让AI自己开发AI工具：7天31次提交的自举踩坑实录

让一套AI去开发另一套AI工具，全程无人值守——这听起来像科幻，但一位工程师真把它跑了起来。7天时间，31个commit，自举成功率只有六分之一。这个数字看着惨淡，但作者的结论却是"赚翻了"。原因藏在失败的处理方式里：飞轮踩过的每一个坑，都变成了它自己永久性的免疫记录。

什么是"AI开发AI"的自举飞轮

作者搭建的是一条全自动开发流水线：每天早上7点半，系统自己选题、自己立案、自己写代码，然后跑完51步回归门禁，全程无人接手。只有门禁全部通过才算完成任务。而开发这套流水线的，是另一套AI。用AI去开发AI工具，这就是所谓的"自举"（bootstrapping）。

概念很美，坑全在细节里。第一天早上7点半飞轮启动就直接被拒绝——拒绝它的不是黑客也不是权限问题，而是它自己头天晚上写脏的Git工作区。整整7天下来，作者踩了60多个坑，最后收敛成11条结构性规律。

「自举」（bootstrapping）一词来源于编译器领域：用一门语言的旧版本编译器去编译该语言的新版本编译器，从而让语言"拉着自己的靴带离地"。在AI工程语境里，自举指的是用一套AI系统来构建、测试或改进另一套AI系统，从而减少人类在开发循环中的直接干预。回归门禁（regression gate）则是持续集成中的一道强制关卡：只有全部预定测试通过，变更才被允许合入代码库。二者组合起来，相当于给无人值守的AI流水线装上了一套机械式"诚信保证"——AI不能绕过测试向自己说谎。

五类最典型的坑

程序把自己搞死

最反直觉的一类：飞轮每天要写运行账本和评分卡，这些文件被Git跟踪着，一写就弄脏工作区。沙箱预检一看工作区不干净，直接拒绝启动。这个坑在7天里换了6个马甲反复出现——评分卡、澄清账本、影响账，本质都是同一根引线。

解法是加一道预检：脏区超过50行就报"脏区超标"，运行时数据一律移出Git跟踪。

测量本身把系统带崩

有一天系统"熔断停机"，误报了两次。排查后发现工作区里躺着103MB的构建产物。指纹算法用了Git Diff的二进制全文模式，把103MB全量比对，还要逐文件读盘哈希，200多个文件每个窗口重读一遍。修法三刀：指纹改成只列文件名；超过1MB的文件只取大小加首尾各4KB；感测失败不再算成零进度。

无界反馈撑爆命令行

一个检查器输出了510KB的日志，被整段塞进下一轮提示词。在Linux上顶多慢一点，但这是Windows，命令行参数有长度上限，派发直接崩溃，错误码叫"argument too long"。教训很直白：无界反馈是崩溃故障，不是省时间的小事。现在反馈先压缩到2.8KB，再加一道8KB尾截防线，连UTF-8边界都做了回退处理。

AI不会喊停

同一个登录报错连续烧了三个窗口、三个小时都没人拦。根因是失败没有被归一化，跨窗口根本没法比对。

解法是引入断路器：把输出里的路径、行号、时间戳去掉，取256档失败签名。同一签名连续两窗，第三窗不再派写码的AI，改派只读诊断窗专查根因，诊断完仍未解决就升级给人类，绝不无限重试烧token。

断路器（Circuit Breaker）模式借鉴自电气工程：当电路出现过载时，物理断路器会自动断开，防止更大范围的损毁。在软件系统中，Netflix的Hystrix库将这一思想引入微服务容错——当某个下游服务连续失败超过阈值，调用方自动切换到降级逻辑，而不是无休止重试拖垮整条链路。在AI Agent场景里，断路器的意义更为关键：单次LLM调用可能消耗数千token，无界重试不仅烧钱，还会因上下文窗口膨胀导致模型输出质量持续下降，形成负反馈螺旋。文中"同一签名连续两窗就换诊断模式"的做法，正是将断路器阈值从"服务响应码"替换成了"语义失败特征"。

断言全靠脑补

最扎心的一类：AI写的端到端测试四连败，烧掉一个半小时，作者打开页面十分钟全修完。最典型的一个按钮渲染出来文字中间带了空格，AI的正则死活匹配不上。根因是期望值没有现实来源，全靠脑补。方案是断言必须从真实页面渲染里生成，禁用裸中文正则，改用role加name精确匹配。

三条最值钱的结构性规律

从60多个问题里，作者提炼出11条规律，其中三条最值钱：

• 测量失败不等于零进度：检测挂了要落证据，不能拿它当停机理由。

• 判断和证明必须分离：同一个原因连续红两次，就强制换到诊断模式。

• 每条指令都必须可验证：给AI的每条指令、每份反馈都必须有明确校验，没有校验就等同于埋了颗炸弹。

作者特别指出，这三条在Anthropic和Google的方法论里都有同构的表述，并非孤例。

AI审AI：抓出九处口径错误

有意思的是，这份复盘日记本身也过了一次硬核质检。三个独立的Subagent做对抗式重验，逐一核对120个可验证声称，包括26个Commit Hash和40多处引用行号。结果：零处坐实编造，九处修正——全是行号飘移和口径换算问题。比如原文写"次日自举通过"，审计翻记账本直接打脸，实际是连续两天静默失败。AI审AI，确实能抓出AI自己的错。

对抗式多智能体验证（adversarial multi-agent verification）是近年来提升LLM输出可信度的一类方法：让多个独立的子智能体分别扮演"提出者"与"挑战者"，通过相互核查来减少单点幻觉。其理论依据在于，不同推理路径产生相同错误的概率远低于单条路径，因此多路并行验证可以显著降低系统性误报。然而这一机制有一个重要边界：它擅长发现可锚定的事实性偏差（如行号、时间戳、哈希值），对于逻辑推理层面的系统性偏见（所有子智能体共享同样的训练偏差时）效果有限。文中"零处坐实编造、九处口径修正"的结果，恰好落在这套机制最有效的适用区间内。

为什么说"赚翻了"

关键在于回归门禁那条曲线：从51步一路涨到74步。多出来的23步，全是这几天踩坑换来的自动化检查——测试密闭性、失败签名、断路器、断言现实、极限保护。

同一个坑踩一次，就固化成机械闸门，飞轮永不再犯。这就是自举飞轮的意义：它犯的每个错，都变成了自己的免疫系统。31个commit，就是31次免疫记录。

作者给出三个当天就能用的动作：第一，把所有运行时账本移出Git跟踪；第二，给自动化加失败签名，同一错误连续出现两次就强制换应对方式；第三，AI写的测试断言，期望值必须来自真实页面渲染，不许凭想象写。三条都不需要新框架，当天生效。

结语：实习生与免疫系统

AI开发到底靠不靠谱？作者的答案很有辩证意味：单独看每一次失败，它笨得像个刚入职的实习生；但拉长到7天看，它把每个错都变成了永久性闸门。人类工程师会重复犯同样的错，而飞轮不会。这或许正是AI自举开发最被低估的价值——不在于单次成功率，而在于失败的可累积性。