从手写代码到AI循环：程序员的工作方式正在发生第三次跃迁

作者：

在

上周五，Claude Code的创始人Boris Cherny出现在Meta的@Scale会议上。出乎意料的是，观众提出的第一个问题竟然是关于”循环”的。

“循环是下一个炒作周期，还是真的有用？”提问者问道。

Cherny的回答很干脆：”没错，它们是真实存在的。”

“两年前，我们手写源代码。我们开始过渡到由agents来写代码。现在我们正在过渡到这样一个阶段：agents在提示其他agents，然后由后者来写代码。从源代码到agents这一步有多大，循环就是同样重要、同样大的一步。”

在演讲的后面部分（大约32分钟标记处），Cherny具体谈到了他在自己工作中持续运行的循环。一个agent持续寻找改进代码架构的方法，而另一个则在寻找可以统一的重复抽象。它们像其他程序员一样提交pull requests，而且由于代码在不断变化，它们永远不会停止运行。

随着向agentic AI的转变，大多数用户的焦点一直是尽可能好地管理他们的agents：建立明确的目标，检查离散的进度单元，不要让它们偏离提示太远。循环则更进一步，它授权一群agents在后台持续不断地工作。

这是对AI的极大信任——但随着模型快速变好，这可能是让AI处理真实工作的下一步。

首先要认识到，这并不完全是新东西。递归循环——调用自身以重复动作的函数，加上一个停止循环的条件——是计算机科学入门课程的主要内容。这些循环遵循的是非确定性逻辑，也就是说，是由一个子agent来选择何时停止循环，而不是一个明确的条件。但同样的基本方法正在发挥作用。

一旦程序员开始使用AI来完成任务，AI监督AI的某种版本的递归循环就必然会出现。

与经典计算不同，agentic循环可以简单到令人抓狂。最流行的技巧之一是Ralph Loop（以Ralph Wiggum命名），它基本上总结了模型所做的所有工作，并询问是否完成了目标。这是处理AI模型运行时间过长而迷失方向的一种方式——本质上是在模型之间来回弹跳，直到任务完成。

另一种思考循环的方式是，将其视为推动更多测试时计算的一部分。正如OpenAI研究员Noam Brown本月早些时候观察到的，如果你向当代模型投入足够的计算资源，它们几乎可以解决任何问题。这意味着确保问题得到解决的一种方法是，不断地向它投入计算资源，直到完成为止。

这对于像改进代码库这样的爬山问题尤其适用，模型可以不断做出增量改进，直到达到给定的阈值。或者，就像Cherny的例子一样，只要有计算资源可以花费，它就可以不断做出增量改进。

如果这听起来很昂贵，那确实如此。就像之前的agentic AI一样，AI循环比简单的问答聊天机器人更快地消耗tokens——而且因为重点是让循环一直运行，所以你可以花费的金额没有上限。

对于Anthropic来说，这没问题，因为它归根结底是在做tokens销售生意。但对于其他所有人来说，这可能是一种昂贵的工作方式。

尽管如此，取决于agentic循环试图解决的问题，以及允许监督tokens支出、漂移和其他经典AI问题的正确设置，好处可能大到足以超过成本。

评论