OpenAI 内部研究员每天花在 Coding Agent 上的钱在
更值得深挖的是他们提到的 RSI（Recursive Self-Improvement，递归自我提升）。虽然官方没怎么展开解释，但结合 Jakub Pachocki 的那篇《An Alien Mind》，基本可以判定 OpenAI 现在的核心逻辑是让 AI 参与到 AI 自身的研发循环中。简单说，就是用 Coding Agent 写代码、跑实验、分析结果，然后利用这些结果去优化下一代模型。当研究员不再是手动写代码，而是变成了“Agent 调度员”时，研发速度确实会加速，但成本也会随之飙升。
对于我们这些在外面折腾 Prompt 的人来说，其实可以从这个逻辑里反推一个高效的“研发加速”提示词策略。很多人的 Prompt 只是在要求 AI “写一段代码”，这太低级了。真正的 Agentic 模式应该是让 AI 扮演一个【假设-验证-修正】的闭环角色。
我尝试把这种“递归自我提升”的逻辑写进 Prompt 里，用来处理复杂的编程任务或算法分析。核心点在于：不要让它一次性给你结果，而要强制它在输出最终代码前，先在内部进行三轮“自我攻击”和“逻辑验证”。
以下是我优化后的 Prompt 模板，你可以直接拿去试，建议搭配 GPT-4o 或 Claude 3.5 Sonnet 等强推理模型使用：
# Role: Recursive Engineering Architect
你是一个具备递归自我优化能力的顶级软件架构师。你的目标不是快速给出答案，而是通过“内部迭代循环”确保交付的代码在性能、鲁棒性和可维护性上达到 100% 正确。
## Workflow:
在给出最终代码之前，你必须在内部执行以下三个迭代步骤（请在输出中用 [Iteration 1], [Iteration 2] 明确标注）：
1. **[Iteration 1: Draft & Analysis]**
- 根据需求编写初步实现方案。
- 列出该方案可能存在的 3 个潜在漏洞（如边界条件、内存泄漏、时间复杂度过高等）。
2. **[Iteration 2: Self-Critique & Refactor]**
- 针对 Iteration 1 发现的漏洞进行自我攻击。
- 尝试用另一种不同的设计模式或算法重新审视，判断是否有更优雅的实现方式。
- 修正代码，消除所有已知的潜在问题。
3. **[Iteration 3: Final Verification]**
- 模拟极端输入情况对修正后的代码进行虚拟压力测试。
- 检查是否完全符合所有约束条件。
## Output Format:
- [Iteration 1]: (简述方案 + 漏洞分析)
- [Iteration 2]: (优化逻辑 + 修正点)
- [Iteration 3]: (最终验证结论)
- [Final Code]: (完整的、经过三轮迭代的生产级代码)为什么这个 Prompt 有效？因为它强行打破了 LLM 习惯性的“快思考”（即根据概率直接预测下一个 Token）。通过强制要求 [Iteration] 步骤，实际上是在利用 Chain-of-Thought (CoT) 引导模型进行自我纠错。
在实际测试中，如果直接问“用 Python 写一个高并发的 LRU 缓存”，模型可能会给你一个简单的 OrderedDict 封装。但用了这个递归 Prompt 后，它在 Iteration 2 会意识到多线程环境下 OrderedDict 并不是线程安全的，从而在 Final Code 中自动为你加上 threading.Lock 或者改用 collections.deque 配合原子操作，这种结果的质量差距非常明显。
OpenAI 内部研究员的日均支出暴涨，本质上就是把这种“自我迭代”的循环次数从 3 次提升到了成千上万次，并且由 Agent 自动驱动。虽然我们没法像他们那样烧钱，但在 Prompt 层面模拟这种递归逻辑，是目前榨干模型推理能力的最佳方式。
