一個免費的開源模型正從單一提示詞運行 300 個並行 Agent，跨越 4,000 個協調步驟，在真實研究任務上的得分比那些收費高 5 倍的模型還高。
但大多數人從未真正打開它。
他們打開 Kimi，輸入問題，得到答案，然後關閉分頁。這是聊天框。它能用。但這大概只發揮了這個產品 10% 的功能。
以下這部分是大多數人忽略的：
這個群體智能（swarm）不僅跑得快。正確運行它，每次都會留下一些東西——一個可重複使用的技能、一個更精確的規格、一個能防止下次重複今天錯誤的約束條件。
昨天幫你執行任務的群體，應該比今天執行任務的那個更聰明。
https://x.com/Kimi_Moonshot/status/2047190578493096122
這就是循環。 Kimi 負責執行工作與學習。Opus 4.8 把守一道關卡——驗證關卡——它唯一的任務就是阻止垃圾內容被儲存為技能。引擎負責學習，把關者負責誠實。
有些人選定一個模型就死守著。有些人追逐排行榜上的最高分。還有些人接上 LangGraph，然後花整個週末除錯一個有向無環圖（DAG）。
結果通常一樣：一個在第 50 次運行時跟第 1 次運行時做著完全相同事情的流程。
這篇不是那樣。這是一套完整的、讓群體智能持續累積的操作手冊。10 個步驟。每個提示詞都能直接複製貼上。每個數字都經過驗證。
第一部分 - 建立一次循環，永久運行。
01. 撰寫規格，而非提示詞
當大多數人聽到「300 個 Agent」時，他們會丟出一行指令——「研究健身 app 市場」——然後期待奇蹟。這是燒錢最快的方式，而且只會得到垃圾結果。
一行提示詞等於給群體智能全權決定一切，而它一定會決定錯誤。
把群體智能當作承包商，而不是神燈精靈。一份規格定義了要收集什麼、什麼算有效、允許哪些來源、精確的輸出格式，以及遇到衝突該怎麼辦。以下是大多數人忽略的部分：Kimi 自己決定任務分解方式。
你不像在 CrewAI 裡那樣建立 Agent，不像在 LangGraph 裡那樣連接圖表，也不像在 AutoGen 裡那樣定義結構。你描述目標——群體智能會自己建構組織圖。
這份規格是整個循環中最具槓桿效應的產物，因為在步驟 4 它會成為你可重複使用技能的種子。
1# 專案：[名稱]2目標：[一句話 — 要交付的成果，不是主題]3範圍：[涵蓋什麼、明確排除什麼]4規則：[驗證標準 — 什麼算作已驗證的資料列/發現]5來源：[官方貼文、論文、僅限一手來源 — 不接受彙整網站]6輸出：[檔案類型 / 數量 / 命名方式 / 格式細節]7衝突處理：標記該列，不要默默解決8停止條件：[何時停止並回報，而非猜測]
02. 在花任何錢之前，先閱讀分解計畫
這是新手最容易跳過的步驟，而且跳過它的代價最高。
在你提交規格之後，Kimi 會在執行之前顯示執行計畫——有多少子 Agent、各自處理什麼、依賴順序、步驟預算。
讀它。一個由 200 個 Agent 組成的群體如果分解錯誤，會耗費真實的金錢和時間。檢查計畫則完全免費。你要尋找三件事：它是否理解範圍、Agent 數量對於任務規模是否合理、以及輸出計畫是否符合你的實際需求。
有一個值得注意的細節：4000 個步驟是 整個群體的總協調預算，而不是每個 Agent 4000 步。一個 300 個 Agent 的運行平均每個約 13 步——短小精悍的專門子任務。這能告訴你任務是否符合這個架構。
1在執行之前顯示提議的分解計畫：2- 有多少子 Agent，以及各自負責什麼3- 依賴順序（什麼會阻塞什麼）4- 估計的步驟預算5- 最大的品質下降風險在哪裡6尚未執行。等待我的確認。
一行提示詞是一個願望。一份規格是一道指令。群體智能執行指令。
03. 讓它容許浪費——這正是重點
現在開始執行。最多 300 個子 Agent 以平行波次啟動。第一波處理完全獨立的子任務。
隨著結果陸續返回，協調器根據依賴關係啟動下一波，直到依賴圖完全解析。
每個子 Agent 在自己的限定上下文視窗內運作。這是結構上的巧妙之處：單一 Agent 處理長任務時，它的視窗會被填滿，直到淹沒並開始有損摘要，之後的每一步推理都會越來越糟。
群體智能為每個子任務提供各自獨立的上下文範圍，因此只有結構化輸出會流回協調器。這就是為什麼它不會在那些會搞垮單一 Agent 的任務上崩潰。
因為 Kimi 的價格是輸入每百萬個 token $0.95，輸出 $4.00——快取命中時更只要 $0.16——你可以負擔得起丟掉第一次嘗試並重新執行。低廉的運算量改變了你願意嘗試的範圍。
1從頭到尾執行規格。2只要計畫允許就進行平行化。3每 30 個步驟回報一次進度。4立即標記任何阻礙——不要默默繞過。5如果某個子 Agent 停滯超過 10 分鐘，重新分配或回報。6將所有內容合併到規格中定義的 OUTPUT。
04. 要求真實的檔案，而非聊天式答案
群體智能的輸出不是視窗裡的一段文字。它是可直接用於你工作的結構化交付成果——而這也是大多數文章忽略的部分。
一次運行就能產出 PDF、試算表、資料集、簡報和可運作的程式碼，全部從一次啟動中完成，因為 Kimi 原生支援這些格式。
所以，永遠以輸出為導向來撰寫規格。
「一份全面的報告」給了 Agent 過早停止的許可。「一份 40 頁的 PDF + 一個包含 20,000 列的 CSV + 14 張可匯出的 PNG 圖表」則給了它們一個要達成的品質目標。
在輸出層級的具體性，就是差別所在。
1輸出：[檔案類型] / [數量] / [命名方式] / [格式細節]23# 強範例：4輸出：1 個 .xlsx，每個模型一行，附帶 200 字摘要5輸出：30 個 HTML 檔案，每家商店一個，以商家名稱命名6輸出：40 頁 PDF + 20,000 列 CSV + 14 張 PNG 圖表
05. 讓誠實的模型審視輸出，並找出問題
這是一個不屬於 Kimi 的環節。群體智能已知的缺陷是：除非你明確要求驗證，否則它會產出自信但引用不足的主張，而且獨立的子 Agent 有時會互相矛盾。「看起來完成了」和「是正確的」完全是兩回事。
Opus 4.8 正是為了這道關卡而設計的。Anthropic 報告指出，它 讓自身程式碼中的缺陷未被標註而通過的可能性，大約比 4.7 低 4 倍，而且是第一個在「未經批判地報告有缺陷結果」項目上拿到 0% 分數的 Claude。
它在這裡的唯一任務是反駁，而不是讚美。你不是在用高價 token 來生成——你是在用它們來捕捉那些無聲的缺陷，以免在步驟 4 被永久儲存為技能。
低廉的運算量只有在有可信賴的東西檢驗工作時，才是一項超能力。請保留這道驗證關卡。
06. 將整個工作流程儲存為技能
這是讓循環自我改進的關鍵環節。在一個你未來會重複執行的運行結束後，告訴 Kimi 將整個工作流程捕捉為可重複使用的技能——包括輸入格式、Agent 步驟、輸出格式。
第一次運行需要 20 分鐘。之後每次運行只需要 30 秒。
這就是「自我學習」的真實面貌。模型不會在你的運行之間重新訓練權重。
圍繞它的系統 正在變得更聰明——你的技能庫隨著每個專案逐漸成長，而每個未來的群體智能都會自動套用這些技能。
競爭對手無法在一週內複製那個技能庫。它是從你數月來的真實運行中建構出來的。
1將整個工作流程儲存為可重複使用的技能：「[名稱]」2捕捉：3- 輸入格式（它期望什麼檔案 / 規格形狀）4- 運作有效的 Agent 步驟5- 輸出格式與命名慣例6- 規格中的驗證規則7下次我執行這個時，我會附上新的檔案，並得到相同的輸出形狀。
07. 將你自己的文件餵入群體智能作為知識
技能捕捉的是 流程。從文件到技能捕捉的是 領域知識。上傳你最好的作品——一份成功結案的提案、一份精美的報告、一份簡報——Kimi 會捕捉其結構與風格特徵作為技能，讓未來的每個群體智能自動套用。
這裡就是累積效應發生的地方：你餵入的每個 PDF、逐字稿或試算表，都會成為所有 300 個平行 Agent 可以參考的背景知識，而不是依賴一般訓練資料。
你餵入得越多，後續每次執行就越準確。報告不再像是泛泛的 AI 產出，而是像 你的 作品。
1將這份文件捕捉為可重複使用的技能。找出使其成功的要素：2- 結構與章節順序3- 語氣與語域4- 每個章節的分析深度5- 寫作節奏與排版決定6將其儲存為「[名稱]」。然後使用捕捉到的技能，針對[不同主題]產出一份新文件7——匹配品質水準，而非內容本身。
08. 將驗證回饋轉變為永久規則
步驟 5 捕捉到一次缺陷。步驟 8 確保群體智能永遠不會再犯。取得 Opus 的修正清單，不要只是修補輸出——將教訓寫入一個專案層級的約束條件檔案，Kimi 會在每次會話開始時自動讀取它。
這就是循環從自身失敗中學習的方式。Opus 在第一次運行時標記的偏差，會在第二次運行時變成一條硬性規則。
經過幾個專案之後，你的約束條件檔案就會變成一份會自我執行的活文件——而驗證關卡每次需要捕捉的內容也會越來越少。
1# CONSTRAINTS.md — 自動載入2- 每個宣稱的數字必須追溯到一手來源，否則需標記3- 不允許默默解決衝突——需呈現矛盾4- [從上次運行的 Opus 回饋中提煉出的規則]5- [你永遠不想重複的錯誤]6範圍鎖定：不要觸碰規格中 SCOPE 區塊以外的任何東西。
09. 在新輸入上重播技能——觀察成本崩跌
現在是回報的時候了。第二次運行不再從零開始。它從你在步驟 6 到 8 建立的技能、群體知識和約束條件檔案開始。
同樣的工作流程，新的檔案，極少的設定。
這就是「累積效應」不再是口號，而是直接反映在帳單上的時刻。第一次競爭監控運行需要完整的規格和驗證環節。
第四次運行只是對著已儲存的技能輸入一個 30 秒的提示詞，而且輸出會更精準，因為它繼承了之前所有運行的修正。
1對這些新的輸入執行已儲存的技能「[名稱]」。2套用 CONSTRAINTS.md。使用已捕捉的輸出格式。3[附上新檔案]4僅回報與技能預期形狀不符的偏差。
第一次運行 20 分鐘。第五十次運行 30 秒。這個差距就是建立一個循環而不只是一個提示詞的全部原因。
10. 將循環提升為背景 Agent
最後一步：一旦一個循環穩定下來並以技能為基礎，你就不再需要手動啟動它。
將 Kimi 指向觸發條件——一個排程、一個新檔案上傳、一個競爭對手的定價頁面——讓它主動運行整個循環，只呈現最終交付成果和偏差。
競爭監控是一個乾淨的範例。
第一次運行你手動建立和驗證。等到它變成背景 Agent 時，它會每週平行檢查每個競爭對手，並以零邊際時間成本將摘要投遞到你的收件匣。
唯一留在循環中的人類，就是你設定的問題和你根據答案所做的決策。
1每週排程執行技能「[名稱]」。2觸發條件：[排程 / 新檔案 / 監控的 URL]3每次執行：運行群體智能、套用 CONSTRAINTS.md、4驗證、然後交付 OUTPUT 加上與上次執行的差異比對。5只有當偏差超過[門檻]時才通知我。
結論：
當封閉的實驗室持續一次一個地推出更聰明的聊天機器人時，一個開源模型已經在平行運行 300 個 Agent——而且隨著你每一次的執行，在系統層級變得越來越聰明。
我們已經見過一次同樣的模式。一個開源釋出重新定義了封閉前沿認為自己擁有的領域，而整個領域在一夜之間重新校準。DeepSeek 就發生過這樣的事。
一個基於開源權重的自我學習群體智能，有著同樣的形狀。
那些還在爭論哪個模型「贏了」的建構者，正在回答一個已經不再重要的問題。
現在的問題不是哪個模型最聰明。而是你能同時運行多少個、誰在檢查它們的工作、以及你的系統是否比昨天更厲害。
大多數人會讀完這篇文章，然後繼續把 Kimi 當作一個聊天框來用。少數人會在本週就建立這個循環。第一次運行需要 20 分鐘。之後的每一次運行，都是你自己擁有的槓桿。
建立它。驗證它。提煉它。然後看著它每一次運行都變得更便宜、更精準。
