夜雨聆风一条提示词，一夜无人值守，一个编程代理对着自己的源代码动了刀。
当工程师第二天早上打开终端，屏幕上的数字从 77.5% 跳到了 88.8%，而每次跑分的花费从 79美元 降到了 49.8美元，更强，还更便宜。整件事总共烧掉 680美元API账单，吞吐将近 十亿token。
这场来自开源编程代理 Cline 团队的真实实验，在2026年7月底公开复盘。他们给它起了一个让整个AI圈吵翻天的名字：递归自我改进（Recursive Self-Improvement）。
▲ Cline官方公告：17小时，77.5%→88.8%，成本降37%
模型没变，“外挂”变强了
先泼一盆冷水把概念讲清楚
很多人看到标题的第一反应是：AI自己把自己训练得更强了？模型权重一个字节都没动，改动发生在模型外面那层叫 harness（运行框架/脚手架） 的东西上。
打个比方：模型是赛车手，harness 是赛车本身。手不变，但你把刹车系统换了、变速箱调了、油路优化了，同一个车手，圈速快了一大截。
具体到这次实验，被改掉的全是基础设施层面的工程Bug：API限流时直接放弃不重试、循环检测误杀正在合法轮询的进程、pkill -f 的模式匹配宽到把自己杀掉、异步索引导致模型还没被调用程序就退出了……模型常常还没来得及答卷，脚手架就先把它赶出了考场。
操刀修改这些Bug的是另一个AI。
一场精心设计的“代理改代理”接力赛
实验的架构其实是一场双模型接力：
指挥官是 OpenAI 的 GPT-5.6-Sol，负责读失败日志、形成假设、写代码补丁、决定保留还是回退。考生是月之暗面的 Kimi K3，跑在 Cline 的 harness 上去做 Terminal-Bench 2.1 的89道题。Sol改完脚手架，K3就在新脚手架上重新考试；考完Sol再看哪里挂了，再改，再考，循环往复，十七个小时。
▲ Cline工程师Ara宣布：编程代理的递归自我改进
但这里有一个微妙的表述落差Cline官方推文写的是“让 Kimi K3 递归自我改进Cline harness”，博文里则明确说控制/leader模型是 GPT-5.6-Sol。两者并不矛盾，K3是被改进的对象也是评测的载体，Sol是动手改代码的大脑，但简短摘要很容易混淆主语。谁改的、改了谁、谁变强了，这三个问题的答案分别是三个不同的实体。
680美元买了什么？一份失败图鉴
打开成本账本，680美元几乎对半劈成两刀：
- 指挥线程
（GPT-5.6-Sol思考+改代码）：约2.77亿token，337美元 - 评测线程
（Kimi K3反复跑题）：约3.91亿token，344美元
这揭示了自动化AI研究的一个冷酷经济学：你不仅要为“干活的模型”付钱，还要为“指挥干活的模型”付钱。元层推理和目标层评估，双重计费
但比账单更有价值的，是实验过程中挖出来的失败模式清单，这才是整件事最可复用的知识资产：
pkill -f |
每一条都记录着脚手架如何抢在AI解题前先塌掉。 这对所有在搞长程AI代理的团队来说，简直是一份可以直接拿去对照自查的体检报告。
▲ 公开PR标题：改进CLI在长程代理工作流中的韧性
“现在把刷榜叫递归自我改进了吗？”
分数一出，社区立刻炸开争论沿着三条线展开
第一条线：刷榜质疑 有人怼过来，“are we calling benchmaxxing RSI now”，现在管刷榜叫递归自我改进了？
▲ "现在把刷榜叫RSI了吗"，社区的灵魂拷问
Cline的反驳是：提示词里明确禁止按任务名做特判、禁止改验证器、禁止灌水超时，所有改动都是通用的重试/循环/进程管理修复。但质疑者指出：哪怕你不偷看答案，连续十七小时拿同一套89题当适应度函数，也可能学到“只对这89题有用”的模式。
第二条线：88.8%该怎么看？ Terminal-Bench 2.1的公开排行榜上，最高分在 83.x% 左右。Cline自报88.8%，但两者跑分协议可能不同，超时倍率、尝试次数、是否严格遵守 harbor run 统一命令，都会影响结果。Cline自己的提示词都写了“不要把开发协议分数直接等同于排行榜分数”。 这种自我约束反而是加分项
▲ Terminal-Bench 2.1 公开排行榜
第三条线，也是最深的一条：这算不算“递归自我改进”？ 一位叫Unobserved的用户提出追问：改进后的harness若无法继续自我改进并突破88.8%，便够不上严格意义的递归。
▲ 社区追问：新harness能否继续改进自己并突破88.8%
这话戳到了要害经典意义上的RSI，是系统持续螺旋上升的能力闭环，每一轮改进为下一轮创造更高的起点。Cline完成了一次有天花板的自动化工程优化，改动集中在工具调用的重试逻辑和进程管理，模型权重与学习算法保持原样。这很了不起，但叫“递归自我改进”，帽子确实大了一号。
关键的信号：脚手架军备竞赛来了
抛开术语之争，88.8%背后已经显出竞争维度迁移。
当前沿模型的“裸能力”越来越接近时，下一美元和下一个百分点，越来越多花在harness工程上。 Claude Code、Codex、Cursor CLI、Terminus、Cline、各厂商自研Agent，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。这是一场脚手架军备竞赛
而Cline刚刚证明了一件事：脚手架工程本身，开始可以由AI来承担。
过去，Cline团队用四个人、几周时间、一遍遍人眼读日志，把分数从47%磨到57%。现在，一条提示词、一夜API调用、680美元。完成的是同一类劳动：读轨迹、找假设、改代码、验证。区别在于谁承担迭代带宽
▲ Cline博文：《编程代理的递归自我改进》
Cline团队已经表示，要把这套RSI流程标准化到每个新模型发布后，先跑基线，再用提示词驱动自动优化。这里呈现的是发布流程的递归
写在最后：奇点没来，但账单到了
让我们把目光从术语之争中拉回来，看看这件事最朴素的一面：
一个开源项目，花了不到700美元和一个晚上，让一个模型在一个严肃基准上多答对了10道题，同时还省了37%的钱。它没有重新训练或引入人工标注与私有数据，只修掉了脚手架里那些“本不该挂”的Bug。
奇点仍在远处，但某种新常态已经露出轮廓：AI开始承担工程流程里最枯燥、最消耗眼睛和耐心的部分，读日志，猜原因，改配置，再来一遍。
680美元，十亿token，十七小时。一个代理改完了自己的脚手架，然后在新脚手架上，跑得更好了。
至于这算不算“递归自我改进”，那张账单至少记录了一夜自动化工程迭代的成本。
