AI 自己去调外壳：同一个 Agent，账单一口气少了三分之一 (2026)

一个编码 Agent，同样把这些活干完，模型账单少了三分之一——换的不是模型，是模型外面那层壳。9 月 17 日，NVIDIA 与南洋理工、MIT 的研究者挂出预印本《SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness》，随后放出项目页与一个 MIT 许可的开源扩展：编码 Agent Pi 上的四个效率机制，而把这四个机制找出来的，是 AI 自己跑的自动研究循环。1 2

本期覆盖 9 月 17 日到 9 月 22 日公开的一手材料：预印本与项目页、开源仓库，以及它所回应的那篇对「自动演化 harness」评测方式的质疑。3

本期听什么

它不是一个新模型。 SoL-Pi 是编码 Agent Pi 上的一个独立扩展，装在不带补丁的 Pi 上，四个机制默认全部关闭；认证、模型、shell 行为仍然归 Pi 管。4 5
它省的是任务级的 token 用量。 常见做法是把单个 token 弄便宜，它反过来减少一件任务总共花掉多少 token：在 EdgeBench 的 51 道公开题上，记录到的 token 流量降 44.7%–49.0%，API 成本降约三分之一，同时保留 Pi 约 94% 的平均分。1
找到这四个机制的是 AI 自己。 一个研究 AI 看另一个 Agent 跑基础 harness 的执行轨迹，提出改动，再在准备好的环境里逐个试：152 个候选方向、535 个可执行环境、三千多次运行。2
四个机制分别在动工具调用、上下文压缩、观测存储和委派阅读。 四个机制都各留了一条退路：该分开走的还是分开、原件留在本地、要精确内容时按把手取回、验证不过就退回原文。1
出了自己的考卷，它就没那么好看。 Terminal-Bench 4 的 63 道 CPU 任务上它解出 15 题，Codex 与 Pi 各 18 题，但总成本更低；作者自己说跨模型迁移目前只是初步证据。1

它不是新模型，是外壳上的一层扩展

这件事的做法说穿了很朴素：那篇论文把 harness 改进当成一个搜索问题——模型权重不动，基础 harness 也不动，动的是那层壳。之所以值得交给 AI 去做，是因为手工调太慢，而且部件之间是耦合的：工具、上下文管理、验证、委派、恢复、终止缠在一起，你在一个地方省下成本，很可能把它推到后面几步去。1

开源仓库里有几条工程细节值得先记住：它只导入 Pi 的公开 API，不改 Pi 的源码树；每个机制都是显式开启，缺配置就全部关闭；原始观测保留在本地，压缩机制失败的退路是原文；仓库要求 Node.js 22.19 以上与 Pi 0.85.1。压缩后的观测与日志回执存在本机会话目录里，不随会话结束自动删除，而日志回执那一步会把内容发给配置好的便宜模型，所以仓库的安全文档要求：不能让日志离开本机时就不要打开它。4

一百五十二个方向，筛出四个机制

搜索的规模是这样的：152 个候选方向分成上下文、进度、工具、委派、提示与策略、改进与评估六个家族；535 个可执行环境里，495 个来自 GitHub 上真实的 issue 与 pull request 配对（仓库状态取修复前，回归测试对 Agent 隐藏，且必须满足「补丁前失败、补丁后通过」），40 个是自带可执行验证器的合成任务；整个过程对应三千多次运行、六万多次 Agent 与环境交互。1

两条规矩是这套东西真正的关键。第一，验收标准在实验开始前就定死，而且负责优化的那个 Agent 碰不到它：每一项能力指标必须留在预先声明的容差内，同时至少改善一项效率指标，两条都过才留下。第二，考卷留着不给它看：EdgeBench 的 51 道公开题里，11 道只做一次单向验收，剩下 40 道留到最后评测；留出的结果从来不回到搜索里——一次验证失败就直接淘汰，不会触发继续优化。1 6

上个月刚有人质疑过这条路

7 月挂出、8 月更新过一版的《Rethinking the Evaluation of Harness Evolution for Agents》指出两个问题：harness 演化本身就是一次反复试错的搜索，所以应该跟同等反馈与推理预算下的简单基线比；而搜索和最终评测用同一套题时，涨的那部分很可能只是记住了这套题——比如把某次失败里找到的一个具体文件路径写进提示词。作者在 Terminal-Bench 2.1 上用 GPT-5.4 与 Claude Opus 4.6 做对照，结论是自动演化没有稳定赢过简单的测试期搜索，泛化也有限。3

SoL-Pi 的整个搜索设计就是在回应这一条：把候选的开发和留出验证彻底分开，留出结果单向流动。它能不能算数，取决于后面的独立复现，目前还没有。1

机制一和机制二：合并往返，压缩先算账

Action Fusion 针对的是重复往返：基础 Pi 常常先改文件，再单独发一条命令去测、去构建、去跑，那就把两件事并成一次工具请求，一次返回两个结果，省掉一轮模型往返。需要先看改动结果才能决定下一步的命令，仍然分开走。1

Online Context Compact 管的是什么时候压缩上下文。它不按固定规则压，而是按计划步骤完成这个时间点来算：Agent 用 update_plan 维护计划，每完成一步，harness 就估一次后面还剩多少请求，再比较「让上下文回到窗口内能省下多少输入」和「重写缓存前缀要额外花多少」。只有省下的输入压过改写成本才动手；越往后压要求越大的余量，因为前面的改写成本还没收回来。这里反直觉的一点是：压缩本身是要花钱的，因为它会打断缓存前缀的复用。1

机制三和机制四：给大结果一个把手，把日志交给便宜模型

ObservationPack 处理重复出现的大结果：超过 10 KiB 的工具输出先在本机存档，接下来两次请求仍然完整发送；从第三次请求起，模型看到的换成一个稳定的把手、原始大小，以及头尾几行的摘录，需要精确内容时按把手取回。小结果不改。1

Evidence-Preserving Reducer 把构建与测试日志（阈值 4 KiB）交给一个更便宜的模型写成一份紧凑回执，但它不信这份回执：一个确定性验证器要核对回执的结构、来源哈希、退出状态、逐字引用的原文和大小，只要验证没过、怀疑日志里有凭据、或者回执根本比原文大，就退回原日志。文件读取和搜索结果不走这条路。四个机制里，省钱的那一步都不能顺手把证据弄丢。1

省了多少，代价是什么

EdgeBench 是 51 道公开题（全套 134 题里已开源的部分），比较的是平均分、token 流量与 API 成本，价格取 8 月 17 日的官方 API 价。完整四机制那一档：GPT-5.6 Sol 上从 1,339 美元降到 894 美元，平均分从 44.8 到 42.0（保留 93.7%）；换到 Opus 5，token 流量降 44.7%、API 成本降 33.5%，保留 94.3% 的平均分。跟原生 harness 比，GPT-5.6 Sol 上相对 Codex 的 API 成本降 50.0%（1,787 美元对 894 美元），Opus 5 上相对 Claude Code 降 54.3%（2,535 美元对 1,158 美元）。论文按小时给的估算是：相对 Codex 与 Claude Code 每小时省 8.75–13.50 美元，相对 Pi 省 4.36–5.71 美元。1

代价写在细节里。压缩让缓存前缀不再复用：GPT-5.6 Sol 上四机制全套把缓存读取流量从 2.1326B 降到 1.0605B token，缓存写入流量却从 0.0141B 涨到 0.0316B，总账仍然从 1,339 美元降到 894 美元。论文的判断是，要看一件任务的总成本，而不是只看缓存复用率。1

还有一个数字值得单独拎出来：作者选出的「表现点」不是四个机制全套，而是单个机制——GPT-5.6 Sol 上 ObservationPack 把平均分从 44.8 提到 47.2，Opus 5 上是 Action Fusion，提到 50.5（均为该后端得分最高的单机制配置）。省钱的组合和涨分的组合不是同一个。1

换一张考卷，和能抄回自己循环的四条

出了 EdgeBench 之后的三组结果，方向不完全一致。Terminal-Bench 4 的 63 道 CPU 任务上，Codex 与 Pi 各解 18 题，SoL-Pi 解 15 题，但总成本从 Pi 的 286.45 美元降到 211.12 美元，单题成本降 11.6%（15.91 美元到 14.07 美元）。IMO 2026 六道题、要求 Lean 4 形式化验证，三个 harness 都过 3–5 题（Codex 5 题、Pi 3 题、SoL-Pi 3 题），SoL-Pi 单题成本最低，20.90 美元。蜂群实验里，Codex 带 20 个 SoL-Pi 工人两小时跑到 1,127 个 cycles、花 60.11 美元，带 20 个基础 Pi 工人是 1,366 个 cycles、82.12 美元，而单个 Codex Agent 反而最便宜（1,333 个 cycles、39.20 美元）。1 7

作者自己圈的边界有三条：跨模型迁移只是初步证据，这些机制在 Opus 5 上触发得更少，可能因为搜索只用了 GPT-5.6 Sol 的轨迹；终端基准上它解出的题更少，省成本与保能力之间仍有取舍；所有数字都来自论文与项目方自己，用的是官方等价计价，目前没有独立复现。1 8

能抄回自己循环的有四条：先找出重复的往返（一次编辑跟着一条固定验证命令，合并收益最直接）；大工具输出不是垃圾而是重复计费，留一个能精确取回的把手比直接摘要安全；让便宜模型读日志可以，但要有一个确定性检查吃得下它，并且准备好退回原文；压缩要算账，省下的输入对得上重写缓存的成本才做，上下文预算越紧越值。四条都不需要训练模型，也不需要换模型。