夜雨聆风一条提示词，17小时，680美元 人类工程师无需熬夜改代码，团队也省去了头脑风暴；一个AI代理独自坐在云端虚拟机里，拆解自己的失败轨迹、给自己打补丁、再测试、再改进，循环往复，直到把自己的考试成绩从77.5%拉到了88.8%，顺手还把每次考试的花费砍掉了37%。
这段情节听着像科幻小说，却来自2026年7月底开源编码代理Cline公开披露的一场实验。它瞬间点燃了整个AI社区，有人高呼“奇点已至”，有人冷笑“一轮优化也敢叫递归”，还有人默默截了张代码diff图，配文：“这就是680美元买来的commit。”
▲ Cline官方发布的前后对比：灰色柱是"改造前"，蓝色柱是"改造后"，成绩涨了11.3个百分点，成本却降了37%
一场精心设计的“AI自我手术”
先把故事拆干净
被改进的对象，是Moonshot旗下的Kimi K3模型，通过OpenRouter接入Cline框架运行。主刀操刀的外科医生，是OpenAI的GPT-5.6-Sol，它作为“领导模型”驱动整个长达17小时的控制线程。手术台，是Cline的CLI运行框架（harness），你可以理解为模型与真实世界之间的那层“神经接口”：怎么发请求、怎么处理报错、怎么识别死循环、怎么避免把自己的进程杀掉。
关键概念来了：harness相当于大脑用来操控手脚的“脊髓和运动神经”。 同一个大脑，换一套运动神经系统，表现天差地别。Cline这次改的就是这套神经系统。
考试场地叫Terminal-Bench 2.1，由斯坦福参与推动的终端环境AI基准测试，89道硬核任务，从编译Linux内核到处理视频，代理必须在真实终端里动手干活，单纯写段代码无法交卷。
▲ Terminal-Bench官网：专门考察AI代理在真实终端环境中的动手能力
四刀下去，成绩飙升
GPT-5.6-Sol拿到启动提示词后，开始了一场极其系统化的“失败考古”。它翻看Kimi K3的每一份考试失败记录，像老刑警一样还原现场，然后精准下刀。
先治“一碰就放弃”症 基线测试中有5道题，失败原因完全一样，OpenRouter返回了429限流错误，Cline直接躺平放弃。修复方案很朴素：提高重试次数，加上指数退避。5题全部翻盘
接着治“误杀勤劳者”症 有2道题，代理其实在老老实实轮询一个长时间运行的后台任务，输出一直在变化，明明是在干活。但Cline的循环检测器只看到“这家伙又调用了同一个工具”，二话不说判定死循环，直接击杀。修复后检测器改用产出变化判断进度，2题翻盘。
再治“7.6秒猝死”症 最诡异的一题：进程启动7.6秒后退出，零token输出，连session都没建立。根因被追踪到一个荒诞的bug，提示词里出现了类似@a的字符，触发了文件提及查找功能，而某个异步worker与超时逻辑的配合失误，导致模型还没被叫醒，进程就已经合法退出了。一行代码修复，确定性翻盘
第四刀：治“自杀式清理”症 2道题里，代理在做后台清理时使用了pkill -f这种大杀器，问题是，匹配模式太宽，把自己的父进程也干掉了。修复方式是在工具说明里加入警告：记住精确PID，不要用宽匹配。
▲ Can Bölük截取的代码改动，有人戏称“这就是680美元的commit”：新增的是关于记录PID、避免pkill -f的测试断言和工具说明
四刀下去，基线的69/89（77.5%）被推到了最佳确认跑的79/89（88.8%）。三次独立确认跑成绩分别是79、76、78题通过，异常率从19.1%降到9.8%。与此同时，成绩在涨，成本在降，单次完整测试的花费从约79美元降到了约49.8美元。
10亿token燃烧的17小时
把钱掰开看，更有意思
整场实验消耗了约10亿token，总成本约680美元。其中GPT-5.6-Sol控制线程吃掉约2.77亿token（大量缓存命中），花费约337美元；Terminal-Bench评测跑了多轮，消耗约3.91亿token，花费约344美元。
Cline博客把这笔账与“工程师团队花数周时间做同样的事”做了对比，2026年2月，他们的人类团队曾用类似的方法论，花了数周、约四人的投入，才把某个模型组合的成绩从47%推到57%。六个月后，一条提示词、一名工程师偶尔瞄一眼、17小时，就把另一个模型组合推高了11.3个百分点。
▲ 博客中的成本对比图：Kimi K3 + 优化后Cline仅需49.8美元即可完成一次完整评测，而GPT-5.6 Terra需400美元，Fable 5需552美元
人类工程师在这17小时里做了什么？几乎什么都没做 官方描述是“每隔几小时照看一下，代理意外停下时按continue”。代理跑在云端虚拟机上，人类只需像ICU值班护士那样，偶尔按一下呼吸机静音键。
“递归自我改进”：定义之战
成绩提升有公开的traces、PR和SHA-256校验包可供审计，争议集中在：这到底算不算“递归自我改进”（RSI）。
Cline官方用了一个谨慎的措辞：a version of RSI。理由是：代理修改了运行自己的harness，后续循环跑在改进版上，形成了自我指涉的改进闭环。
▲ 乐观派代表：有人直接将此事延伸到ASI与奇点想象
但医学与AI研究者Louis Mullie直截了当地泼来冷水：
“一轮带来提升的自我修改，还称不上递归自我改进。”
▲ Louis Mullie的引用评论：简洁、精准、致命
另一位用户Unobserved追问得更狠：完整的RSI应该在装上新harness后继续改进自己。 那么，现在这套新harness能不能再把分推过88.8%？如果能，为什么不继续做？ 如果不能，这次实验至多算一次性的自动优化，尚未形成递归闭环。
芬兰研究者Ari Heljakka则抛出了一个更深的方法论质疑：Terminal-Bench的分数在不在优化环内部？ 如果优化器连续17小时都看得见这个分数作为反馈信号，那即使没有显式的“针对特定题目的作弊”，围绕榜单指标过度优化（benchmax）的选择压力本身就已经存在了。
▲ Ari Heljakka的提问直指要害：分数若在优化环内，17小时的benchmax无需任何显式作弊
奇点之外，还有哪些信号
让我们从定义之争中退后一步，看看这件事透露出了什么。
第一，“评测基础设施 + 可机器执行的研究协议 + 长时代理”三件套的同时成熟。 自动爬山能从口号变成一张680美元的账单，靠的是整条流水线终于可以被写成一条提示词。Harbor评测框架、Modal并行化、OpenRouter路由、反作弊宪法级约束，每一块积木单看都不惊人，拼在一起就构成了可审计的自动化研究能力。
第二，双模型编排正在成为常态 一个贵的前沿模型（GPT-5.6-Sol）负责读trace、想策略、写补丁；一个便宜或开源的目标模型（Kimi K3）在固定协议下被反复测量。这种“贵脑袋指挥便宜手脚”的架构，可能很快会成为每个代理团队发版前的标准动作。Cline文末已经明说了：他们准备把类似RSI风格的流程变成新模型上线后的常规操作，先跑基线，再自动榨取harness红利。
第三，也最容易被忽略：还有5道题始终没修好。 build-pov-ray、extract-moves-from-video、filter-js-from-html、make-doom-for-mips、video-processing，这些任务在四次优化跑中全部失败。由此可见，harness优化存在天花板，再往上走会撞上模型能力本身的硬约束。若要抵达更完整的递归自我改进，还得实现认知能力的递归提升，其难度远高于调整重试逻辑和循环检测。
▲ 对应的GitHub PR：标题强调“CLI韧性”和“长时代理工作流”，+774/-58行代码变更
680美元，买到了什么？
Tino Wening在评论中点出了一个工程视角的好问题：如何避免局部最优？ 他自己用过种群引导的演化算法，追踪候选家族、变异有前途的想法、淘汰死胡同、在停滞时注入新奇性。Cline这次的实验采用纯粹的贪心爬山，省去了种群、变异与回溯搜索。它之所以有效，很可能是因为低垂的果实太多了，429不重试、假阳性循环检测、7.6秒猝死、自杀式pkill，这些都是常规工程bug，只需一个不知疲倦的诊断者。
680美元买到的是一种更诚实也更实际的能力：机器可以接管“读失败日志→提假设→改代码→重新测试”这条工程链的全程，而且做得又快又省。它距离奇点、超级智能和递归自我改进的无限闭环仍然很远。
粉丝与批评者都给出了各自的极端解读。这项实验是一张快照，拍下了2026年夏天AI工程能力的真实水位线。 水位还在涨，但离“海啸”还有距离那段距离究竟有多远，要看下一轮、再下一轮的实验结果。
那个问题依然悬在那里，等着被回答：新的harness，能不能继续改进自己？
