AI智能体循环：从单次对话到持续运转的下一跳

在近日举行的Meta @Scale大会上，Claude Code的创建者Boris Cherny出席演讲，现场第一个问题令人意外——来自观众席的提问是关于"循环"的。

"循环到底是下一个炒作风口，还是真有实质价值？"提问者问道。

Cherny给出了肯定的回答："它们是真实的。"

他进一步解释道："两年前，我们还在手写源代码。随后我们开始转型，由智能体来编写代码。现在，我们又迈入了一个新阶段——智能体开始提示其他智能体，再由后者完成代码编写。从源代码到智能体是一大步，而循环的意义同样重大，是同等级别的跨越。"

在演讲的后半段，Cherny具体介绍了他在实际工作中运行的循环机制。一个智能体持续寻找改善代码架构的方法，另一个则专门查找可以合并的重复抽象逻辑。它们像普通开发者一样提交Pull Request，由于代码始终在变化，这些智能体也从不停歇地持续运行。

这一理念极具冲击力，尤其是出自Cherny这样分量的人物之口。在向智能体AI转型的过程中，大多数用户的关注点集中在如何有效管理智能体：设定明确目标、按阶段检查进展、避免其偏离提示词太远。而"循环"模式则更进一步——授权一批智能体在后台持续、不间断地运作。这意味着对AI投入了极大的信任，但随着模型能力快速提升，这或许正是推动AI承担真实工作的下一步。

首先需要明确的是，这一概念并非全新。递归循环——即函数调用自身以重复执行某一动作，并设置终止条件——早已是计算机科学入门课程的必学内容。当前的智能体循环遵循的是非确定性逻辑，即由子智能体自行决定何时终止循环，而非依赖明确的终止条件，但底层思路一脉相承。事实上，自从程序员开始使用AI来完成任务，由AI监督AI的递归循环迟早都会出现。

与经典计算不同，智能体循环在实现上可以简单到令人意外。其中最受欢迎的方法之一是"Ralph循环"（得名于卡通人物Ralph Wiggum），其核心逻辑是对模型已完成的所有工作进行汇总，然后询问它是否实现了目标。这种方式专门应对AI模型在长时间运行后"迷失方向"的问题——通过反复校验，推动模型不断修正，直到任务完成。

另一个理解循环的视角，是将其纳入当前对"推理时计算资源"不断加大投入的大趋势中看待。OpenAI研究员Noam Brown在本月早些时候指出，只要投入足够的算力，当代模型几乎可以解决任何问题。这意味着，确保问题得到解决的一种方式，就是持续投入算力，直到任务完成。这对于代码库优化这类"爬山式"问题尤为有效——模型可以持续进行渐进式改进，直到达到设定阈值。或者正如Cherny的案例所示，只要还有算力可用，改进就永不停止。

如果听起来代价不菲，那确实如此。与智能体AI一样，AI循环消耗Token的速度远超普通问答聊天机器人——而且由于目标是让循环始终保持运行，理论上没有上限。对于本质上在出售Token的Anthropic来说，这当然是好事；但对于其他用户而言，这可能是一种成本高昂的工作方式。

尽管如此，针对特定问题、配合合理的监管机制来控制Token消耗、防止偏差及其他经典AI问题，智能体循环所能带来的收益可能相当可观，足以抵消其成本。

Q&A

Q1：什么是AI智能体循环？它和普通的智能体有什么区别？

A：AI智能体循环是指让多个智能体在后台持续、不间断地运行，彼此协作或相互触发，而不是完成一次任务就停止。普通智能体通常由用户发起任务、检查进度并手动管理；而循环模式则授权智能体自主运转，例如一个智能体持续优化代码架构，另一个持续查找重复逻辑，它们像真实开发者一样不断提交更新，不需要人工频繁介入。

Q2：Ralph循环是什么原理，为什么叫这个名字？

A：Ralph循环得名于卡通人物Ralph Wiggum，是一种简单却实用的智能体循环技巧。其原理是将模型已完成的所有工作做一次汇总，然后询问它是否已达成目标。如果没有，模型会继续尝试，直到任务完成为止。这种方法主要用于解决AI在长时间运行后"迷失"或偏离目标的问题，通过反复校验让模型保持在正确轨道上。

Q3：AI智能体循环的成本高吗？普通用户适合用吗？

A：成本确实较高。与普通问答聊天机器人相比，智能体循环消耗Token的速度快得多，而且由于设计上要持续运行，理论上没有消费上限。对于像Anthropic这样靠Token计费的服务商来说是利好，但对普通用户而言压力较大。不过，如果针对合适的场景（如持续优化代码库），并配合合理的监控机制控制消耗，整体收益可能足以覆盖成本。