果把运行自己的父进程也一起杀了。修复方式是在工具说明里加入警告：追踪精确PID，不要用宽匹配。
▲ 社区热传的"680美元commit"：右侧是新增的pkill -f警告代码，被戏称为"史上最贵的几行注释"
成绩单：更强，同时更便宜
四轮修复组合完毕后，进入全量确认阶段。三次独立确认跑的成绩分别是：
| 确认跑1 | 79/89 | 88.8% | $49.8 |
三次均值约87.3%，异常率从基线的19.1%降到约9.8%。另一个亮点是成本下降约37%评论者Sandeep Alluru算了一笔账，同样的钱买到的分数涨了约1.8倍，"变好的同时还变便宜，这几乎从不发生"。
▲ "变好的同时变便宜"，这组数据让不少人感到意外
而对比其他模型跑同一基准的成本就更刺激了：博客显示，GPT-5.6 Terra一次跑分约400美元，Claude Fable 5约552美元，而优化后的Kimi K3+Cline只要不到50美元，不到前者的十分之一。
▲ 博客中的成本对比：Kimi K3蓝色矮柱 vs GPT-5.6和Fable 5的灰色高柱，标注"不到1/10的成本"
"递归自我改进"还是"一次性自动调参"？社区吵翻了
Cline官方和工程师Ara Khan都用了一个极具冲击力的标签：Recursive Self Improvement（递归自我改进）。科技账号SciTech Era的引用转发更是直接写成"实用的递归AI自我改进"，Dr Singularity等账号则宣称"这就是递归自我改进的早期阶段"。
▲ "这就是递归自我改进早期阶段的样子"，乐观观点的典型代表
但质疑声同样尖锐
研究者Louis Mullie的反驳很简短，却像一把手术刀：一轮带提升的自我修改，不等于递归自我改进。
▲ "一轮修改有提升 ≠ 递归自我改进"，定义之争的核心一击
账号Unobserved追问得更狠：完整的递归自我改进，应该是装上新harness之后还能继续改进自己。你觉得现在这个新harness能把分推过88.8%吗？看起来不能，否则你们早做了
▲ "改进后的版本能否继续自我改进？"，这是检验RSI的试金石问题
而chiefofautism给出了一种简洁的拆解：所谓"递归自我改进"="我在Cline里跑了个Kimi K3，然后让它改Cline"。
这场争论的实质是：经典AI安全文献中的RSI，指的是系统改进自身认知能力，且改进后的版本能更快地继续改进，形成加速飞轮。 Cline展示的可视为一次出色的自动化hill climbing：代理改了框架、分数上去了、成本下来了，但没有证据表明这个过程可以无限递归下去。博客自己也用了"a version of RSI"这样留有余地的措辞，到了多次转述中，限定词逐渐消失，结论却变得越来越确定。
还有一个方法论层面的硬问题：研究者Ari Heljakka指出，Terminal-Bench的分数本身就在优化循环内部。即使提示词明令禁止写题专解、改判分器，但以榜单为反馈信号做17小时迭代，选择压力本身就可能造成对特定评测集的过度适配，学术界管这叫benchmax。
680美元买到了什么？
整场实验的总账单约680美元，拆开看：
- GPT-5.6-Sol控制线程
：约2.77亿token，~337美元 - Terminal-Bench评测跑分
：约3.91亿token，~344美元
合计约10亿token有人把最终PR里那几行"不要用pkill -f"的代码截图贴出来，戏称这是"史上最贵的commit"。这句玩笑遮蔽了真实的价值分布：680美元覆盖了完整的失败诊断→假设生成→代码修改→子集验证→全量确认→无效跑排除科学循环，最终几行注释只是其中一小部分。
更有意思的对比是时间成本2026年2月，Cline团队用人工方式做类似的hill climbing，四个工程师花了数周，才把另一个模型从47%推到57%。六个月后，同样的方法论流程，一个工程师发一条提示词，AI跑17小时，把分数推了11个百分点。
这场实验为什么重要？
剥开"递归自我改进"这个闪亮的外壳，这场实验展示的工程能力可能比标签本身更有价值：
工程闭环已经贯通 AI完成了"读故障日志→提假设→改代码→验证→保留或回滚"的完整流程，工作发生在真实终端环境中，对着89道涵盖Linux内核编译、OpenSSL证书、数据分片的任务做系统级可靠性工程。
评测基础设施、可执行协议和长时agent同时成熟了。 89道题并行跑完压到几十分钟，反作弊规则写死在提示词里，全部traces和代码包公开可下载。这些条件共同让"自动爬山"成为680美元账单上可核对的工程实践。
控制AI与执行AI的双模型编排，可能成为常态。 用贵的前沿模型做大脑、用便宜的开源模型跑考试，这种分工在成本上极具吸引力。Cline文末透露，他们已计划把类似流程做成新模型发布后的标准动作：先基线，再用AI自动榨取harness红利。
眼下还没到宣布奇点降临、把每一次"AI改了自己的代码"都说成觉醒的时候。有一件事正在安静地发生：AI把改进自身运行环境的工程周期，从"数周数人"压缩到了"一夜一提示词"。 这条曲线的斜率，已经值得持续观察
