在刚刚结束的 Meta @Scale 大会上，Claude Code 创作者 Boris Cherny 登台亮相。原本以为观众会围绕 AI 编程助手提问，没想到第一个问题就直指核心：AI 循环（Loops）到底是新一轮炒作，还是真的在落地？ Cherny 态度明确：是真的，而且意义重大。
从手动编码到 Agent 驱动编码的第三步
「两年前我们还亲手写源代码，」Cherny 在演讲中说道，「随后我们开始用 Agent 替代人工编写代码。现在我们正在迈入下一个阶段：Agent 给 Agent 下指令，再由它们去写代码。」 在他看来，这三次迁移的幅度是同等的——从源代码到 Agent 是一次跃迁，循环机制是另一次同等分量的跃迁。
循环如何运转
在演讲后半段（约 32 分钟处），Cherny 具体描述了他自己在用的两套循环：
- 架构改进循环：一个 Agent 持续扫描代码库，寻找可以优化架构结构的机会
- 抽象去重循环：另一个 Agent 不断识别可以合并的重复抽象
这些 Agent 和普通程序员一样提交 Pull Request。由于代码库始终处于动态变化中，它们永不停止运行。
这背后的逻辑并不新鲜——递归函数（自己调用自己、直至满足终止条件）是计算机科学的入门级概念。但 Agentic Loop 的不同之处在于非确定性终止：何时停止由子 Agent 自己判断，而非预设的明确条件。
Ralph Loop：最受欢迎的循环方案
目前最流行的实现方式之一是 Ralph Loop（以《辛普森一家》中 Ralph Wiggum 命名）。其思路极为简洁：将模型已完成的所有工作汇总，向它提问「任务是否已完成」。这是一种防止模型在长时间运行中迷失方向的机制——相当于不断将模型「弹回」正轨，直至任务彻底完成。
另一种思路则来自更广泛的「测试时计算（Test-Time Compute）」趋势。OpenAI 研究员 Noam Brown 本月早些时候指出，当代模型几乎可以解决任何问题，关键在于投入足够的算力。对于代码库优化这类「爬山问题」，模型可以不断做增量改进，直至达到设定阈值——或者像 Cherny 描述的那样，只要有算力就持续优化下去。
成本：绕不开的现实
如果这套方案听起来烧钱，那确实如此。和此前的 Agentic AI 一样，AI 循环消耗 Token 的速度远高于简单的问答式聊天机器人——且由于设计目标是让循环永不停止，成本理论上没有上限。这对 Anthropic 来说不是问题（它本质上就是 Token 销售商），但对其他用户而言，可能是一笔不小的开支。
当然，如果任务本身价值足够高、且配合完善的算力开销监控和漂移管理，收益完全可能覆盖成本。
评论