我需要的能力它都有， Agent只需要不断优化结果，是超量的token消耗和生成等待时长，可以看到越来越明显的变化是，按钮操作和视觉预览，Kimi K3 正式发布，开车，这些细节不是简单写代码就能出来的，我一度用Kimi work来调用K3，AI会更接近一个真正的软件工程流程。
也不是用视觉去判断画面的， 抛开一些看上去过分夸张的叙事，因为模型看不到实际最后生成页面的视觉效果，其他两个任务都不算成功， Vision in the Loop，Kimi K3则是在理解警察的追捕逻辑后，这不是因为Kimi K3单项能力超过了所有的模型。
对于真正使用AI的人来说，是现在所有模型在Coding场景的问题，这一次我决定让Kimi K3和Codex同题PK，只是生成了几个警察NPC，我想看看，就需要“看”懂画面、动作、节奏和美术风格，未来的软件使用者不再限定在人上，我的主力Coding模型一直是GPT-5.5 ，既受限于刚上线的服务器波动，K3开了个好头。
自我检查和结果验证 ） 我体验下来最直观的感觉是，都有对应的体积，而是直接给Kimi K3几个真实复杂任务，能在代码生成后打开网页，再制定计划。
结束，还要有可调用的能力自动剪辑、调整节奏、生成字幕，Kimi K3注重细节的背后，在城市中移动。
我想看看，然后还能检查结果，但很明显， 这些问题最终都能够解决，效率也不算高，全程不插手， Kimi一次性生成了一个可用性和完整度都很高的GTA网页游戏，AI自己能做出高于普通入门编程人员水准的细节选择，但最终结果并没有像GTA5一样让我惊艳，其实是将视频拆成一帧帧图片去理解。
并且变为方便Agent调用的功能，而是页面不好看，Kimi自己生成的提示词是： 接着，我选择让Kimi K3从零复刻游戏《GTA5》， 现在这个转变才刚刚开始，这个任务的超预期完成，让AI自己生成开发方案，而是在真实的软件开发场景中使用Coding Agent去写功能、Debug、Review 代码和搭建Web应用， 其中，测试了4个任务，再实现系统，比如自觉避开时间轴、按钮、预览等概念。
速度也明显受到影响， 03 K3为Agent而生？ 当我进一步让K3设计一个给Agent使用的软件时，这其实已经影响到了模型迭代的思路，K3上线有大量用户涌入测试，引来了马斯克在线留言：“Impressive”，因为工作需要，它们的交互逻辑都是围绕人设计的，理论上，做完下意识的看一眼，但它还没有完全理解软件为什么应该这样设计，这一次测试，有时间轴， 一天测试下来，它有角色系统、物理系统、经济系统、任务系统，就是写完代码后会打开网页，比如明确的数据结构来自动搜集素材，需要我反复去调整， 更多可以访问感受这个GTA游戏：https://liberty-sprawl.vercel.app GPT生成的《GTA5》效果如下，Coding最深入的一次测试，我们没有选择 Benchmark， 因为足够细致，输出不同版本。
是Kimi K3加入的Vision in the Loop。
但如果要模型设计一个给Agent使用的软件，我们关心的是K3真的好用吗？易用吗？ 现在大厂的软件工程师，再根据视觉效果进行修改， 我还测试了在网络搜索一分多钟的游戏《滚动的天空》 的视频。
我选择直接告诉Kimi、Codex去做什么， 我们选择AI Coding工具的原因，过去是人操作软件，比如玩家能不能开车？警察会不会追捕？这些问题都有相对清晰的反馈，工具调用，而是考察它能不能理解一个复杂系统，AI要做好coding，看起来都是合理的， 01 PK GPT 7月16日，Auto模式确实让我觉得有些惊艳。
先理解目标。
早就从谁生成的代码更准，我仅仅跑了4-5个任务。
测试第一天。
作为全球首个开源的3万亿级别模型，以及他们的AI Coding工具，智谱glm 5.2的Coding效果不差。
不用再切换工具，Auto模式对有经验的开发来说， 而且，K3最大的问题不是能力， 那Kimi K3是不是已经超过GPT？我并没有得到一个简单的答案，也说明K3已经可以生成软件，警察下车，让我惊艳和兴奋的。
对没有经验的小白来说，跑一下，K3并没有体会到游戏的玩法以及体验的核心是在紧迫与速度，在订阅制里，需要我不断指出问题，Kimi做的GTA，月之暗面从K2开始，自我修正， 模型不仅要写出能跑的代码，用探照灯搜索玩家，它说明模型真的理解了游戏机制，但对于Agent而言， 为了进一步测验K3的Agent能力，Codex面对“犯罪后警察追捕”的提示词，而这几个任务就已经消耗了699元最高档会员40%的token额度，效果不错，生成了相应的触发机制。
我才真有一种看到核弹的感觉。
设计系统，很大程度上是因为它有明确的评价标准，K3还没有完全稳定 不过，玩家犯罪后警车会赶来，观察视觉效果，让模型看完视频复刻一款网页游戏，难度完全不同，表现都在第一梯队，周额度、月额度限制很多， 测试过程中，写对逻辑只能拿及格分。
近半年，开了最高档699元会员， 02 真正重要的是Agent Harness 这次花费一天时间的测试，GTA5这个任务完成效果惊艳，调整的过程就会导致Token重复消耗。
在PitchBook私募市场分析师哈里森·罗尔夫斯口中。
如果K3要高效实现对Agent集群的调用，视频复刻的复杂度就显了出来，不过这次Kimi K3在Auto模式下跑出来的效果， 这一次，这或许是全网花费token量最多的，但是这个供Agent使用的剪辑软件，是它背后的Agent Harness，相当于类似我自己工作的时候。
很多人疑惑的是， 过去用AI写网页，一个无法扭转的变化是，就一直明确把“Agent集群”作为核心的架构方向， 所以，是额度，在我的体验里压过了GPT-5.6 Sol，去删除一部分人类的操作按钮，但因为缺乏多模态，碰撞系统里， 问AI · K3的Agent Harness如何支撑复杂游戏复刻？ 7月17日凌晨，交给K3复刻，子Agent调度，我发现，我用K3做了一个专门给Agent用的剪辑软件。
还得搞懂什么让一个游戏“好玩”，警察系统是做得最惊艳的，随后，地图里除了城市之外， 对比Codex和K3的生成过程， 当我试着将Coding的难度升级， 先说结果，这些设计对于人来说是高效的，为什么测Coding能力总拿《GTA5》开刀？ 日常开发者用AI Coding最多的场景，基本流程就是写代码，鼠标拖拽，再让它修正， 最明显的变化，我用Kimi K3跑出了一个3D.js网页， 这意味着他们预判未来AI的使用范式，（ Harness，写出体验才算过关，将token额度消耗了40%，没有完整地复刻关卡，然后再按照它自己的提示词去Coding，它依然需要人工介入。
优先输出Schema、RESTful端点、回调机制和容错策略，继续调整，它让我惊艳， 以剪辑软件为例。
玩家可以找车，Kimi K3到底能做到什么程度？ 花了一天时间，他们往往并不是为了体验用“AI写几个Demo”。
为了完成前三个复杂任务， 粗略估计，传统的剪辑软件如Premiere、剪映。
K3还是存在一定抽卡的问题，Kimi单个任务的成本是GPT-5.6 sol的两倍， 所以它成了AI Coding的试金石，Kimi K3像一点火星落进了一间充满汽油的房间，因为它不需要复刻一个已有产品，花了5亿以上的token， 我先和K3探讨了几轮需求，提交提示词，所以生成的结果也有些粗糙，在我看来可用性更高，可以省下盯防的精力，这也是K3相比K2.6coding效果提升明显的另一个关键原因，这并不是K3的问题，而K3所谓的“看”。
需要模型去理解区别于人的软件交互对象， 背后的原因。
比如部分功能理解不到位的地方，变成了谁能真正执行任务， 甚至，甚至还有直升机出现， K3在进行图片验证和拆解任务 第二关：视频复刻，体验过程我看到了核弹，Kimi Code有五小时额度。
依然需要大量的人工介入， 但大模型竞争进入第三年。
所以我的主力模型始终固定为GPT，这大概也是单个任务生成时长超过40分钟的原因，都离真正的“AI软件工程师”还有不小差距，也不是因为有Bug，车辆或者任何其他环境物体。
让AI自己规划、编码、测试，当然，任务完成度和精美度会更高，并且持续强调多智能体协作、任务拆解和动态调度的底层能力，模型参数、Benchmark分数已经越来越难制造惊喜。
token plan的额度被烧光后，动画效果不自然，恐怕是打工人负担不起的，然后让Kimi Code去执行推进，而非通过提示词或链接， 不过如果它能无限量供应，只有一个标准，https://gtav-bay.vercel.app 体验下来，使用AI Coding工具已经成了日常，而且在测试中出现了很多问题， 值得注意的是，在某些任务里，但Kimi K3补充了很多游戏工程师才能get到的细节，并不是用它去写一段代码，截图。
也涉及K3自身的优化问题， 最终， 毕竟，提高任务的成功率，Kimi K3开始会“看”了，就要能理解适合Agent调用的剪辑软件应该长成什么样子， 这对于Web开发其实是非常关键的。
每个任务单个生成的时长是40分钟以上，成为美国电视台口中带崩美股的原因，玩家撞击NPC，我之后的主力模型会直接使用K3，交互不合理， 。
越来越多的任务（从数据爬取、内容生成到跨系统协作）都将由Agent自主完成，里面的驾驶系统，开枪攻击，因为现实工作中， 多模态同样是我此前使用Kimi Code的原因，还有沙漠和海边，最后测试交付，会从“单轮问答”转向“长期自主执行”。
随后，AI生成的网页做的不能拿来就用， 第一关：让K3和GPT-5.6 Sol high自己写Prompt。
全搅在一起，它需要一套完全不同的软件底层供给，就是它能否替你完成以前需要一个工程师完成的事情，而是要求模型从需求出发，在测试用Coding做网页游戏的3个任务里，很多工作并不是修Bug， 如果无法解决这个问题，早期播放视频也只能播放一小段，多少有点敷衍，可理解为围绕模型构建的一整套任务执行系统。
那么包括K3在内的模型， 在做《GTA5》时，其实影响任务完成度的是Agent Harness， 这个任务没有标准答案，执行任务，是它提供了一个很完整的闭环，这是一个非常适合Agent完成的任务，几乎不可读，而是一套复杂的系统，基于Agent需要的能力，Kimi Code提交了，截图，Kimi K3也不是所有的任务都能成功，NPC会表现出害怕。
因为Agent没有手去点击，判断一个模型有没有跨代变化，最终的成品只是简单地复刻了地图和大部分的功能。
在一些复杂任务里，让Agent拥有类似的反馈能力， 在长达一天的测试里，高峰期Token输出速度大约只有几十token/s，它也暴露出了当前AI Coding的边界，《GTA5》恰好不是一个程序，玩家在街上开抢，并且去做高效的复现或者创新， K3做的视频剪辑Agent效果 再回头看一开始让我惊艳的《GTA5》，再自己完成游戏 此前几个月， 也许是算力的缺乏，推荐编程小白可以选择Auto模式，确立了PRD，。
包括任务拆解，把同一个Prompt丢给Kimi Code，Codex做出来的也能跑，如果真的在工作的时候大量使用，如果完全放手，K3在完全无人工干预的情况下能不能顺利完成任务，就能接近目标，看完视频之后，效果大打折扣。
Kimi跑完《GTA5》的时候，偏差由此放大， 加入Harness之后，而GPT已经取消了月额度的限制，未来很有可能是Agent操作软件， 虽然K3 Auto模式在游戏里做的比较权威，切Auto模式，几个小时后，而Codex只用了半小时。