AI循环潮：让智能体永续运行

上周五，Claude Code 的创建者 Boris Cherny 在 Meta 的@Scale 会议上现身。首位观众提问直击要害："循环是新一轮炒作，还是真有实效？"

Cherny 回答斩钉截铁："真有用。"他现场演示了正在运行的循环系统：一个 Agent 持续优化代码架构，另一个则识别并合并重复的抽象模块。它们像人类开发者一样提交 Pull Request。由于代码持续演进，这些 Agent 从不暂停。

这一理念极具颠覆性。在 Agentic AI 的浪潮中，多数人聚焦于如何管控 Agent：设定明确目标、追踪阶段成果、防止偏离指令。而"循环"更进一步——它让一群 Agent 在后台无间断运转。这需要极高信任，但模型能力飞速提升，循环或许是让 AI 真正落地执行任务的关键一步。

递归循环——函数自我调用以重复操作并设定终止条件——是编程入门的经典内容。Agentic 循环的特殊之处在于其非确定性逻辑：由子 Agent 自主判断何时停止，而非预设终点。但核心逻辑一致。当程序员开始依赖 AI 完成任务，AI 监督 AI 的递归机制便不可避免地出现。

与传统计算不同，Agentic 循环可简单至极。最流行的策略之一是"Ralph 循环"（取自《辛普森一家》角色 Ralph Wiggum），其本质是汇总 AI 已完成的所有成果，再问它："任务完成了吗？"这是一种应对 AI 长时间运行后"迷路"的机制——通过反复自检，直至目标达成。

另一种视角是，循环属于"更多推理计算"趋势的延伸。只要算力充足，现代模型几乎能解决任何问题。因此，确保任务完成的一种方式就是持续投入资源，直到成功。这对"代码库优化"这类爬山型任务尤为高效：模型可不断微调，直至抵达性能阈值。

若这听起来成本高昂，那正说明它到位了。AI 循环消耗 token 的速度远超普通问答机器人，且因目标是持续运行，开销无上限。对 Anthropic 而言这不成问题——它本质上就是卖 token 的。但对其他厂商而言，这可能是昂贵的执行方式。不过，若所解决问题价值足够高，并能建立有效机制监控 token 消耗、模型漂移等典型问题，收益或远超成本。