Cline v3.88.0 发布 —— Fireworks 模型库大扫除，Kimi K2.6 上位

v3.88.0 从根上处理了这个问题。

Fireworks 模型库一次「大扫除」

这次最直接的变化：Fireworks AI 默认模型更新到了 Kimi K2.6，同时新增了一批 Fireworks serverless 模型。清理了过期的模型元数据，修正了缓存定价——用的是 forced: yes 覆盖而非逐一手动改。

坦白说，模型厂商一周发一个新模型、三天淘汰一个旧版本已经成为行业常态。provider 端的模型列表维护已经从「一次性配置」变成了「持续运维」事务。Cline 这次的处理方式是一刀清洗而不是逐条 Patch——副作用是短期可能有人依赖的旧模型消失了，但长期来看模型选择体验干净很多。

MCP 服务器的「自毁 bug」

这次修了一个挺隐蔽的 bug：MCP Server 增删流程中，文件 watcher 在 settings 写入时错误地触发了同步，直接把 MCP 服务器列表清空了。修复方案是在 delete/add 流程中控制 watcher 的触发时机。

这个问题最大的痛点是不可复现性——你不是每次删除 MCP server都会触发，只有刚好在 watcher 轮询窗口期内写入 settings 才会触发。大部分用户碰到的情况要么是「MCP 服务器怎么不见了」，要么是「重启后 MCP 服务器列表是空的」，都很难自己定位到 watcher 写入时序冲突。修了之后至少不会莫名其妙丢配置了。

上游模型推荐默认启用

Cline 之前一直有一个 upstream recommended models endpoint，但它被 feature flag 挡着。v3.88.0 把它变成了默认行为。

上游模型推荐意味着：Cline 团队维护的模型推荐列表不是通过代码更新下发到每个用户端，而是通过一个独立 endpoint 实时拉取。用户不需要等客户端更新就能拿到最新的模型配置。之前 feature flag 的作用是灰度控制。现在模型生态变得太快——一周一个新模型已经是常态——feature flag 那个「先看看稳定性」的速度已经赶不上需求了。直接默认拉取是对的。

当模型推荐从「客户端内置数据」变成「服务端实时数据」，模型选择器的响应速度也有了更高要求。Cline 后续版本可能会因为这个架构变化优化模型列表的加载和缓存策略——v3.88.0 只是铺好了路。

npm install -g cline

完整更新日志：Cline v3.88.0 GitHub Release

📢 关注我，获取最新开源更新日志和开发者工具动态。如果觉得这篇文章有用，欢迎转发给身边的开发者朋友。

#Cline #Fireworks #MCP #AI编程 #模型推荐 #KimiK26