九月中旬，一条「AI 破译 370 年密码」的新闻在技术社区传开：Vals AI 研究员用 Claude 的 Fable 5.1 在 44 分钟内破译了 1653 年的 Cyphral Distich，消耗 17.6 万 token。评测圈的讨论集中在模型能力上，但工程视角的问题更实际：这类多步核验任务，放在百炼的命令行工具链里，能不能走通？
我完整走了一遍。任务链三层：先排除「背答案」的可能（污染检查），再做一次结构发现实验，最后把逐位复核交给编排流水线并用自建密码做全链验证。全程只用了三类能力：bl text chat（qwen3.8-max 推理）、bl knowledge（检索）、bl pipeline（编排）。以下是实测记录。
场景：一条需要「检索 + 机械核对 + 边界判断」的任务链
密码题的公开材料分散在三处：题面与规则声明、32 段请愿短文转录、一份独立复核记录。核验目标：逐位检查 64 个数字位置在公开规则下是否成立。这类任务的特征很典型：材料要查、核对要逐项、结论要克制。
对应到平台能力，恰好是三类工具各接一段：材料要查交知识库检索，核对交 pipeline 编排，推理与判断交 qwen3.8-max 文本对话。先交代一个机制：Agent 不会因为普通提问就调用 bl，skill 里定义了路由规则，点名百炼或具体模型才走 CLI。
能力一：qwen3.8-max 的推理与「拒绝编造」
污染检查用三问递进：直接问术语、交代背景直问答案、编造词对照。结果三问全清：不认识术语（按构词法推测并索要出处，思考 3298 token）；直问明文思考 5707 token 后回「不知道」，没有编造；对编造词，明确识别虚构可能并拒绝配合。
三问的递进有讲究：第一问测「知不知道」，第二问测「给足背景会不会编」，第三问是控制组——拿不存在的术语探「会不会顺着编故事」。第三问识破了虚构，前两问的「不知道」才算可信。
bl text chat --model qwen3.8-max --message "你听说过 Cyphral Distich 这个密码吗？"
对编造词的联想曾突破 600 秒超时（客户端 180 秒、网络层 UND_ERR_HEADERS_TIMEOUT 两道都触发过），加 --thinking-budget 2000 后 234 token 内完成拒答。思考预算参数是把「不可控长思考」变成「可控任务」的关键开关，后面实验反复用到。
顺带一个行为观察：思考量并不与任务难度成正比。认术语烧了 3298 token「试图回忆」，而编造词拒答只花 234：「不认识就不装懂」是低成本的默认行为。
能力二：知识库检索，让每个结论带出处
三份材料入库后，用 bl knowledge search 检索关键问题，top1 命中 0.826 相似度的段落，返回结果带引用来源，结论可逐条翻回原文核对：
bl knowledge search --query "哪些位置无法用词索引解释？" --agent-id <检索服务ID>
提醒一个坑：如果不用现成的检索服务、改用手搭，配置面要留足调试时间（我们补了 rerank_min_score、dense_similarity_top_k 两个参数才调通）。
能力三：pipeline 把机械核对变成 12 秒的流水线
64 个位置的逐位核对是纯机械活，写成三步流水线：载入数据（内嵌 64 数字 + 32 段正文）→ script/js 逐位核对 → qwen3.8-max 写简报。全链 12 秒（1 毫秒 / 2 毫秒 / 9.4 秒）：
bl pipeline run --file crack_recheck.yaml --output json
耗时分布：核对 64 位的 script 步骤只花 2 毫秒，最后写简报的模型步骤占了 9.4 秒。机械核对与模型判断的成本量级差了几千倍，「机械活不交给模型」在这里就是白纸黑字的账。
复核数据：命中 5/64；换分词约定最高 8/64；随机基线 4-8；10 个位置结构不可行（数字越界或无对应首词）。模型简报守住边界：「在所列口径下未能复现该规则，不对原规则有效性作结论性判断。」
三个工程细节：script 输入要显式注入（args.<name> = {$from: ...}）；--events 只认 jsonl 字面量；pipeline 内模型步骤流式关闭，长思考必须给 thinking-budget（简报步 800 即可，9.4 秒完成）。
关键发现：两个可调参数
思考预算决定探索深度：不限预算的流式运行 49 分钟、思考链 340KB，才发现「64=32×2」结构（8 组映射假设仍全败，自评「结构置信度 70-80%、明文候选不到 5%」）；2000 预算档想 2 分钟就被截断，结构都没看到。
49 分钟那轮留下的 340KB 思考链里有两个值得看的细节：数字 42 被它映射到单词「minus」并标注「非常可疑」，但没能继续推下去；它还把 32 段短文的词数全数了一遍（与脚本结果一致），摸到第 1 段第 5、25 个词是 H 和 E，写下「spells HE. Could be meaningful!」。另外，这轮跑完它主动声明「未查阅外部已知答案」。
搜索空间决定任务宽度：自建的中文同构密码（《三十六计》628 字书文、36 位密文），36 字直破失败（两次尝试：一次前 18 字对、后接错句，自核表标了「不符」结论却写「完全吻合」；一次 26/36 卡住），缩小到 10 字后一次通关，思考仅 697 token。
成本与额度
全程实付 0 元：所有任务都在 qwen3.8-max-0902 免费额度内跑完，结算时剩余 96.1%（961,249 / 1,000,000），12 月 1 日到期。按目录价折算（输入 12 / 输出 36 元每百万 token）约 1.03 元；含流式估算约 3.6-4.7 元。总消耗 11-14 万 token，与原事件公开的 17.6 万同量级。
免费额度口径（以官方文档为准）：按模型独立计算、仅北京地域、90 天有效、过期不补、用尽不自动切换。
小结
三类能力的组合可以原样迁移到其他多步核验场景：bl text chat 负责推理与判断、bl knowledge 让结论有出处、bl pipeline 把机械核对流水线化。要点是分工清楚：机械的给脚本、判断的给模型、验证独立出来。
补一个边界说明：这套三层组合适合「一轮说不清、需要查材料、逐项核对再判断」的任务（数据对账、合同条款比对、长文档排错）；如果是「单问题单答案」的简单任务，直接 qwen3.8-max 一次对话就够，套三层只会更慢更贵。
实测于 2026-09 中旬。环境：CLI 安装、API Key 签发。成本数据以自己账号
bl usage free为准。
