AI领域正流行一种新趋势，那就是“循环工程”，这标志着AI编程的范式正在发生转变。核心理念并非让AI持续运行，而是赋予其自我停止的能力。
从OpenClaw的创始人Peter Steinberger到Claude Code的开发者Boris Cherny，以及谷歌工程师Addy Osmani（他创造了“循环工程”这一术语），许多业界领军人物正将注意力转向AI的“循环”功能。Cherny表示，他现在极少亲自编写提示词，而是让一个智能体代劳，他只需与这个“协调者”AI对话。他甚至预测，十年后，循环及类似功能将是他最引以为傲的成就。Steinberger则建议，与其为编程AI编写提示词，不如设计它们接收提示词的循环。他曾在X平台上展示过一个循环，让Codex每五分钟唤醒一次，自动维护代码库并分配任务，实现了部分工作的高度自主化。
那么，这个被业内人士反复提及的“循环”究竟是什么？Claude Code团队在其官方博客中对此进行了定义，并划分了四种不同的循环类型，为“智能体自动执行任务”设定了工程规范。这本质上意味着AI编程正从“输入一个指令”演变为“设计一个能够自主运行的系统”。一次提示词可能只换来一次回答，而一个循环则能构建一个在你离开电脑后仍能持续工作的系统。程序员的角色也随之从内容创作者转变为系统设计者。
四种循环及其停止条件
关于循环的定义，业界曾有过多种解释，但Claude Code团队给出了清晰的界定：循环是指智能体反复执行一系列操作，直到满足某个停止条件。这四种循环的核心在于它们各自不同的“停止条件”。
Claude Code团队从触发方式、停止机制、核心工具（primitives）以及适用场景等维度，将循环划分为四种：
回合制循环（turn-based）：这种循环由用户逐轮控制。每次输入提示词，AI执行一轮操作。用户需要手动检查结果，然后决定是否进行下一轮。这种模式适用于零散的、短期的任务，不适合需要流程化或计划性的工作。为了减少手动干预，可以将日常的手动检查步骤整合到SKILL.md文件中，让AI自行验收。量化的检查标准越容易被AI识别，它就越能自行判断任务是否完成，从而减少用户的监管需求。
目标循环（/goal）：此模式下，预设明确的目标，例如“将首页Lighthouse分数提升至90以上，最多尝试五次”。当Claude认为任务完成时，一个评估器模型会根据预设标准进行判定。如果未达标，AI将继续执行，直至目标达成或耗尽设定的尝试次数。像测试通过数、分数阈值这类可量化的标准非常有效，因为它们为AI提供了明确的判断依据，避免了AI自行判断“是否足够好”而过早停止。
时间循环（/loop 和 /schedule）：这种循环按照设定的时间间隔触发，类似于闹钟。它适用于重复性任务，例如每天总结Slack消息，其中任务内容不变但输入数据会变化。同时，它也适用于需要监控外部系统变化的场景，例如定期检查一个可能收到评审或CI失败通知的PR。使用/loop指令可以按间隔重复执行提示词，而/schedule则可以将循环任务转移到云端，即使在用户关机后也能继续运行。这种逻辑与程序员熟悉的定时任务（cron）非常相似。
主动循环（proactive）：这种循环由特定事件或时间触发，全程无需人工干预。结合自动模式（auto mode）和动态工作流，可以将长周期任务完全自动化。例如，每小时扫描反馈频道，收到bug报告后自动进行分类、修复并回复，整个流程一气呵成，无需用户授权。每个子任务达成目标后即可退出，而整个例行任务将持续运行，直到用户手动停止。这种模式最适合处理持续不断、边界清晰的任务，如bug报告、问题分类和依赖升级。
总而言之，这四种循环本质上提供了四种不同的“停止”依据：由人工判断、由评估器判断、由时间判断或由事件判断。
从更底层的技术层面来看，根据官方的Agent SDK文档，这种机制的核心非常简单：Claude接收提示词，评估后调用相应的工具执行任务，然后获取结果，并重复这一过程，直到某轮执行中不再调用任何工具，循环才会结束。自主智能体的核心逻辑便是一个这样的闭环。
循环的真正变革在于“停止条件”的设计
尽管“设计循环”听起来是AI领域的一大突破，但它并非从零开始的革命。定时任务、编排（orchestration）和反馈循环等概念早已存在，Claude此次更多的是对这些概念进行了统一命名和分类。
真正的变化在于“停止条件”的设计。在Claude Code官方总结的实践技巧中，被特别强调为“最有价值”的一点是“验证”（verification），即赋予Claude一种自我检查输出的能力。这就像给工程师提供浏览器来检查网页效果一样，他们可以实时看到修改后的结果，并反复调整直至满意。AI循环的强大之处恰恰在于这种“自我闭环”的能力。
在此过程中，提示词并未消失，而是降级为循环中的一个组成部分。设计的核心转变为停止条件的设定、验证器（verifier）的设计、Token预算的控制以及多轮执行策略的制定。
无限制的循环：强大亦伴随风险
使用循环是否意味着可以完全放手让AI自主工作？并非如此。
首先，成本是一个关键考量。无限制的循环可能导致Token费用急剧攀升。例如，Steinberger曾提到他拥有“无限Token”的使用权，因为这是他在OpenAI工作的福利，普通用户则不具备此优势。
其次，还存在一个更隐蔽的风险：AI可能陷入“看似有进展，实则原地踏步”的死循环。它可能反复修改同一个文件，却始终无法通过测试，甚至可能自信地将一个错误方案“完善”得更加彻底。
工程社区普遍认为，循环功能强大，但缺乏“闸门”（gating condition）则非常危险。在Reddit的讨论中，有人总结了设计循环前必须考虑的三条必要闸门：
官方也提出了一系列节省成本的策略：避免为小任务过度使用多智能体；优先使用成本较低、速度较快的模型；大规模执行前进行小规模测试；将确定性任务交给脚本执行，因为这比模型逐步推理更经济；避免例行任务的运行频率高于其实际需求。
因此，循环更像是一套“如何管理AI”的设计方案，而非“放任AI自由运行”。这决定了它目前最适合处理边界清晰、结构化的任务，而非天马行空的自由发挥。
从“会说话”到“会搭系统”的转变
这一轮AI发展浪潮的核心变化在于编程的重心转移：从“内容设计”转向“行为系统设计”。过去，程序员设计的是单次指令的内容；现在，他们设计的是一套完整的行为流程：如何触发、如何验证、如何停止。
Claude Code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：
只要其中一个问题的答案是肯定的，就意味着找到了一个可以初步交给AI循环处理的任务。
AI编程的竞争焦点已从提示词技巧转向系统构建：谁能设计出一个能够自我验证、并知道何时停止的循环。虽然编写提示词的时代不会立即消失，但其重要性正逐渐被循环设计所取代。而真正掌握循环设计精髓的开发者，正登上历史舞台。
想了解更多斗球体育相关内容，尽在斗球体育直播。
“很多用户都曾尝试过使用各种体育直播平台，但大多数在直播流畅度和赛事覆盖面上都遇到了瓶颈。”
“作为一名资深球迷，我一直在寻找一个能提供全面赛事信息和稳定直播体验的平台，斗球直播完美满足了我的需求。”
“斗球直播的即时比分和专业解读，让我在观看比赛时更加投入，仿佛置身现场。”
“通过斗球直播，我能够轻松掌握全球热门赛事的最新动态，这对我来说是无价的。”
洛伦佐·彼得森
2019年8月15日下午1:25