循环真正的门槛，并不在于让AI一直跑，而在于它能不能自己踩住刹车。

「不再写提示词了」——这句正在AI圈悄然扩散的话，正指向一场静默的范式迁移。

过去半年，一批深耕智能体一线的工程师开始集体转向「循环」（loops）：Peter Steinberger，OpenClaw之父、现OpenAI个人智能体核心成员；Boris Cherny，Claude Code主要架构师；还有为这一趋势命名「循环工程」（loop engineering）的谷歌工程师Addy Osmani。他们不再把精力花在反复打磨单条提示词上，而是专注设计让AI持续运转、自主判断、适时停下的闭环机制。 Cherny公开表示：“我现在几乎不亲手写提示词。”取而代之的，是一个由他定义规则、由AI自主调度的协调层——他只与这个“更高阶的Claude”对话，其余提示生成、任务分派、结果校验，全部交由循环完成。他甚至断言：“十年后，循环将是我最自豪的工作成果之一。” Steinberger更进一步：“别再给编程智能体写提示词了——你该设计喂给它们提示词的循环。”他在X平台演示了一个真实运行的循环：Codex每5分钟自动唤醒，扫描代码仓库变更、识别待修复项、生成补丁、提交PR，部分环节全程无人干预。

循环不是新概念，但它的工程化定义刚刚落地。

长久以来，“让AI多跑几轮”是模糊实践。直到Claude Code团队在官方技术博客中首次给出清晰界定：循环，即智能体重复执行一轮又一轮工作，直至满足明确的停止条件。这不是功能叠加，而是行为建模的根本转变——AI编程正从「写一句话」，升级为「设计一套会自己跑的系统」。 一个提示词换一次回答；一个循环，换来的却是合上电脑后仍在替你工作的系统。程序员的身份，也悄然从内容创作者，转向系统架构师。

四种停止条件，就是四种循环本质

Claude Code将循环拆解为四类，其核心差异不在执行逻辑，而在于「何时终止」：

回合制循环（turn-based）：人握方向盘

每轮由人工触发，你发一句指令，AI执行一轮，你检查结果后再发下一句。适合零散、低风险、非流程化任务。提升效率的关键，在于把人工检查步骤标准化——例如编写SKILL.md文件，明确定义验收标准（如“必须包含单元测试且覆盖率≥80%”）。检查越可量化，AI越能自主判别是否达标，你盯守的节点就越少。

目标循环（/goal）：评估器说了算

目标前置、标准固化。例如：“将首页Lighthouse性能分提升至90+，最多尝试5轮”。每次AI声称完成，均由独立评估器模型对照预设阈值判定——未达标则打回重做，达标或耗尽轮次即终止。这类循环的价值在于剥离主观判断：AI不再猜测“差不多可以了”，而是严格服从机器可验证的出口条件。

时间循环（/loop 和 /schedule）：像闹钟一样可靠

按固定间隔触发，逻辑直白：输入不变，任务重复，仅上下文随时间更新。典型场景如每日汇总Slack消息、每小时拉取CI状态。/loop支持本地定时重跑；/schedule则将循环托管至云端，实现关机后持续运行。其设计哲学与程序员熟悉的cron高度一致——强调确定性、低维护、强复用。

主动循环（proactive）：事件驱动，全程无人值守

由外部事件（如新PR提交、监控告警）或时间点触发，启动后自动串联多步骤工作流：扫描反馈→分类bug→定位代码→生成修复→运行测试→提交并通知。每个子任务达成即退出，整条流水线则持续运行，直至人工手动关闭。它最适合边界清晰、输入结构化、响应路径固定的长周期任务，如依赖自动升级、日志异常归因、用户反馈闭环。

循环的底层真相：一个自我收敛的反馈圈

根据Claude官方Agent SDK文档，所有循环共享同一内核机制：提示词进入 → Claude评估意图 → 调用工具执行 → 获取结果 → 回传评估 → 再次决策。循环终止的唯一信号，是某一轮中Claude不再调用任何工具——这意味着当前目标已达成，或路径已穷尽。所谓“自主智能体”，本质上就是这样一个不断自我检验、自我修正、自我收敛的闭环。

真正改变的，从来不是循环本身，而是设计重心

定时任务、工作流编排、反馈控制……这些模式早已存在。Claude的贡献，在于将分散实践收束为统一范式，并锚定「停止条件」为设计核心。官方总结中被标为“最有价值的一条”原则，正是验证（verification）：必须赋予AI一种能自我检查产出的方式。 类比工程师开发网页——若不提供浏览器，他无法实时预览效果；同理，若不提供可执行的验证逻辑（如运行测试套件、比对schema、调用静态分析工具），AI就只能凭概率猜测“是否足够好”，极易陷入无效迭代。在此框架下，提示词并未消失，而是退居为循环中的一个组件；真正的设计焦点，已转向停止条件定义、验证器构建、token预算管控、多轮策略编排。

没有闸门的循环，强大且危险

循环绝非“放手不管”的许可。两大现实约束始终存在： 一是成本。无节制循环会迅速耗尽token配额。即便Steinberger自称“手握无限token”，那也只是OpenAI内部福利；对绝大多数开发者而言，每一轮调用都需精打细算。 二是失控风险。AI可能陷入伪进展死循环：反复修改同一文件，却始终无法通过测试；甚至将错误方案越完善越“精致”。工程社区共识明确：循环必须配备三道基础闸门—— • done条件：机器可判定的终止信号，如“所有单元测试通过”或“指定Jira issue状态变为Done”； • 硬上限：强制设置最大轮数与最大token消耗，防成本溢出与无限递归； • 无进展检测：监控文件变更、测试通过率、输出熵值等指标，连续N轮无实质性改进即熔断。 官方亦同步提出务实纪律：小任务优先脚本化；能用轻量模型绝不滥用旗舰版；大规模部署前必做小样本沙盒验证；例行任务频率须匹配实际业务节奏——循环的本质，是一整套“如何把AI管住”的工程方法论，而非放任其自由发挥。

以前拼谁会说话，现在拼谁会搭系统

这场迁移的深层意义，在于编程重心的根本偏移：从设计「单次指令的内容」，转向设计「完整行为系统的规则」——它如何被触发、如何被验证、如何被终止。 Claude Code为初学者提供了一个极简起点：审视你每日重复的手动操作，锁定一个瓶颈环节，然后自问三问—— • 验证：那个关键检查点，我能把它变成一段可执行的验证逻辑吗？ • 目标：我对“完成”的定义，是否足够清晰、可衡量、可判定？ • 节奏：这项工作是否具有稳定的触发频率或结构化输入？ 只要其中一问答案为“是”，你就已找到第一个可移交的循环。 写提示词的时代不会终结，但它正让渡核心地位。真正的循环设计者，才刚刚站上舞台中央。