夜雨聆风一条提示词，十七个小时，近乎零人工干预。 当工程师第二天早上打开终端，发现AI不仅把自己的考试成绩从77.5%拉到了88.8%，跑一次还比原来便宜了三成。
这场实验发生在2026年7月底开源编程代理 Cline 团队让月之暗面的 Kimi K3 模型，坐在自己的运行框架里，亲手改写了自己脚下的脚手架代码，然后一遍又一遍地重新考试，直到把分数刷到接近天花板。
▲ Cline官方公告：左侧灰柱为改进前（77.5%，$79/次），右侧蓝柱为改进后（88.8%，$49.8/次），成本下降37%
整件事的账单？680美元 大约一台中端手机的价格
一、先搞清楚：它到底改了什么？
“递归自我改进”很容易让人联想到AI觉醒。先厘清边界：团队调整的是运行框架，Kimi K3的神经网络权重一个字节都没动。
被改写的是 harness，中文可以叫“运行框架”或者“脚手架”。你可以这样理解：如果大模型是一个极其聪明但没有手脚的大脑，那harness就是它的假肢系统，决定它怎么敲键盘、怎么读屏幕、卡住了怎么重试、后台进程怎么清理、API报错了是放弃还是再来。
同一颗大脑，换一副更好的假肢，干活效果天差地别。
这正是Cline团队的核心主张：模型之外的人与流程，同样会成为性能瓶颈。
二、680美元买了什么：一场“AI给AI做手术”的全纪录
实验的目标平台是 Terminal-Bench 2.1，一套由斯坦福等机构推动的AI代理基准测试，包含89道“真实感”极强的终端操作任务：编译内核、改系统配置、管理后台进程、处理长命令链。代理必须在Linux终端里完成实际操作。
▲ Terminal-Bench官网：专门衡量AI代理在终端环境中的实战能力
实验架构颇为精妙：GPT-5.6-Sol 担任“总指挥”，负责阅读失败日志、形成假设、改写Cline的代码；Kimi K3 是“被改进的对象”，每改一轮就重新跑一遍考试。提示词由工程师 Ara Khan 写好后一键启动，此后人类的角色被压缩到极致，几小时看一眼，代理停了就点继续。
整个过程像一场精密的外科手术，修复点各有侧重：
API重试 基线跑分里有5道题，Kimi K3 明明会做，但OpenRouter返回了429限流错误，Cline直接认命放弃了。修复方案简单粗暴，把重试次数从2提到5，加上指数退避。五道题，全部翻转通过
循环检测 两道长任务里，代理在合法轮询后台进程的进度，输出内容其实一直在变，但“重复工具调用”检测器只看形式不看内容，直接判了死刑。修复后的检测器能感知输出是否有实质变化。两题翻转
幽灵退出 最诡异的Bug，某道题在7.6秒内退出，零token生成、零API调用，模型连话都没来得及说就被宣告失败。根因是代码里一个异步文件索引在前台启动前就让进程"合法退出"了。一处保活修复，搞定
自杀式清理 两道题中，代理执行 pkill -f 做进程清理时，匹配模式太宽，把自己的父进程也杀了，相当于外科医生切肿瘤时把自己的手也切掉了。修复是在工具文档里加了一条“记住精确PID，别用宽匹配”的警告。
▲ GitHub PR #12465：所有改动以工程PR形式公开，标题为"改善长程代理工作流的CLI韧性"
这些修复都在帮AI减少系统性意外。类似Bug可能出现在任何长程终端代理身上，属于通用的系统工程问题，也没有针对89道题写入特定答案。
三、便宜还是贵？一道有意思的算术题
▲ 有人追问花了多少钱，Cline官方干脆利落：$680
680美元的账单几乎对半劈开：336美元花在“指挥官”GPT-5.6-Sol的思考上，344美元花在Kimi K3反复考试上。总共烧掉了大约十亿个token
有评论者算了一笔更有趣的账：
▲ Sandeep Alluru的评论：变强的同时变便宜，"这种事几乎从不发生"
改进前，跑一次完整基准要79美元，得分77.5%；改进后，49.8美元拿到88.8%换算成“每美元买到的分数”，效率提升了大约1.8倍。Cline博文还特意做了一组对照：同一套题，用 Fable 5 跑一次要花约552美元，GPT-5.6 Terra 约400美元，而经过RSI优化的 Kimi K3 + Cline 只要49.8美元，不到前者的十分之一。
更关键的对比藏在时间维度里Cline团队2026年1月做过一次“人肉爬坡”：四个工程师花了好几个星期，眼睛读日志读到出血，才把某个模型组合的分数从47%拉到57%。半年后，类似优化的工作周期被压缩到了17小时。
▲ Cline 2026年1月的博文：人工诊断周末级密集工作的方法论，正是本次RSI实验的前身
680美元买到了一种可复制的工作流。每当新模型发布，一条提示词和一夜的API调用，就有机会完成一轮自动诊断与优化。
四、这算“递归自我改进”吗？社区吵翻了
Cline把这件事包装成“AI的递归自我改进”，这个说法在AI圈的杀伤力堪比往火药桶里扔火柴。
▲ 有人直接开怼："现在把刷榜叫RSI了吗？"
反对阵营的声音很尖锐有人概括："所谓RSI = 在Cline里跑Kimi并让它改Cline，就这？" 还有人提出了一个苛刻的判据：如果改进后的harness无法继续自我改进、冲击更高分，其递归属性就很有限，可归为一次性的自动优化。
▲ 方法论质疑：优化器盯着这个分数看了17小时，就算没有"显式刷题"，也可能隐性过拟合
“刷榜”（benchmaxxing）的指控同样直击要害。Ari Heljakka 的追问很到位：Terminal-Bench的分数在RSI循环里全程可见吗？如果优化器盯着这个分数看了17个小时，它完全可以在不做任何"针对性修复"的情况下，学会只对这89道题有用的模式。
▲ Grok的长回复：逐条列举通用修复项，并复述提示词中的反刷分禁令
官方立场由多条回复拼出：修复项是限流重试、进度感知循环检测、PID防自杀、reasoning路由，这些改动“不提Terminal-Bench”也完全说得通。提示词里明确禁止按任务名检测、禁止改验证器、禁止灌水超时。而且PR标题就叫“改善长程代理工作流的CLI韧性”，连Terminal-Bench的名字都没出现。
但核心张力仍然存在 这是一个经典的认识论问题：当你的优化器和你的考试用的是同一套卷子，即使你禁止了所有“显式作弊”，隐式过拟合的幽灵依然在场。只有等独立团队在完全不同的基准上复现类似涨幅，这个问号才能被拉直。
五、88.8%之外
回到更大的图景
2026年的AI竞赛，正在从“谁的模型更大” 悄然转向 “谁的脚手架更结实”。公开排行榜上，同一个模型换不同的agent框架（Claude Code、Codex、Terminus、Cline、厂商自研），分数可以差出十几个百分点。当大脑趋同时，假肢决定胜负
▲ Cline官方博文首页：标题直书"编程代理的递归自我改进"
而Cline这场实验最锋利的启示或许是：脚手架工程本身，开始可以由AI来做了。 那个“读日志→找Bug→写补丁→重新测试”的循环，过去可能占用资深工程师一周，现在被压缩成了一条提示词和一夜的token消耗。
这离奇点或AI觉醒还很远，严格说也很难算完整的“递归自我改进”。它展示了AI工程自动化已经能推进到什么程度。
当AI能够诊断自己为什么失败、修复自己的运行环境、然后证明修复有效，哪怕它做的只是把重试次数从2改成5、把进程清理从宽匹配改成精确PID，“评测-诊断-补丁”循环的效率边界也已经改变。
680美元十七个小时一条提示词
下一条被这套方法重塑的工程循环，会在哪里出现？
