首页

AI 领域正掀起一股新的浪潮，其核心在于“循环”（loops），而非传统的提示词（prompt）编写。Peter Steinberger（OpenClaw创始人，现任OpenAI个人智能体研究员）、Boris Cherny（Claude Code创造者）以及谷歌工程师Addy Osmani（“循环工程”一词的提出者）等行业领军人物，正纷纷转向这一新的范式。

Cherny表示，他现在已极少亲自撰写提示词，而是让一个智能体代劳，他自己则与这个“协调一切”的新Claude进行交互。他甚至预言，十年后，循环及其相关功能将是他最引以为傲的成就之一。Steinberger则认为，与其费力编写提示词，不如着重设计用于输入提示词的循环。他还在X平台上展示了自己的循环应用：让Codex每五分钟自主运行一次，自动维护代码库并分配任务，实现部分工作的全自动化。

那么，这个被行业大佬们反复提及的“循环”究竟是什么？Claude Code团队在官方博客中对其进行了清晰的定义，并划分出四种不同的循环类型，为“智能体自主工作”提供了工程化的框架。这标志着AI编程正从“一次性指令”转向“设计一套能够自主运行的系统”。过去，一个提示词换来一次响应；而现在，一个循环则能构建一个在你离开电脑后依然能为你工作的系统。程序员的角色也随之转变，从内容创作者变为系统设计者。

四种循环，四种“停止机制”

关于循环的定义，社区内讨论已久，但Claude Code团队给出了明确的界定：循环是指智能体反复执行一系列任务，直至触发预设的停止条件。这四种循环，本质上代表了四种不同的“停止条件”。

Claude Code团队从触发方式、停止机制、所需工具以及适用场景等维度，将循环细分为四种：

1. 回合制循环（turn-based）

这种循环由用户逐轮控制，每一次用户输入提示词，AI便执行一轮。用户全程掌握主导权，在AI完成一轮后进行检查，再决定下一步。它适用于非流程化、非计划性的零散短任务。为了减少手动检查的环节，可以将日常的手动验收步骤转化为SKILL.md文件，让AI自行进行验收。量化程度越高的检查，AI越能准确判断是否完成，用户需要监督的环节也就越少。

2. 目标循环（/goal）

目标循环允许预先设定明确的目标，例如“将首页Lighthouse分数提升至90以上，最多尝试五次”。当Claude认为已完成任务时，一个评估器模型会根据预设标准进行判断。若未达标，则会要求AI继续执行，直至目标达成或用完设定的尝试次数。使用诸如“测试通过数”或“分数阈值”等可量化标准，能够避免Claude在“是否足够好”的问题上犹豫不决，由评估器代为判断，从而防止因过早停止而导致循环无法干净利落地收尾。

3. 时间循环（/loop 和 /schedule）

这种循环基于时间间隔触发，类似于闹钟功能。它适用于重复性任务，即任务内容不变，但输入信息会发生变化，例如每天自动汇总Slack消息。同时，它也适用于需要监控外部系统变化的场景，通过按固定时间间隔检查，以发现变化并作出响应，例如监控可能收到评审或CI失败通知的Pull Request。使用/loop命令可以按设定的间隔重复执行提示词。若希望在关机后任务仍能继续执行，可使用/schedule将循环任务迁移至云端。这一机制与程序员熟悉的定时任务（cron）原理相似。

4. 主动循环（proactive）

主动循环由事件或时间触发，全程无需人工干预。结合自动模式和动态工作流，可以将耗时较长的任务串联起来实现全自动化。例如，每小时扫描反馈频道，一旦收到bug报告，系统便能自动完成分诊、修复和回复等一系列流程，无需用户授权。每个子任务达成目标后即退出，而整个例行任务将持续运行直至用户手动停止。这种循环特别适合处理持续不断且边界清晰的任务，如bug上报、问题分类或依赖升级。

这四种循环，归根结底是提供了四种不同的“停止决策机制”：由人工判断、由评估器判断、由时间决定、由事件触发。

从更底层来看，根据官方Agent SDK文档，这套机制的核心逻辑相对简单：Claude接收提示词后，进行评估，然后调用工具执行任务，获取结果，再进行下一轮评估，直至某轮不再调用任何工具，循环才宣告结束。

所谓的自主智能体，本质上就是一个这样的闭环系统。

真正改变的并非循环本身

当然，将“设计循环”视为一项全新的革命性突破可能并不准确。定时任务、编排（orchestration）和反馈循环等概念早已存在。Claude此次的贡献更多在于将这些概念进行了统一的命名和分类，形成了一套标准化的体系。

那么，真正发生的变化是什么？关键在于“停止条件”的设计。

在Claude Code官方总结的实践技巧中，被特别强调并被视为“最有价值”的一点是“验证”（verification）：即赋予Claude自主检查其产出的能力。这很容易理解：如果让工程师在没有浏览器的情况下开发网页，其美观度可想而知；而有了浏览器，他就能实时看到修改效果，反复调整直至满意。循环的强大之处，恰恰在于它具备了这种“自我闭环”的能力。

在这个过程中，提示词并未消失，而是退化成为循环中的一个组成部分。核心的重心转移到了停止条件的设定、验证器的设计、Token预算的控制以及多轮执行策略的制定。

没有“闸门”的循环，强大且危险

那么，循环是否意味着可以完全放任AI自行工作一整天？答案是否定的。

首要的挑战是成本。无限制的循环可能导致Token费用飙升。据报道，Steinberger曾享有OpenAI提供的免费Token福利，但普通用户则需承担实际费用。

另一个更隐蔽的风险是，智能体可能陷入“看似有进展，实则原地打转”的死循环。例如，它可能反复修改同一个文件，但始终无法通过新的测试。甚至，它可能自信地将一个错误方案不断“完善”。

工程社区的普遍共识是：循环能力强大，但缺乏“闸门”（gating condition）则十分危险。Reddit上的讨论中，有人总结了设计循环前必须考虑的三个关键“闸门”：

• 完成条件（done condition）：必须是机器可判定的标准，例如所有测试通过，或者某个特定项目完成。
• 硬性上限（hard limits）：包括最大执行轮数和最大费用，用于防止成本失控和无限循环。
• 无进展检测（no-progress detection）：一旦检测到AI反复修改同一批文件但未产生新的通过测试，则强制停止。

官方也提供了一系列成本控制策略：对于小型任务，避免过度使用多智能体；优先使用成本较低、速度较快的小模型，而非一味依赖最强大的模型；大规模执行前，先进行小规模测试；将确定性任务交给脚本执行，这通常比让模型进行逐步推理更经济；例行任务的执行频率不应超过其实际需求。

因此，循环本质上是一套“如何管理AI”的设计体系，而非“放任AI随意运行”的模式。这也决定了它目前最适合处理边界清晰、结构化的任务，而非需要自由发挥的创意性工作。

过去拼“会说话”，现在拼“会搭系统”

这一轮AI领域的演变，核心在于编程重心的转移：从“内容设计”转向“行为系统设计”。过去，你设计的是一次性指令的内容；现在，你设计的是一套完整的行为逻辑：如何触发、如何验证、何时停止。

Claude Code官方为希望设计循环的用户提供了一个简单的起点：审视自己日常工作中遇到的瓶颈环节，并思考三个问题：

• 验证：我能否为这个验证检查环节编写对应的代码？
• 目标：目标描述是否足够清晰明确？
• 节奏：这项工作是否以固定的节奏出现？

只要其中一个问题的答案是肯定的，就意味着你找到了第一个可以交给AI循环处理的任务。

AI编程的竞争焦点，已从过去的提示词技巧，转变为谁能构建出能够自主验证、并知道何时停止的系统。虽然编写提示词的时代不会立即消失，但其光环正逐渐转移到循环设计上。而真正掌握循环设计精髓的开发者们，才刚刚登上舞台。