夜雨聆风一条提示词一个云端虚拟机一位工程师按下回车后去睡觉
17小时后，AI把运行自己的那套软件，改得面目全非。
这段近似科幻电影开场的情节发生在2026年7月底。开源编码代理Cline在社交媒体上宣布：他们让Kimi K3，月之暗面旗下的推理模型，坐进自己的驾驶舱，花了整整一个通宵，一边跑基准测试，一边修改控制自己行为的代码框架。最终成绩单上写着：Terminal-Bench 2.1得分从77.5%飙升到88.8%，单次跑分成本从79美元骤降到49.8美元。
更刺激的部分是：整场实验的总账单，约680美元。
▲ Cline官方发布的前后对比：灰色柱是改造前的基线，蓝色柱是17小时后的成绩，绿色标注"+11.3 pts"和"37% cheaper per run"
一场精心设计的“AI改造AI”实验
先把故事里的角色关系理清楚，这可能是整件事最容易被误读的地方。
Cline是一个开源的编码代理产品，你可以理解为一个能接管你的终端、编辑器和浏览器的AI助手。Cline本身属于harness，也就是把大模型接到真实世界工具上的那一层运行框架。怎么发请求、遇到限流怎么办、怎么判断AI陷入了死循环、上下文太长怎么压缩……这些脏活累活，全是harness的工作。
同一个模型，换不同的harness，分数可以天差地别。
这次实验的精确分工是这样的：被优化、最终出分的目标模型是月之暗面的Kimi K3（通过OpenRouter接入）；而主导整个17小时控制循环、决定改哪里、怎么改、改完跑不跑的领导模型，是OpenAI的GPT-5.6-Sol。用一个比喻来说：GPT-5.6是总工程师，Kimi K3是被调校的赛车手，Cline的harness代码是那辆赛车，Terminal-Bench是赛道。
总工程师花了17小时，一边让赛车手跑圈计时，一边改装赛车，直到圈速快了、油耗低了。
四个Bug，四次翻盘：AI到底改了什么？
最让工程师群体着迷的，是这17小时里发生的具体故事。博客按实验编号逐一记录，读起来像一部侦探小说。
实验0：被吞掉的"满血模式" AI发现Cline的代码里有个静默的bug，Kimi K3明明支持max级别的推理强度，但harness默默把它降级成了high。模型连自己有多大力气都不知道 修复之后，推理通道才顺利打通
实验1：429限流直接投降 基线跑分里有五道题全部失败，原因惊人地一致：OpenRouter返回HTTP 429（请求太多）后，Cline直接放弃了，不重试、不等待、不退避，就这么认输。AI把重试次数从2提到5，加上指数退避策略。五道题，全部翻盘
实验2：误杀"慢工出细活" 有两道题需要AI在后台运行长时间任务，比如编译内核。Cline内置的循环检测器看到AI反复调用同一个工具，就判定它陷入了死循环，直接杀掉进程。但实际上AI每次调用的输出都在变化，它只是在耐心等结果。AI把检测逻辑改成了"输出感知型"：只要输出还在变，就不算死循环。两道题，翻盘
实验3：7.6秒的幽灵崩溃 一道题在启动后7.6秒就退出了，零token、无session，整个模型甚至还没被调用。根因被追溯到一个极其诡异的角落：提示词里出现了类似@a的字符串，触发了文件提及查找的异步worker；而超时逻辑在worker完成前就合法地终止了进程。一行修复，确定性翻盘
实验4：AI把自己杀了 这是最戏剧性的一幕两道题失败的原因是：AI在清理后台进程时使用了pkill -f这种宽泛的模式匹配命令，匹配到了harness自身的命令行，把自己的父进程干掉了。 修复方式是在工具说明里加警告：追踪精确PID，避免宽匹配。
▲ 社区热传的"680美元commit"：Can Bölük贴出diff，新增的代码要求工具描述包含"capture PID"和"pkill -f"警告。有人戏谑"这么多钱就换来几行注释"
680美元买了什么？约10亿token的智力燃烧
官方公开的成本拆分，读起来像一张精密的战争开支表：
GPT-5.6-Sol控制线程：约2.77亿token，花费约337美元。这是总工程师的脑力费，它在17小时里持续阅读失败轨迹、提出假设、写补丁、调度评测。
Terminal-Bench评测运行：约3.91亿token，花费约344美元。这是赛车手反复跑圈的油费，每改一处，都要让Kimi K3在89道真实任务上重新证明自己。
合计：约680美元，约10亿token。
Cline把这笔账和"工程师数周时间加机会成本"做对比，认为划算。社区的反应则更加五味杂陈有人追问"到底花了多少钱？"
▲ Vlad Tansky在官方帖下的直球提问
而更尖锐的对比来自另一组数字：单次完整跑分的成本。Kimi K3加优化后Cline只要49.8美元就拿到88.8%；博客称同级别成绩，Fable 5要花552美元，GPT-5.6 Terra要400美元。换算下来，Kimi K3的性价比是前沿模型的近10倍。
▲ 博客中的暗色成本对比图：Kimi K3那根蓝色矮柱和旁边的灰色高柱形成鲜明反差
"这算递归自我改进吗？"，一场定义之战
Cline官方把这次实验称为"a version of recursive self-improvement"，措辞留有余地。随后参与讨论的账号不断给这个标签加压。
科技账号SciTech Era写道："这就是实际的递归AI自我改进的样子。"
▲ SciTech Era的引用转发，"we are living through an amazing period of acceleration!"
Dr Singularity等账号更是直接把故事推向奇点判断：AI已经比人类AI开发者聪明，RSI通向ASI。
但反对声同样犀利医学与AI研究者Louis Mullie一针见血：
一轮带来提升的自我修改，尚不足以构成递归自我改进。
▲ Louis Mullie的引用评论，指出单轮改进与递归循环之间的差别
另一位评论者Unobserved追问得更狠：如果这真是递归自我改进，为什么不继续跑？新的harness能不能再把分数推过88.8%？实验停下来的原因又是什么？
▲ Unobserved的回复：RSI要求改进后的版本仍能继续自我提升
还有一条评论将整套做法概括为："所谓递归自我改进，就是在Cline里跑Kimi，让它改Cline。"
这场定义之争的核心在于：经典意义上的递归自我改进，意味着系统改进自身后，改进后的版本能更快地进行下一轮改进，形成加速闭环。 Cline展示的内容接近一次自动化的hill climbing，爬山爬到了一个更高的点，但现有证据还无法证明它能继续爬、而且爬得越来越快。
这两者之间的距离，可能正是"有趣的工程实验"和"改变人类命运的拐点"之间的距离。
不能忽视的灰色地带：当评测本身在循环之内
芬兰研究者Ari Heljakka提出了一个更深层的方法论质疑：Terminal-Bench的分数是否在优化循环的内部？
这个问题的分量比它表面看起来大得多。即使提示词明确禁止题面特判、禁止改判分器，但优化器连续17小时以分数作为反馈信号这件事本身，就构成了一种选择压力。你没有针对某道题作弊，但你的每一个决策都是为了让这89道题的总分更高，这和"通用改进"之间，界限比想象中模糊。
▲ Ari Heljakka的方法论追问：分数在不在优化环内？
Cline的防线是多层的：提示词明文禁止reward hacking、保留的修复都是通用harness问题、最终由人类审核PR再合并。但"以榜为信号"本身带来的过拟合风险，无法被提示词消灭。 三次确认跑的分数，88.8%、85.4%、87.6%，之间的波动，或许正在暗示这个区间的真实不确定性。
分数之外的信号：工作范式
略过社交媒体上的兴奋与争议，这个故事释放出的信号可能是：评测基础设施、可写清的实验协议、长时agent能力，三件事同时成熟了。
半年前，Cline团队做同样的hill climbing需要四个工程师、数周时间、逐条阅读89道题的失败轨迹。现在，一条提示词、一名工程师、17小时、680美元。
故事的焦点在于，AI开发AI的流水线正在成型。Cline在博客末尾透露，他们已经把类似的RSI流程准备成了新模型发布后的标准动作：先跑基线，再让agent自动榨取harness红利。
▲ PR #12465：标题写着"Improve CLI resilience for long-running agent workflows"，+774/-58行变更
当"让AI改进运行AI的代码"变成一个可复现的、有账单的、开源的标准流程，我们或许无需纠结它能否达到经典定义中的递归自我改进。
问题随之而来：当这条流水线的成本从680美元降到68美元，再降到6.8美元的时候，世界会变成什么样？
