AI 世界正变得“循环往复”：Agent 循环为何成为下一个风口？

背景

在近期 Meta 举办的 @Scale 大会上，Claude Code 的创始人 Boris Cherny 的演讲引发了一场意想不到的讨论。当被问及“循环（Loops）”是否是下一个炒作周期，还是切实可用的技术时，Cherny 给出了肯定的回答。

这一观点的出现并非偶然。随着 AI 从简单的文本生成向自主代理（Agentic AI）演进，开发者们正在经历工作流的根本性转变：从手动编写源代码，到让 AI 代理编写代码，再到如今让 AI 代理去提示其他 AI 代理以生成代码。Cherny 认为，尽管从源代码到 AI 代理的转变巨大，但“循环”带来的变革同样重要。

核心内容

Boris Cherny 在演讲中详细阐述了他个人工作流中正在运行的“循环”机制。他描述了两个具体的 AI 代理实例：一个代理持续寻找改进代码架构的方法，另一个代理则致力于发现可以统一的重复抽象概念。这些代理像人类程序员一样提交 Pull Requests（代码合并请求）。由于代码库在不断变化，这些代理的工作永不停止。

这种模式标志着 AI 使用范式的重大转移。过去，用户管理 AI 代理的重点在于设定清晰的目标、检查阶段性进展，并防止代理偏离提示词的范围。而“循环”模式则更进一步，它授权一群代理在后台持续、无限地工作。这需要用户对 AI 建立极高的信任，但随着模型能力的快速提升，这可能是让 AI 处理实际复杂工作的下一步。

从技术演进的角度看，递归循环并非全新概念。在计算机科学基础课程中，递归函数（即调用自身以重复执行某动作，并带有停止条件的函数）是核心内容。然而，AI 时代的循环遵循的是非确定性逻辑：停止循环的决策由子代理根据上下文判断，而非预设的明确条件。一旦程序员开始利用 AI 完成任务，AI 监督 AI 的递归循环模式便应运而生。

与经典计算不同，Agent 循环的实现可以异常简单。目前最流行的技巧之一是“Ralph Loop”（以《辛普森一家》中的角色 Ralph Wiggum 命名）。其核心逻辑是将模型已完成的所有工作汇总，并询问其是否已达成目标。这种方法旨在解决 AI 模型在长时间运行中迷失方向的问题，通过不断将模型“弹回”初始状态或重新评估进度，直到任务完成。

此外，循环机制也是更广泛“测试时计算（Test-time Compute）”趋势的一部分。OpenAI 研究员 Noam Brown 指出，如果投入足够的计算资源，当代模型几乎能解决任何问题。因此，确保问题解决的一种策略就是持续投入计算资源，直到任务结束。这在“爬山式”问题（如改进代码库）中尤为有效，模型可以不断进行增量改进，直到达到既定阈值，或者只要有计算资源可用，就持续进行改进。

然而，这种模式伴随着高昂的成本。与简单的问答聊天机器人相比，AI 循环消耗 Token 的速度极快。由于循环旨在全天候运行，其成本上限难以预测。对于 Anthropic 等以出售 Token 为主要业务的公司而言，这或许是常态；但对于其他用户来说，这可能是一种昂贵的协作方式。尽管如此，如果配置得当，能够监控 Token 消耗、漂移（Drift）等经典 AI 问题，循环带来的收益可能足以抵消其成本。

关键要点

• 范式转移：AI 开发正从“人写代码”转向“代理写代码”，进而发展为“代理提示代理”的循环模式。
• 持续自治：Cherny 展示了 AI 代理如何像人类开发者一样持续运行，不断提交代码改进和重构建议，且工作流永不中断。
• 非确定性逻辑：与传统编程中基于明确条件的递归不同，AI 循环依赖子代理判断何时停止，具有非确定性特征。
• 简单有效的策略：“Ralph Loop”等简单技巧通过汇总工作成果并重新评估目标，有效解决了长任务中模型迷失方向的问题。
• 测试时计算（Test-time Compute）：循环机制本质上是增加测试时的计算投入，通过“暴力”投入算力来解决复杂问题（如代码优化）。
• 成本挑战：AI 循环消耗 Token 的速度远超传统交互，且由于持续运行，成本可能无上限，这对非 Token 销售型公司构成挑战。
• 潜在收益：尽管成本高，但在正确设置监控机制（防止漂移、控制成本）的前提下，循环模式带来的生产力提升可能极具价值。

意义与影响

“循环”概念的兴起标志着 AI 应用从“单次交互”向“持续自治”的深化。它不再仅仅是一个工具，而是一个能够自我迭代、自我修正的工作流引擎。

对于开发者而言，这意味着工作重心将从“编写提示词”转向“设计循环架构”和“设定评估标准”。我们需要思考如何定义“完成”，如何监控代理的“漂移”，以及如何平衡计算成本与产出质量。

对于行业而言，这推动了“测试时计算”成为新的竞争维度。谁能更高效地管理长周期的 Agent 循环，谁就能在复杂任务（如软件工程、科学发现）中占据优势。然而，这也带来了新的伦理和安全考量：当 AI 代理在后台无休止地运行并自主决策时，如何确保其行为始终符合人类意图，将是未来技术治理的核心难题。

最终，AI 世界变得“Loopy”（循环/怪诞），既反映了技术的复杂性，也揭示了人类试图通过自动化实现无限进化的野心。