Anthropic 釋出 Claude Code 迴圈指南：教你把單輪對話做成自主智慧體

與其反覆給 AI 寫提示詞，不如直接給它搭個「死磕到底」的迴圈。

Anthropic 的 Claude Code 團隊最近發了一份迴圈工程指南。他們把智慧體迴圈定義為：AI 一遍遍重複工作，直到滿足特定的退出條件才停手。官方把這套玩法拆成了四種形態，還順帶交出了控制 Token 成本和程式碼質量的家底。

從陪聊到定規矩，四種迴圈怎麼選

最基礎的是回合制迴圈。你發一句指令，Claude 讀程式碼、修改、跑測試，然後把結果交給你。為了讓它少交半成品，團隊建議把人工驗收流程寫進 SKILL.md 檔案，讓它自己起本地服務、點按鈕截圖、查控制台報錯，自檢通過再交差。

進階一點的是目標型迴圈。複雜任務裡，AI 往往不知道做到什麼程度才算合格，容易過早交卷。這時候用 /goal 命令，比如要求把首頁 Lighthouse 跑分提到 90 分、最多試 5 次。它每想停下來，後臺評估模型就會拿著硬指標卡它，不達標就打回去重寫。

如果任務需要反覆盯盤，可以用基於時間的迴圈。本地用 /loop 命令，比如每隔 5 分鐘檢查一次 PR 和 CI 狀態；關掉電腦也不想停的話，就用 /schedule 掛到雲端跑。

最極致的是主動迴圈。結合動態工作流和 auto mode，它能在無需人工干預的情況下自主運轉。比如定時抓取反饋頻道的 Bug，開三個工作樹並行探索方案，再由裁判模型對抗性審查，完全自動閉環。

別讓並行 Agent 吃空你的錢包

迴圈一旦放開跑，Token 消耗很容易失控。尤其動態工作流可能瞬間拉起幾百個 Agent，官方建議在大規模運轉前，先拿一小塊切片任務試跑測算。

能用指令碼乾的活，就堅決不要讓模型現推理。比如填 PDF 表單這種確定性動作，直接封裝指令碼讓 Claude 呼叫，成本遠低於讓它每次重新寫程式碼推導。

程式碼質量方面，他們特別強調要用第二個 Agent 來做程式碼審查。寫程式碼的模型往往帶著思維慣性，換一個擁有全新上下文的 Agent，才能客觀挑出毛病。

平時還可以多用 /usage 命令檢視技能和子 Agent 的消耗，隨時輸入不帶引數的 /goal 檢視當前嘗試輪數和賬單。

為什麼重要

我們認為，這份指南標誌著寫程式碼 AI 的互動邏輯變了。以前大家是在琢磨「怎麼把提示詞寫得天花亂墜」，現在比拼的其實是「怎麼把驗收標準和退出條件量化成自動化流水線」。

對開發者來說，這套方案非常值得一試。特別是前端跑分、修 Lint 報錯這類有客觀判斷指標的髒活累活，扔給 /goal 跑上幾輪，能省下大把來回拉扯的時間。不過如果是模糊的架構設計或需求討論，硬上死迴圈只會白白燒錢。

Anthropic 聰明的地方在於，它沒有把智慧體吹成無所不能的黑盒，而是老老實實給出了防禦性工程方案，甚至主動教你用指令碼替代模型來省錢。但隱患也很明顯，一旦多個主動迴圈在同一個倉庫裡並行改程式碼，分支衝突和死迴圈重試的隱形成本，可能會比寫程式碼本身還要高。