一个免费开源模型正从单个提示词运行 300 个并行 Agent，跨越 4,000 个协调步骤，在真实研究任务上的得分比收费贵 5 倍的模型还高。
但大多数人从未打开过它的全部功能。
他们打开 Kimi，输入一个问题，得到一个答案，然后关掉标签页。这就是聊天框。它有用。但这也只是该产品能力的 10% 左右。
以下是大多数人忽略的部分：
集群不仅跑得快。如果操作得当，它每次都会留下一些东西——一个可复用的技能、一份更精确的规格说明、一个能防止下次运行重蹈覆辙的约束条件。
昨天执行你任务的集群，应该比今天执行任务的集群更聪明。
https://x.com/Kimi_Moonshot/status/2047190578493096122
这就是那个循环。 Kimi 负责工作和学习。Opus 4.8 守着一个关卡——验证关卡——它唯一的任务就是阻止垃圾内容被保存为技能。 引擎在学习。守门员确保其诚实。
有些人选一个模型就绑定终身。有些人追逐最新的基准线。还有些人搭起 LangGraph，花一整个周末调试一个有向无环图。
结果通常都一样：一个在第 50 次运行时和第 1 次运行时做完全相同事情的工作流。
但这不是那种情况。这是一套完整的、能持续积累的集群操作手册。共 10 步。每个提示词都可直接复制粘贴。每个数字都经过验证。
第一部分 - 构建循环一次。永久运行。
01. 写一份规格说明，而不是一个提示词
当大多数人听到“300 个 Agent”时，他们会发出一行简短的指令——“调研健身应用市场”——然后期待奇迹发生。这是最快消耗额度并得到一堆垃圾的方式。
一行指令等于给了集群全权决定权，而它几乎肯定会做错决定。
把集群当作承包商，而不是神灯精灵。一份规格说明定义了要收集什么、什么算有效数据、允许使用哪些来源、确切的输出格式，以及在出现冲突时该怎么办。以下是大多数人忽略的部分：Kimi 自己决定如何分解任务。
你不需要像在 CrewAI 中那样构建 Agent，不需要像 LangGraph 那样连接图谱，也不需要像 AutoGen 那样定义结构。你只需描述目标——集群会自行构建组织架构图。
规格说明是整个循环中杠杆率最高的单一资产，因为在第 4 步，它会成为你可复用技能的种子。
1# 项目：[名称]2目标：[一句话——可交付成果，而非主题]3范围：[哪些包含在内，哪些明确排除]4规则：[验证——什么算作已验证的行/发现]5来源：[官方帖子、论文、一手资料——不要聚合器]6输出：[文件类型 / 数量 / 命名 / 格式细节]7冲突时：标记该行，绝不静默解决8停止条件：[何时停止并报告，而不是猜测]
02. 在花一分钱之前，先查看分解计划
这是初用者跳过的一步，也是跳过代价最高的一步。
在你提交规格说明后，Kimi 会在执行之前向你展示执行计划——有多少个子 Agent、每个负责什么、依赖顺序、步骤预算。
仔细阅读。一个 200 个 Agent 的集群如果分解错误，会消耗真实的时间和金钱。而检查计划则无需任何成本。你需要留意三件事：它是否理解了范围、Agent 数量对于任务规模是否合理、输出计划是否匹配你的实际需求。
一个值得了解的细节：4,000 个步骤是整个集群的总协调预算，而不是每个 Agent 有 4,000 步。一个 300 个 Agent 的运行任务平均每个 Agent 约需 13 步——简短、专门的子任务。这能让你判断你的任务是否适合这种模式。
1在执行之前，向我展示提议的分解方案：2- 有多少个子 Agent，以及每个负责什么3- 依赖顺序（什么阻塞了什么）4- 预估的步骤预算5- 最大的质量下降风险在哪里6不要执行。等待我的确认。
一个一行指令是一个愿望。一份规格说明是一道命令。集群执行命令。
03. 允许一些浪费——这正是关键所在
现在开始运行。多达 300 个子 Agent 以并行波次启动。第一波处理完全独立的子任务。
随着结果返回，编排器启动下一波处理依赖于这些结果的任务，直到依赖关系图解析完毕。
每个子 Agent 在自己的受限上下文窗口中工作。这就是结构上的诀窍：处理长任务的单个 Agent 会填满其窗口，直到信息过载并开始进行有损摘要，之后的每个推理步骤都会变得更糟。
集群为每个子任务提供自己的范围上下文，因此只有结构化的输出会流回协调器。 这就是它能处理会拖垮单个 Agent 的任务的原因。
由于 Kimi 的运行成本为输入 $0.95/M 和输出 $4.00/M——缓存命中时低至 $0.16——你可以负担得起放弃第一次尝试并重新运行。低廉的批量成本改变了你愿意尝试的范畴。
1从头到尾执行规格说明。2在计划允许的地方进行并行化。3每 30 步报告一次进度。4立即标记任何阻塞因素——不要静默绕行。5如果某个子 Agent 停滞超过 10 分钟，重新分配或报告。6将所有内容合并到规格说明中定义的 OUTPUT 中。
04. 要真正的文件，而不是聊天答案
集群的输出不是窗口中的文本。它是可以直接应用到工作中的结构化交付物——而这是大多数文章忽略的部分。
一次运行就能产出 PDF、电子表格、数据集、幻灯片和可运行代码，所有这些都来自一次启动，因为 Kimi 原生支持这些格式。
因此，始终在规格说明中以输出为导向。
“一份全面的报告”给了 Agent 提前收工的理由。“一份 40 页的 PDF + 一个 20,000 行的 CSV + 14 张可导出的 PNG 图表”为它们提供了一个可触及的质量目标。
输出层面的具体性是关键差异。
1输出：[文件类型] / [数量] / [命名] / [格式细节]23# 强有力的例子：4输出：1 个 .xlsx，每个模型一行，+ 200 字简报5输出：30 个 HTML 文件，每个门店一个，按业务命名6输出：40 页 PDF + 20,000 行 CSV + 14 张 PNG 图表
05. 让诚实的模型审视输出并指出问题
这一步不是 Kimi 的强项。集群的已知缺陷：除非你明确要求验证，否则它会产生自信但引用不足的声明，并且独立的子 Agent 有时会相互矛盾。“看起来完成了”和“是正确的”是两码事。
Opus 4.8 正是为此关卡而生。Anthropic 报告称，它让自己代码中的缺陷不被注意地通过的可能性比 4.7 低大约 4 倍，并且它是第一个在批判性报告有缺陷结果方面得分为 0% 的 Claude 模型。
它在此的唯一任务就是反驳，而不是赞美。你花费高级 token 不是为了生成内容——而是为了让它在第 4 步将缺陷永久保存为技能之前，捕捉到那些静默的缺陷。
只有当有可信赖的东西在检查工作时，低廉的批量成本才是一种超能力。保持验证关卡。
06. 将整个工作流保存为技能
这一步能让循环自我改进。在你确定会重复的运行之后，告诉 Kimi 将整个工作流捕获为一个可复用的技能——包括输入格式、Agent 步骤、输出格式。
第一次运行需要 20 分钟。之后的每次运行只需 30 秒。
这就是“自学习”的真实版本。模型不会在两次运行之间重新训练其权重。
但围绕它的系统会变得更智能——你的技能库会随着每个项目而增长，并且未来的每个集群都会自动应用这些技能。
竞争对手无法在一周内复制那个技能库。它是你数月真实运行积累的成果。
1将整个工作流保存为一个可复用的技能：“[名称]”2捕获：3- 输入格式（它期望什么文件/规格形状）4- 有效的 Agent 步骤5- 输出格式和命名约定6- 规格说明中的验证规则7下次我运行时，附上新的文件，得到相同的输出形状。
07. 将自己的文档作为集群知识输入
技能捕获流程。文档到技能捕获领域知识。上传你最好的作品——一份成交的提案、一份精良的报告、一份演示文稿——Kimi 会将其结构和风格指纹捕获为一项技能，未来的每个集群都会自动应用。
这就是积累效应：你输入的每个 PDF、文字记录或电子表格都会成为上下文，所有 300 个并行 Agent 都可以以此为基准，而不是依赖通用的训练数据。
你输入得越多，后续每次运行就越准确。报告看起来不再像泛泛的 AI 生成物，而开始像你的作品。
1将此文档捕获为一个可复用的技能。识别其成功之处：2- 结构和章节顺序3- 语气和语域4- 每节的分析深度5- 写作节奏和格式决策6将其保存为“[名称]”。然后在[不同主题]上使用捕获的技能7创作新文档——匹配其质量水准，而非内容。
08. 将验证反馈转化为永久规则
第 5 步能捕获一次缺陷。第 8 步确保集群永不再犯。拿 Opus 的修复列表，不要仅仅修补输出——将经验教训融入一个项目级别的约束文件中，Kimi 会在每次会话开始时自动读取。
这就是循环从其自身失败中学习的方式。Opus 在第一次运行中指出的偏离，会成为第二次运行的硬性规则。
经过几个项目，你的约束文件会变成能自我执行的活文档——而验证关卡每次需要捕获的东西会越来越少。
1# CONSTRAINTS.md — 自动加载2- 每个声称的数字必须追溯到一手来源，或被标记3- 不得静默解决冲突——必须呈现矛盾4- [从上次运行的 Opus 反馈中提炼的规则]5- [你绝不想再犯的错误]6范围锁定：不要触及规格说明 SCOPE 块之外的任何内容。
09. 在新输入上重播技能——见证成本骤降
现在到了收获的时候。第二次运行不再从零开始。它从你在第 6-8 步构建的技能、集群知识和约束文件开始。
相同的工作流，新的文件，只需设置的一小部分时间。
这就是“积累”不再是空话，而是体现在账单上的时刻。第一次竞争监测运行需要一份完整的规格说明和一次验证通过。
第四次则只需一个 30 秒的提示词，针对已保存的技能，并且输出更精准，因为它继承了之前所有运行的修复。
1在这些新输入上运行已保存的技能“[名称]”。2应用 CONSTRAINTS.md。使用捕获的输出格式。3[附加新文件]4仅报告与技能预期形状的偏差。
第一次运行 20 分钟。第五十次运行 30 秒。这个差距就是构建循环而非单一提示词的整个原因。
10. 将循环提升为后台 Agent
最后一步：一旦一个循环稳定且技能健全，你就可以停止手动启动它。
将触发器指向 Kimi——可以是时间表、新文件投放、竞争对手的定价页面——让它主动运行整个循环，仅输出交付成果和偏差。
竞争监测是一个清晰的例子。
第一次运行你需要手动构建和验证。到它成为后台 Agent 时，它会每周并行检查所有竞争对手，并在零额外时间成本下将一份简报投递到你的收件箱。
循环中唯一剩下的人就是你设定的问题和你在答案上做出的决定。
1按每周计划运行技能“[名称]”。2触发器：[时间表 / 新文件 / 监控的 URL]3每次运行时：执行集群，应用 CONSTRAINTS.md，4验证，然后交付 OUTPUT + 与上次运行的差异。5仅当偏差超过[阈值]时才通知我。
结论：
当封闭实验室还在一次发布一个更智能的聊天机器人时，一个开放模型已经在并行运行 300 个 Agent——并且随着你每次运行，它在系统层面变得越来越智能。
我们之前已经见过这种模式一次。一个开源发布重新定义了封闭前沿认为属于自己的领域，整个领域在一夜之间重新校准。这在 DeepSeek 身上发生过。
一个在开源权重模型上的自学习集群拥有相同的模式。
那些仍在争论哪个模型“赢了”的建设者们，正在回答一个已经不再重要的问题。
现在的问题不是哪个模型最聪明。而是你能同时运行多少个，谁来检查它们的工作，以及你的设置今天是否比昨天更出色。
大多数人会读到这篇文章，然后继续把 Kimi 当作聊天框使用。少数人会在本周内构建这个循环。第一次运行需要 20 分钟。之后的每一次运行都是你所拥有的杠杆。
构建它。验证它。提炼它。然后看着它每一次运行都变得更便宜、更精准。
