Boris Cherny：AI 编码循环是下一步
TechCrunch AI··作者 Russell Brandom
关键信息
Cherny 表示，他在自己的工作中运行多个循环，其中一个代理专注于改进架构，另一个则寻找可以合并的重复抽象。这些代理像人类开发者一样提交拉取请求，而且由于代码库不断变化，这些循环会持续运行。
资讯摘要
TechCrunch 报道称，Claude Code 的创作者 Boris Cherny 在 Meta 的 @Scale 大会上发言时，被观众问到 AI“循环”到底是炒作还是真实趋势。Cherny 明确回答说，它们是真实的，并表示行业正在从手写源代码，过渡到由代理写代码，再进一步过渡到“代理提示代理”来写代码。 他认为，这种变化和从人工编码走向 agentic coding 一样重要。 在他自己的工作里，Cherny 说他会运行多个循环，其中一个代理负责寻找架构改进，另一个负责发现可以统一的重复抽象。
这些代理像普通开发者一样提交拉取请求，而且由于代码库不断变化，循环可以持续不停地运行。 文章将这种方式描述为当前 agentic AI 的更激进版本：用户通常会通过明确目标和阶段性检查来管理代理，而循环式方法则授权一组代理在后台持续工作。 文章也指出，这并不是计算机科学中的全新概念，因为递归循环本来就是基础知识，但 AI 循环带来了更偏非确定性的版本，也就是由子代理决定何时停止。 文章最后强调，这种做法可能会大量消耗 token，因此成本很高，但如果配套的监督机制足够好，它也可能带来非常可观的收益。
资讯正文
周五，Claude Code 的创建者 Boris Cherny 出现在 Meta 的 @Scale 大会上，令人意外的是，观众提出的第一个问题竟然是关于“循环”。
“循环是下一个炒作周期吗？”提问者问道，“还是它们真的有用？”
Cherny 的回答斩钉截铁：“是的，它们真的有用。”
“二年前，我们还在手写源代码。我们开始过渡到由 agent 来写代码。现在，我们又在过渡到这样一个阶段：agent 在给 agent 下提示，然后这些 agent 再去写代码，”他继续说道。“从源代码转向 agent 这一步有多大，循环就同样重要，也同样是很大的一步。”
在演讲后面的部分（大约在上面 YouTube 视频的 32:00 处），Cherny 具体谈到了他自己工作中一直在运行的那些循环。其中一个 agent 持续寻找改进代码架构的方法，而另一个则寻找可以统一的重复抽象。它们像其他程序员一样提交 pull request，而且由于代码一直在变化，它们永远不会停止运行。
这是一个很强的想法，尤其是由 Cherny 这样有分量的人物提出时。随着 agentic AI 的转变，对大多数用户来说，重点一直是尽可能地管理好自己的 agents：设定明确目标，定期检查离散的进展单位，不要让它们偏离提示太远。循环则更进一步，它授权一群 agents 在后台持续工作，永无止境。这意味着要把大量信任交给 AI——但随着模型迅速变得更强，它可能会成为让 AI 处理真实工作的下一步。
首先要认识到，这并非完全新鲜。递归循环——为了重复某个动作而调用自身的函数，再加上一个停止循环的条件——是入门计算机科学课程中的常见内容。这些循环遵循的是一种非确定性逻辑——也就是说，由一个 subagent 来决定何时停止循环，而不是一个明确条件——但其基本方法是一样的。一旦程序员开始使用 AI 来完成任务，某种版本的递归循环，也就是由 AI 监督 AI，迟早都会出现。
与经典计算不同，agentic 循环可以简单得令人抓狂。最流行的技巧之一是 Ralph Loop（以 Ralph Wiggum 命名），它基本上会总结模型已经完成的所有工作，并询问它是否已经实现目标。这是一种应对 AI 模型运行时间过长、导致“迷路”的方式——本质上就是让模型来回“弹跳”，直到任务完成。
另一种理解循环的方式，是把它看作争取更多 test-time compute 的总体趋势的一部分。正如 OpenAI 研究员 Noam Brown 在本月早些时候观察到的那样，只要你投入足够的算力，现代模型几乎可以解决任何问题。这意味着，确保一个问题被解决的一种方式，就是一直往里投算力，直到它完成为止。对于像改进代码库这类 hill-climbing 问题，这一点尤其成立，因为模型可以不断做出增量改进，直到达到给定阈值。或者，正如 Cherny 的例子那样，只要还有可供消耗的算力，它就可以一直做增量改进下去。
如果这听起来很昂贵，那它确实如此。和此前的 agentic AI 一样，AI 循环消耗 token 的速度要比简单的问答聊天机器人快得多——而且因为其目的就是让循环一直运行下去，花费多少没有上限。对于 Anthropic 来说，这没什么问题，因为它归根结底是在做 token 销售生意，但对其他所有人而言，这可能是一种代价不菲的工作方式。
不过，具体到 agentic 循环试图解决的是什么问题，以及是否有合适的设置来监督 token 支出、漂移和其他经典 AI 问题，其带来的收益或许会大到足以抵消成本。
来源与参考
收录于 2026-06-23