夜雨聆风一条提示词，一夜API账单，一个开源编程代理对着自己的失败日志连续手术十七个小时。
科幻小说里的设定，走进了现实2026年7月底，开源编程代理 Cline 团队公布了一项让整个AI工程圈炸锅的实验，他们用一条精心编写的长程提示词启动了一场自动化"爬坡战役"，让AI去改写运行AI的脚手架代码，目标只有一个：在Terminal-Bench 2.1基准测试上，把Kimi K3的分数往死里拉。
结果？77.5%飙到88.8%，成本从79美元砍到49.8美元。 更强，还更便宜
▲ Cline官方公告帖：左侧灰柱Before 77.5%，右侧蓝柱After 88.8%，成本下降37%
整场实验总花费：680美元吞掉了将近十亿个token没有一个模型权重被改动
一个工程师的一条提示词，替代了四个人几周的活
要理解这件事为什么值得兴奋，得先倒带半年。
2026年初，Cline团队曾面临一个尴尬局面：有潜在合作方来要基准分数，结果发现他们落后于Cursor、Claude Code等竞品。于是四个工程师咬牙坐下来，花了好几周时间，一条一条地读失败日志、猜假设、改代码、重跑评测，眼睛读到出血的那种。最终把某个配置组合的分数从约47%拉到了57%。
这套方法论，他们管叫"爬坡"（hill climbing）：分数涨了就保留改动，跌了就回退，反复迭代。朴素，但管用
▲ Cline早期博文《A practical guide to hill climbing》，记录了人肉爬坡的血泪史
半年后，模型能力更强了Cline工程师Ara Khan做了一件大胆的事：把"人怎么爬坡"这套流程翻译成一条可执行的提示词，交给GPT-5.6-Sol去当"总指挥"，让它自主完成"分析失败→形成假设→改代码→跑评测→记账→再来一轮"的完整闭环。
四个人、几周、无数杯咖啡的工作量，被压缩成了一条提示词、十七小时、680美元API账单。
分数上涨，靠的是“少死于非命”
这里有一个关键的认知转折，Kimi K3的模型权重，自始至终没有被改过一个比特。
那到底改了什么？
答案是harness，也就是模型外面那一层"运行框架"。你可以把它理解成AI的操作系统：怎么调用工具、超时怎么处理、API报错要不要重试、怎样判断代理陷入了死循环、后台进程怎么清理。模型再聪明，如果运行框架动不动把它"误杀"，分数照样上不去。
GPT-5.6-Sol在十七小时里，对着Kimi K3的失败轨迹做了一系列"验尸报告"，发现的问题堪称代理工程的"失败百科全书"：
实验1：API限流直接放弃 基线测试中有5个任务失败，原因完全相同，OpenRouter返回429（限流），Cline二话不说就放弃了。明明只是服务器说"等一下"，代理却理解成了"你完蛋了"。 修复：把重试次数从2提到5，加上指数退避。五个任务全部翻转
实验2：把合法轮询当死循环 两个任务里，代理在等一个长时间后台任务时反复查看进度。循环检测器看到"重复调用"就痛下杀手。但输出明明在变化，说明任务仍在推进，循环检测器误判了它。修复：让检测器感知输出内容两题翻转
实验3：7.6秒幽灵退出 某个任务在启动后7.6秒就退出了，零token、无会话、模型根本没被调用过。根因竟是：提示词里出现了类似@a的文本，触发了文件索引查找的异步逻辑，导致进程在AI还没开始思考之前就安静地自杀了。
实验4：代理用pkill杀掉了自己。 两个任务中，代理用宽匹配模式清理后台进程，结果匹配到了自身的命令行，把运行自己的父进程给杀了。一个AI，亲手拔掉了自己的电源插头。
▲ 实验产出的GitHub PR：标题为"改善长程代理工作流的CLI可靠性"，改动涉及数十个文件
这些修复组合起来，就是从77.5%到88.8%的全部秘密。修复全部围绕运行稳定性，与题目答案、验证器或特定任务后门无关。全是"少死于非命"
680美元的账单，藏着自动化研究的成本密码
▲ 公开的成本账本与轨迹包索引页
Cline把花费拆得明明白白：控制线程（GPT-5.6-Sol负责改代码）消耗约2.77亿token，折合337美元；评测线程（Kimi K3反复考试）约3.91亿token，折合344美元。合计680美元
这揭示了一个自动化研究的典型成本结构，你得同时为"会改仓库的指挥官"和"被派去反复考试的士兵"付钱。一个太弱指挥不动，一个太贵考不起而长上下文缓存的定价，会显著改变这类实验的经济性。
有人在评论区直接问Cline：花了多少钱？官方极简回复：$680
▲ 社区追问实验成本
而在此之前，人肉爬坡的隐性成本是什么？四个工程师、好几周、会议与加班，折算成硅谷工程师时薪，680美元大概只够付一个人半天的工资。
"递归自我改进"？社区吵翻了
Cline官方把这个故事包装成一个大词：Recursive Self Improvement（递归自我改进）。
炸锅是必然的
▲ "我们现在管刷榜叫RSI了吗？"
反对派的火力集中在三个方向第一，这不就是刷榜（benchmaxxing）吗？ 优化器对着同一套89道题连续跑了十七个小时，就算提示词禁止按题目名字作弊，也难保不会学到"只对这89题有效"的模式。第二，这配叫"递归"吗？ 有人提出了一个刁钻的判据：如果改进后的harness不能继续启动下一轮自我改进、冲击更高分，那就只是一次性优化，递归无从谈起。第三，主体到底是谁？ 推文说"Kimi K3自我改进"，但干活的分明是GPT-5.6-Sol，这就好比说"学生自己提高了成绩"，但其实是家教替他重写了学习计划。
▲ 中文社区评论：肯定闭环价值，但质疑RSI标题"有些唬人"
支持派的反驳也有力改动确实是通用的可靠性修复，重试逻辑、循环检测、进程管理，这些改动拿掉Terminal-Bench的名字照样说得通。而且Cline的提示词里白纸黑字写着反刷分禁令：禁止改验证器、禁止按任务名检测、禁止灌水超时。
▲ 有评论者精确指出：GPT-5.6 Sol改写harness，K3权重未变，研究的是失败模式
客观地说，这处在一个灰色地带 它比"改一改system prompt"更接近字面意义上的递归自我改进，毕竟改的是代理将要继续运行在上面的代码仓库；但它又远未达到"模型重写自身权重与目标函数"的强版本。按工程边界描述：这是一次由AI主导的、针对AI运行环境的自动化工程优化。
脚手架军备竞赛已经开始
抛开术语之争，这件事传递的底层信号才是最值得关注的。
2026年的AI编程代理排行榜，越来越像一场脚手架军备竞赛。Claude Code、Codex、Cursor CLI、Terminus、Cline、各家厂商自研Agent排排坐，谁更会重试、谁更能扛长任务、谁更少误杀后台进程、谁更会保存推理历史，这些"非智力因素"正在成为边际胜负手。
Terminal-Bench官网排行榜上，公开提交的前列成绩是Claude Code + Fable 5约83.8%，Codex + GPT-5.5约83.1%。Cline声称的88.8%跑在自己的开发/确认流程下，与公开榜协议不同，Cline自己的提示词也要求不把开发分数直接等价于排行榜成绩。
▲ Terminal-Bench 2.1公开排行榜，统一要求harbor run命令与默认资源限制
但这恰恰说明了一件事：同一个模型，换一套脚手架，可以差出一大截。 当模型能力趋近时，下一美元和下一百分点，越来越多地花在让AI少犯低级错误上。
而Cline刚刚证明：这部分工程工作，AI自己也能干了。
680美元，十七小时，十亿token。一条提示词启动的自动化工程循环，替代了一群工程师数周的体力活。模型权重原地不动，运行时却少摔了很多跤。
这到底是"递归自我改进"的黎明，还只是一次精彩的自动化重构？答案或许取决于：明天，它还能不能对着88.8%的自己，再来一轮。
