上周五，旧金山，Meta 的 @Scale 大会现场人头攒动。

Claude Code 的创始人 Boris Cherny 刚在台上站定，台下就有人举手，问了一个让全场安静的问题：

这问题问得很刁钻。毕竟科技圈最不缺的就是"下一个大事件"，每年都有新概念被炒上天，然后迅速凉透。区块链、元宇宙、Web3……哪个当年不是锣鼓喧天？台下的人见多了这种阵仗，所以这个问题表面上是问 loops，实际上是在问：这次是不是又在画饼？

Cherny 的回答却没有任何犹豫。

"来真的。"

就三个字。台下安静了两秒，然后响起一阵低语。要知道，这位老哥可不是什么江湖骗子，他是 Claude Code 的缔造者，是实实在在每天跟代码和 AI 打交道的人。他说"来真的"，这分量跟别人不一样。毕竟他自己就在用 loops，而且用得挺猛。

Cherny 在会上给大家捋了一条时间线，听完让人有点恍惚。

"两年前，我们还坐在电脑前，一行一行手写代码。后来我们开始用 AI agent，让它们帮我们写。现在呢？我们正在进入下一个阶段——agent 给 agent 下指令，agent 再去找别的 agent，一层一层地，把代码写出来。"

他停了一下，似乎在等大家消化这个信息，然后补了一句："从手写代码到 agent 写代码，这个跨越有多大，loops 就有多大。"

这话什么意思呢？打个比方。

以前的 AI 就像是雇佣了一个临时工。你告诉它："把这面墙刷了。"它刷完，收工走人。你下次需要再叫它。

但 loops 不一样。loops 像是请了一个永远不休息的管家。你跟他说："把家里收拾利索。"然后他就真的开始无限循环地干——擦完桌子擦地，擦完地整理衣柜，整理完衣柜发现书架乱了又去收拾书架……永远不停，永远在看还有什么可以优化的地方。

Cherny 自己就是这么干的。他在会上透露，自己手头养了好几个"数字员工"，7x24 小时在后台运转：

第一个，专门盯着整个代码的架构。它不是一次性给出一个方案就完事了，而是持续不断地扫描、分析、找优化空间。今天觉得某个模块耦合度太高，提个 PR；明天发现某个接口设计可以更优雅，再提一个。后天又发现某个依赖关系可以简化，继续提。

第二个，专门干"去重"的活。代码写久了，难免会有重复造轮子的情况——同样的逻辑在 A 文件里写了一遍，B 文件里又写了一遍，改的时候经常漏掉其中一个。这个 agent 就干一件事：满世界找那些长得差不多的抽象层，然后把它们合并统一。它也不休息，代码库每变一次，它就重新扫描一次。

最绝的是，这些 agent 跟普通程序员一样，会提交 Pull Request。唯一的区别是，它们不需要睡觉，不需要喝咖啡，不会喊累，也不会因为周五晚上想早点下班而草率提交。

代码在变，需求在变，它们就一直在后台跑着。像一台永动机。

说到 loops，圈子里最近有个特别火的玩法，叫 Ralph Loop。名字来源于《辛普森一家》里那个呆萌的小男孩 Ralph Wiggum。

名字听着不正经，但功能很硬核。

玩过 AI 的人都知道，模型跑久了容易"犯迷糊"。就像你开车开太久会犯困一样，AI 在处理复杂任务时，时间越长越容易跑偏。有时候它会开始重复做一些无用功，有时候它会彻底忘记自己原本要干嘛，进入一种"鬼打墙"的状态——明明已经做过的事，它又做一遍；明明不需要改的代码，它硬要去改。

Ralph Loop 的做法特别简单，甚至有点傻——每隔一段时间，让 AI 停下来，总结一下自己都干了啥，然后问它：你的目标达成了吗？

就这么简单。没有复杂的算法，没有花哨的架构，就是一句灵魂拷问。

但它解决了一个大麻烦。以前你让 AI 跑一个复杂任务，跑了一个小时后，它可能已经偏离十万八千里了，你还得人工去检查、去纠正。有了 Ralph Loop，相当于给 AI 装了一个"闹钟"加"导航仪"，每隔一阵就把它叫醒，问它：你还清醒吗？你还在往目标走吗？

如果答案是"还没完成"，那就继续干；如果答案是"我好像跑偏了"，就赶紧拉回来。如果答案是"我好像在做一些奇怪的事情"，那就重启思路。

很多人实测后发现，加了这么一层"自我检查"后，AI 完成复杂任务的成功率高了一大截。有时候最简单粗暴的办法，反而最管用。这就像考试的时候，做完一道大题回头检查一下——看着耽误时间，实际上少丢很多分。

当然，loops 这种玩法有个致命的问题——贵，而且是没有上限的那种贵。

普通的聊天机器人，是你问一句它答一句，聊完天各一方，账单清清楚楚。就像去餐馆点菜，吃完买单，走人了事。但 loops 是什么？是永不停歇地跑。token 像开了闸的水一样哗哗流出去，而且因为目标是"一直跑"，所以理论上你可以花到破产。

打个比方，普通 AI 对话像是按次收费的按摩，loops 像是包了一个全年无休的私人理疗师——服务是好，但账单你也得扛得住。

Anthropic 当然开心，毕竟他们就是卖 token 的。但对普通开发者和公司来说，这确实是一笔需要好好算算账的开销。一个月烧掉几千刀 token 不是什么稀奇事，如果你的 loops 设计得不够高效，甚至可能烧得更狠。

不过 OpenAI 的研究员 Noam Brown 上个月说了一句很有启发的话：现在的 AI 模型，只要给够算力，几乎什么难题都能解决。

loops 的思路其实就是这句话的实践版——不要指望一次对话、一个 prompt 就能搞定复杂问题。而是把 AI 当成一个不知疲倦的工人，让它不停地试、不停地磨、不停地迭代，直到把问题解决掉。

这特别像什么呢？像爬山。

有些问题就像一座看不见顶的山。你不知道终点在哪，可能甚至连路都没有。但只要一直往上走，每走一步都比昨天更高一点。loops 就是那个永不停歇的攀登者，它不在乎今天能不能登顶，它只在乎今天有没有比昨天更高一点。

Cherny 的例子就特别典型——代码架构的优化、重复抽象的合并，这些事情永远没有"做完"的那一天。但只要 agent 一直在跑，代码库就会持续地、一点一点地变好。这种"持续优化"的复利效应，长期看来可能比一次性的大改动更有价值。

说实话，把一堆 agent 丢在后台让它们自己运转，这事儿听起来很酷，但真要落地，需要克服的心理障碍不小。

模型会不会跑偏？烧掉的 token 会不会超预期？几个 agent 同时提 PR 会不会互相冲突？agent 会不会在某个深夜把你的代码库搞崩？这些都是实实在在的风险。而且最可怕的是，当你一觉醒来，发现 agent 在凌晨三点提交了一个巨复杂的重构，而你根本不知道它为什么这么改——这种失控感，很多开发者光是想想就头皮发麻。

但技术发展的方向其实挺清楚的：模型越来越聪明，工具链越来越完善，监督机制也越来越成熟。现在已经有人在研究怎么给 loops 加"预算上限"、怎么设置"熔断机制"、怎么让人类在关键环节介入审批。这些基础设施正在快速补齐。

Cherny 已经在这么做了。不是做实验，不是玩票，是在真正的工作流里用 loops 驱动代码迭代。这本身就是一个强烈的信号——

这事儿，不是未来时，是现在进行时。

当 AI 从"你问我答"进化到"我帮你干"，再进化到"我自己不停地干、不停地优化"，整个软件开发的逻辑都在被改写。代码不再是一堆静态的、等人去维护的文本，而是变成了一个持续自我进化、自我迭代的活体。

就像 Cherny 说的，loops 和 agent 一样，是同样量级的一步。我们正站在一个有趣的拐点上。