AI领域正兴起一股新趋势，即“循环工程”，其核心并非让AI持续运行，而是确保其具备自我停止的能力。Peter Steinberger（OpenClaw创始人，现任OpenAI个人智能体研究员）和Boris Cherny（Claude Code开发者）等知名人士正积极拥抱这一概念。谷歌工程师Addy Osmani，也是“循环工程”的命名者，同样参与其中。

Cherny表示，他现在已不再亲自撰写提示词，而是由一个智能体代劳，他本人仅需与负责协调一切的新Claude进行对话。他预言，十年后，循环及其相关功能将是他引以为傲的成就之一。Steinberger则更进一步，建议开发者应专注于设计喂给编程智能体的循环，而非直接编写提示词。他曾在X平台上展示过自己的循环应用：让Codex每隔五分钟自行启动一次，自动维护代码库并分配任务，实现了部分工作的全自主化。

Claude Code团队在其官方博客中对“循环”进行了明确定义，并细分出四种循环类型，为“智能体自动执行任务”提供了工程化的框架。这标志着AI编程正从单次指令的输入，转变为设计一套能够自主运行的系统。过去，一个提示词换来一次响应；而现在，一个循环能构建一个在你合上电脑后仍能为你工作的系统。程序员的角色也随之转变，从内容创作者变为系统设计者。

四种循环及其“停止条件”

对于“循环”的定义，Claude Code团队给出了清晰的解释：智能体重复执行一系列操作，直到满足预设的停止条件。这四种循环代表了四种不同的“停止条件”。Claude Code团队从触发方式、停止机制、核心原语以及适用场景等维度，将循环划分为四类。

第一种是回合制循环（turn-based）。在此模式下，用户逐轮控制，每输入一条提示词，AI执行一个回合。用户全程掌握主导权，适用于零散、短期的任务，不涉及复杂流程或日程安排。若要减少人工干预，可将手动检查步骤写入SKILL.md文件，让AI自行验收。量化检查标准越高，AI的自我判断能力越强，用户需要监督的部分就越少。

第二种是目标循环（/goal）。用户预设明确的目标，例如“将首页Lighthouse分数提升至90以上，最多尝试五次”。当Claude认为任务完成时，一个评估器模型将根据预设标准进行判断。若未达标，则要求Claude继续执行，直至目标达成或用完预设的尝试次数。量化标准如测试通过数或分数阈值非常有效，因为它们将判断权交给评估器，避免Claude过早停止或因主观判断失误而功亏一篑。

第三种是时间循环（/loop和/schedule）。这种循环按固定的时间间隔触发，类似于闹钟。适用于重复性任务，例如每日总结Slack消息。也适用于需要监控外部系统变化的场景，通过定时检查来响应变化，如监控一个可能收到评审或CI失败通知的Pull Request。使用/loop可以按设定的间隔重复执行提示词，而/schedule则可以将循环任务调度到云端，即使在用户离线时也能运行。此机制与程序员熟悉的定时任务（cron）非常相似。

第四种是主动循环（proactive）。这种循环由事件或时间触发，全程无需人工干预。结合自动模式和动态工作流，可以实现长时任务的全自动化串联。例如，每小时扫描反馈频道，一旦收到bug报告，即可自动完成分诊、修复和回复的全部流程，无需用户授权。每个子任务达成目标后即退出，而整个例行任务将持续运行，直到用户手动停止。此模式适用于持续不断、边界清晰的任务，如bug上报、问题分类或依赖升级。

这四种循环本质上提供了四种“何时停止”的答案：由人工判断、由评估器判断、由时间判断、由事件判断。从更底层的机制来看，根据Claude官方Agent SDK文档，循环的核心在于：Claude评估提示词，调用工具执行任务，获取结果，然后重复此过程，直到某轮不再调用任何工具，循环才结束。自主智能体的本质便是这样一个循环。

循环的变革：关键在于“停止条件”

“设计循环”并非从零开始的革命，定时任务、编排（orchestration）和反馈循环等概念早已存在。Claude此次的贡献在于将其统一命名并进行分类。真正的变化在于“停止条件”的设计。

Claude Code官方总结的实战技巧中，最被强调的“最有价值的一点”是“验证”（verification），即赋予Claude自行检查其输出的能力。这如同为工程师提供浏览器来检查网页效果一样，使其能够即时看到反馈并进行调整。模型循环的强大之处正源于这种“自我闭环”的能力。在此过程中，提示词并未消失，而是成为循环中的一个组件。设计的核心转移到了停止条件、验证器（verifier）、token预算控制以及多轮执行策略上。

无“闸门”的循环：强大亦伴随风险

“循环”并非意味着可以完全放手让AI自主运行。首先，成本是重要考量。无限制的循环会迅速消耗token，导致成本飙升。其次，AI可能陷入“看似有进展，实则原地打转”的死循环，例如反复修改同一文件却无法通过测试。它甚至可能“自信地”将错误的方案推向极致。

工程社区普遍认为，循环功能强大，但缺乏“闸门”（gating condition）则存在风险。Reddit上的讨论总结了设计循环时必须考虑的三条闸门：

• 完成条件（done condition）：必须是机器可判定的，如所有测试通过或某个需求项完成。
• 硬性上限：包括最大轮数和最大花费，以防止成本失控和无限循环。
• 无进展检测：一旦检测到AI在文件修改上没有新的测试通过，就强制停止。

此外，官方也提供了一系列节约成本的建议：避免小任务使用多智能体；优先使用成本较低的模型；大规模运行前进行小范围测试；将确定性任务交给脚本执行；非必要不频繁运行例行任务。因此，循环的设计重点在于“如何管理AI”，而非“放任AI自由运行”，它最适合用于边界清晰的结构化任务。

编程重心转移：从“内容”到“系统”

本次变革的核心在于编程重心的转移，从“内容设计”转向“行为系统设计”。过去，开发者设计指令的内容；现在，他们设计一整套行为，包括触发方式、验证机制和停止条件。

Claude Code为希望设计循环的开发者提供了一个简单的起点：审视日常工作中的瓶颈环节，并思考三个问题：

• 验证：能否为这个验证检查编写代码？
• 目标：目标描述是否足够清晰？
• 节奏：任务是否按固定节奏出现？

只要其中一个问题的答案为“是”，就意味着找到了一个可以交给循环处理的任务。AI编程的竞争焦点正从提示词技巧转向系统搭建，即设计一个能够自我验证并知道何时停止的循环。虽然提示词编写不会立即消失，但其重要性正逐渐被循环设计所取代，而真正的循环设计者才刚刚登上舞台。