过去两年，提升AI编程Agent效率的常见思路是：换更强模型、写更好的提示词、堆更多上下文。但一个问题越来越明显：它们每走一步都在烧钱，Token 就是算力账单上的金额，上下文越长、步骤越多，账单越吓人。

NVIDIA的SoL-Pi给了另一个答案：不换更大的模型，也不精调提示词，而是让AI自己动手优化Harness，就能省下 45%~49% 的 Token、约三分之一的成本，同时几乎不损失任务能力。SoL-Pi并不是完全从零开始搭建，而是基于开源的Pi框架做的扩展优化，其核心设计是让Agent自主研究如何去优化自身的 Harness。

能干的 AI，吓人的账单

过去几年，编程Agent的进化曲线又短又陡。它们从只会看代码进化到能根据反馈行动、修改自己周围的工具（对应两篇关键论文：Codex 初代与SWE-bench时代），再到像 Cursor 展示的那样自动驾驶整个代码库。到了这个阶段，一个Agent可以在无人监督的情况下连续跑几小时甚至几天，自主定位问题、修改代码、运行测试、修复报错。

听起来很美好，但一个基本问题随之而来：在这样漫长的自主运行里，每一个Token都在推动工作前进？还是说，冗余会随着轨迹变长而不断累积？

答案往往是后者。一个写代码的Agent在长任务中会反复烧掉Token的地方非常多，比如重复的系统提示、冗长的工具接口说明、反复回放的文件 diff……这些浪费单看一次都不起眼，但在几小时的长任务里会被反复放大。

现如今，行业把“让AI改进AI（递归自我改进，RSI）”当成下一个方向，Anthropic有专门的研究所，OpenAI的Codex系列也在朝这个方向走。但RSI本身极其烧钱：每一次尝试，无论成败，都要花 Token。 那么问题就变成了：在把RSI做大之前，是不是应该先让AI学会省着点花？

过去很多年，行业对效率的理解很单一：要么写更好的提示词，要么换一个更大、更强的模型。SoL-Pi 关注的不是换一个更聪明的模型，而是让现有模型少做无用功。SoL-Pi 的做法是用递归自动研究循环，自动生成对Harness的修改方案，比如观察过滤器、规划深度、日志策略、上下文组装方式，然后用受控试验对比改前改后，只留下真正有效的改动。不断积累这些小改进，最后汇成可观的节约。

SoL-Pi 的工作流程

SoL-Pi搭了一条流水线，先提出 152 个方向，经过自动研究循环，最终只有 4 个机制存活下来。虽然大多数想法失败，但广度搜索让少数真正有用的机制被发现。

第一关，广撒网：第一轮共提出 152 个候选改进方向，覆盖六大类，包括上下文管理（C）、进度控制（P）、工具使用（T）、委派（D）、提示词与策略（R）、改进与评估（M）。

第二关，预筛：在真正花试验预算之前，一个叫Oracle的分析阶段先用已有的轨迹估算每个方向的潜在收益，把明显不值得做的方向筛掉。

第三关，并行研究：每个幸存的方向进入一条独立的自动研究线。线内的循环是：先生成探索轨迹 → 用Map-Reduce并行分析多条轨迹、合并证据 → 提出一个具体机制 → 由一个Agent实现 → 由另一个Agent评审 → 通过双重验证。

第四关，残酷淘汰：最终只有4个机制活下来，成功率大约是每40个想法活1个。

这套流程里有几个值得细说的设计：

一是双人复核式实现。 实现环节不是让Agent一把梭，而是实现者与评审者分离：实现Agent迭代修改直到显式退出条件满足，另一个Agent检查实现是否符合行为契约，不合格就打回重改。

二是验证的严格隔离。 候选机制先在训练集上筛选，冻结之后才在完全隔离的留出集（EdgeBench，51 个长时任务）上终测。留出集的轨迹绝不进入后续分析，任何Agent都看不到留出结果，这保证了最终得分证明的是泛化能力，而不是背题能力。

三是能力下限红线。 这是整个研究里最重要的一条原则：省钱可以，但禁止靠少干事来省钱。 一个候选如果靠提前停止、跳过必要验证、删掉完成任务必需的证据来省Token，直接淘汰。每个机制通过两个门槛：所有能力指标必须在预先声明的容差内，且至少一项效率指标有改善。正因如此，四个机制叠加后，SoL-Pi在EdgeBench上保留了 Pi 基线约 94% 的平均得分，它省下的每一分钱都不是偷工减料换来的。

为了支撑这么大规模的研究，团队还建了535个可执行的训练环境，其中495个来自 GitHub 的issue-PR真实配对（用issue当任务、用被接受的补丁当标准答案，把仓库恢复到修复前一刻，并扣住PR和回归测试不让Agent看），另外40个是验证器驱动的合成任务（先定义可执行的验证器，再围绕它搭建开放式探索环境）。而EdgeBench的数据和验证器被严格排除在搜索之外，只用于最终考试。

活下来的四个机制，个个都是省钱大师

这4个机制别对应工具、上下文、观察和多Agent委派。

1. 动作融合（Action Fusion）：一步到位，少一次来回

编程Agent有个高频动作模式：改完一个文件，紧接着跑测试或构建命令验证。传统流程里，改文件是一次模型决策，发命令又是一次模型决策，中间夹着一整轮模型思考 + 往返传输。动作融合把这两步压进一个工具调用，Harness 在本地完成编辑并直接执行命令，然后一次性返回合并后的观察结果。省掉的是中间那轮模型决策，等于同时省Token和延迟。

2. 在线上下文压缩（Online Context Compact）：干完一桩，清一桩

大模型的KV缓存复用机制通常倾向于能拖就拖，把上下文压缩推迟到很晚，结果上下文里堆积了大量已经完成任务的残留内容。SoL-Pi 换了一个时钟：把任务拆成子任务，每完成一个子任务就把它当作一个潜在的压缩点，重新评估是否值得压缩。但它不会盲目压缩，只有当未来节省能偿还重写成本时才行动。一句话：在任务边界及时瘦身，而不是憋到最后。

3. 观察打包（ObservationPack）：归档，删除重复

这是最直观的浪费，一个大文件或一大段工具输出，会在之后每一次请求里原封不动地重复出现，同时占掉上下文和缓存。ObservationPack的做法是把这个大载荷存档到本地，上下文里只留一个稳定的稳定句柄和短摘录；模型真需要看具体内容时，再按页精确取回。这样既保留可访问性，又不再反复回放。

4. 精简器（Evidence-Preserving Reducer）：让便宜的小模型先读，但摘要必须能对账

在构建和测试的长日志里，往往只有几行真正决定了下一步。传统做法是让主模型硬读整篇日志，或者让一个摘要Agent读完再转述，但转述不可信，你不知道它有没有漏关键信息。精简器的做法是把第一次阅读委派给更便宜的Agent，让它产出一份精简的诊断回执，但这份回执里的每一行引文，都必须能对着存档日志逐字验证，验证通过后才呈给主模型。

这4个机制单独都是小改进，但组合起来最终把 Token 和步骤数双双推向接近减半的水平。

到底省了多少？

EdgeBench（51个长时任务，每个任务跑 2~12 小时）：

• 相比 Pi 基线：Token 减少 45%~49%，成本大约降三分之一；
• 相比各模型自带的原生Harness（Codex、Claude Code 等）：Token 减少 35%~~64%，按标价计算的 API 成本低 50%~~54%；
• 能力方面：保留 Pi 约 94% 的平均得分；在 GPT-5.6 Sol 后端上，甚至超过了该模型原生Codex Harness 的成绩。

Terminal-Bench 4（63 个纯 CPU 任务）：

注意这里有小细节：SoL-Pi解出的题数（15）少于Codex和Pi（都是 18），这正是能力下限原则的体现，它没有为了省钱而保解题数，但把总成本和单题成本都压到了全场最低。

20-Agent群体实验（一个更接近真实团队的场景）：

一个主协调Agent指挥20个worker Agent，分 5 组并行搜索，限时 2 小时。结果很有意思：

SoL-Pi 群比原生 Pi 群少花 17.5% 的算力、省下 26.8% 的成本，成绩反而更好。而一个反常识的发现是，更多的Agent并不等于更好，原生Pi群比单Agent贵了一倍多，成绩却还差一截。只有会省钱的 Agent群才真正买到了性价比。

对专业研究者个人来说，在单个问题上，SoL-Pi 相对原生Codex / Claude Code Harness 每小时省 8.75~13.50 美元，相对Pi每小时省 4.36~5.71 美元。跑一天，就是一顿饭钱；跑一个项目，就是一份预算。

SoL-Pi的意义

对工程团队：把省钱变成一套可落地的制度

SoL-Pi对工程和产品团队最大的启发是，别把省钱当成事后才想的优化，而要把它当作像可用性、延迟一样正式的指标来管，官方给出的落地路径很具体：

• 第一步，先埋点，再优化。按角色（系统、用户、工具、助手）分别统计Token用量、每轮延迟、工具调用的字节数、pass@k成功率。没有测量，就没有优化。
• 第二阶段，小步快跑的三期实施：第一期做观察增量+工具 schema 精简；第二期做日志采样脱敏 + 重复轨迹清理；第三期做自适应规划深度 + 提前退出检查。
• 每一期都设硬性门槛：比如成功率不倒退，Token 至少降 15%，P95 延迟至少降 10%；准备好回滚开关和漂移告警。
• 最重要的习惯：把优化当作 CI/CD。自动生成改动、跑受控试验、留下赢家、把改动的来龙去脉写进轨迹用于合规审计。

对行业：一场模型外效率的军备竞赛

SoL-Pi 的意义不止于省了多少钱，它揭开了一个更广的趋势：优化层正在成为标准配置。 未来，位于 Agent、工具和上下文存储之间的效率层，比如Harness 分析器、schema 编译器、自动调参会成为每家供应商的标配，而且这些优化可以跨模型家族迁移。

这对产业链上每一方都意味着位置的变化：

• 对买家（工程团队）来说，多了一个不依赖模型选型的ROI杠杆，也更容易走多模型策略，不再被绑死在某一家模型上。
• 对基础模型厂商来说，门槛提高了，新模型必须打败一个调优良好的Harness模型升级的有效增益会被重新定义。
• 对研究社区来说，模型外效率本身成了一个新赛道，Harness 编译器、观察规划器、上下文压缩器……这些都会成为下一代基础设施。

效率优化不是没有代价，SoL-Pi 把风险列得很清楚：

• 激进裁剪可能藏住边缘信息，导致静默失败，模型看似正常，其实漏掉了关键线索；
• 过度拟合基准套件，会造出图表很漂亮、生产环境一碰就碎的脆弱系统；
• 日志脱敏过度，事故发生时可能查不到原因；轨迹压得太短，可复现性会受损。

对应的治理措施也很具体：维护任务多样化的金丝雀测试；在 pass@k之外同时度量人工返工率；按任务类型设定最低观察下限；优先做结构化脱敏而不是一刀切截断；在模型输入之外保留一份完整保真的安全审计轨迹。优化要激进，但绝不能拿可复现性、审计需求、成功率稳定性去换。

展望

SoL-Pi 最有想象力的部分在最后——效率本身会递归。

团队已经在做两件更超前的事。

其一是预训练Harness：让系统自己收集或合成任务、搭建环境、收集轨迹、验证候选、更新自己的 Harness，即在部署之前，用不断扩大的自生成任务流来喂养Harness 搜索。他们预期会出现一条类比模型的Harness 规模定律：算力和环境多样性越大，Harness 越强。

其二是效率的最大化（efficiency for efficiency）：一个更省钱的Harness，会让研究下一个更省钱的 harness这件事本身更便宜,同样一笔预算能覆盖更多环境、更多轨迹、更多研究想法。于是效率既是研究的结果，又是扩大下一轮研究的资源。

这也把人类的位置问题重新摆上台面：当 AI 开始改进自己周围的机器，人类该站在哪里？ SoL-Pi 的答案是混合循环：人类提供早期先验、过滤低价值方向、在候选存活后审查并重构实现；而一旦某个想法进入自动研究循环，中途完全不需要插手。