Ralph Loop 深度解读：AI Agent 持续迭代循环的来龙去脉

Posted on In Views:

本文是一篇综述与交叉验证性质的解读，视角为”一个社区实践如何长成产品能力”。素材来自四条独立线索：Geoffrey Huntley 的原始博文与哲学续篇、阿里云云原生的中文综述、Anthropic 官方工程博客、以及 Claude Code / ChatGPT 的官方文档，文末附全部出处。除特别标注「」的直引外，行文均为重新组织与个人分析。

整理日期：2026-09-25

一、一个真实的问题：LLM 什么时候算”做完了”？

所有 AI 编程工具的用户都遇到过同一类尴尬：任务做到七八成，模型输出一句”任务完成”，然后停了。具体表现有四种：

  1. 主观收工：模型在它自己觉得”差不多了”时退出，而不是在客观标准达成时
  2. 单发脆弱：稍微复杂的任务，一次提示不可能做完，中间全靠人工续命
  3. 续命昂贵：每次人工重新引导，消耗的都是开发者的注意力
  4. 断档失忆：会话一旦重启，之前做了什么、为什么这么做，全部清零

把这四种现象抽象一下，根因是同一个：LLM 的自我评估不可信。它判断”完成”的依据是自己的主观感受，而不是一个可以被外部验证的事实。

社区的回应方式粗放到近乎行为艺术——一个 bash 循环：

1
2
3
while :; do
  cat PROMPT.md | claude-code --continue
done

Geoffrey Huntley 给它起了个名字（借自《辛普森一家》里屡败屡战的角色 Ralph Wiggum），并留下一句著名的定义：“Ralph is a Bash loop”。这个循环能跑通任务的前提只有一条：提示词永远不变，变的是硬盘上的东西——代码被改了、测试跑了、git 历史长了。模型每一轮看到的”世界”都不一样，它实际上是在通过文件系统读自己的工作痕迹，形成自我修正。

这个看似玩笑的方案后来被推到了相当夸张的规模：Huntley 声称用它在 YC 黑客松一夜生成 6 个仓库、以约 $297 的 API 成本交付一份报价 $50k 的合同、历时三个月写出完整的编程语言 “cursed”（数字出自其 README，听听就好，重点是方法本身）。

二、循环的三种形态：从野路子到产品能力

同样的循环骨架，在一年左右的时间里进化出了三种实现形态。这是理解 Ralph 现象最有效的一个框架。

形态 A：外部脚本（原始形态）

就是上面的 while true。优点是零依赖、任何 CLI 工具都能套；缺点是每轮都是全新进程，退出即失去会话，状态全靠文件接力。

形态 B：Stop Hook 插件（Claude Code 官方插件 ralph-loop）

Anthropic 把这个模式收录为官方认证插件（安装量 19 万+，Apache 2.0，前身 ralph-wiggum，2026 年 1 月因商标考虑更名）。实现思路很取巧：不启动外部循环，而是拦截会话的退出动作。

  • hooks/stop-hook.sh 注册为 Stop hook：模型每轮想结束会话时，hook 检查输出里有没有约定的完成标记（如 --completion-promise "DONE"）
  • 没有标记 → 拦截退出，把同一份提示重新注入，开始下一轮
  • --max-iterations 设置硬上限；/cancel-ralph 随时熔断

工程上有两个值得一提的坑：hook 执行器经 /bin/sh -c 启动脚本，直接执行需要可执行位，官方改用 bash 前缀调用绕开权限问题（兼容旧版本客户端）；Windows 上 bash 可能解析到 WSL 的 bash 而非 Git Bash，需要手动改缓存中的 hooks.json 显式指定 Git/bin/bash.exe。

用法：

1
/ralph-loop "任务描述" --max-iterations 10 --completion-promise "DONE"

局限：完成标记是精确字符串匹配，不支持多条件分支（比如区分”成功”和”被阻塞”），所以迭代上限必须当作主安全阀。

形态 C：内置命令 /goal（产品化终点）

Ralph 爆火后，两家厂商先后把循环骨架内置成了官方能力。

Claude Code 的 /goal：设定一个完成条件，每轮结束后由一个独立的小型评估模型（默认 Haiku）判断条件是否成立，不成立则自动续轮。目标清除的出口有三个：条件满足、评估者判定条件不可能达成、遇到必须人工修复的错误。/goal（无参数）查看状态，/goal clear 熔断，条件文本上限 4000 字符，支持无头模式 claude -p "/goal ..." 一条命令跑完。

ChatGPT 桌面版 / Codex 的 /goal：Goal 模式下目标文本既是首条提示词也是完成标准，进度栏支持暂停/恢复/编辑/清除。官方建议目标不清晰时先走 /plan，让 AI 通过提问收敛出可衡量的成功标准再启动。

两者都强调目标三要素：预期结果 + 约束条件 + 验证方式——和 Ralph 的完成标准写作法完全同构。

三种形态对比

维度 A. 外部脚本 B. Stop Hook 插件 C. 内置 /goal
循环引擎 bash while 循环 hook 拦截退出 + 重注入提示 会话内自动续轮
每轮上下文 近似全新会话 近似全新会话 同一会话延续
完成判定 脚本 grep 标记 hook 精确字符串匹配 独立评估模型判断
状态载体 纯文件系统 文件系统 + git 会话上下文（有腐烂风险）
安全阀 循环次数变量 --max-iterations 轮数上限写进条件 + /goal clear
通用性 任意 CLI 工具 Claude Code 官方生态内

一个值得单独强调的坑：/goal 的评估者只读对话内容，不会自己跑命令、翻文件。所以条件必须把”证据形态”写死——不能写”所有测试通过”（模型嘴上说通过了评估者也可能采信），要写”npm test 退出码为 0 且完整输出出现在对话记录中”。

另外 Claude Code 还有 /loop（按时间间隔触发，如 /loop 10m 跑测试并修复失败）。/goal 管”下一轮是否该开始”，/loop 管”到点要不要看一眼”，两者组合相当于验收员 + 巡逻员，适合长周期挂机任务。

三、循环能跑起来的三个支柱

形态只是壳。无论 A/B/C，一个循环要真正跑出结果而不是原地打转烧钱，靠的是三根支柱。

支柱 1：完成标准必须可机器验证

“把代码质量弄好一点”这种目标会让循环永远退不出去（评估者可以无限次说”还没好”）或者早早放水。有效的完成标准长这样：一个可度量的终态（测试通过、构建零错误、覆盖率 > 80%、队列清空）+ 一条证明方式（哪个命令、什么退出码、什么输出）+ 必要的不可变约束（”不得修改其他测试文件”）。Anthropic 的案例还提醒：标准要细到端到端可验证的步骤粒度，否则模型会自行解释范围——社区有人让 Ralph 提升测试覆盖率，它把”内部命令”自行判定为”非用户面向”直接跳过了。

支柱 2：状态外置——把记忆从上下文窗口搬进硬盘

这是 Ralph 系实践中最核心的工程洞察。长会话有”上下文腐烂”问题：轮次越多，模型对早期指令的注意力越差；而厂商的常规解法——compaction（压缩历史）——传递的信息并不总是可靠的。Anthropic 官方工程博客对此有明确结论：即使前沿模型跑在 Agent SDK 里循环跨多个上下文窗口，仅靠 compaction 和一句高层提示也建不出生产级应用。

社区给出的替代方案是把状态载体从 Token 序列换成文件系统，典型三件套：

  • 任务清单（prd.json）：结构化条目，每项带 passes: false 字段，完成才改 true——它同时是范围定义和进度看板
  • 进展日志（progress.txt）：追加式，每轮记录做了什么、踩了什么坑、发现了什么可复用的模式（置顶维护）
  • git 提交：每步成功即提交，给下一轮提供变更差分和回滚能力

每轮开工前的热身流程也固定下来：定位目录 → 读 git log → 读进展日志 → 读任务清单选一项 → 跑起来确认现状没坏 → 才开始干活。

值得玩味的是任务的粒度：每轮只做一个任务。这不是效率选择而是可靠性选择——一次做太多，失败时无法定位，git 历史也失去意义。社区和官方在这一点上完全一致。

支柱 3：安全阀与成本账

随机系统的无限循环是危险的，尤其无人值守时。三道保险：迭代上限（Ralph 的 --max-iterations、/goal 条件里写 or stop after 20 turns）、沙箱隔离（docker sandbox run，AFK 场景下防止 rm -rf 级事故的基本保险）、成本预算（社区经验值：小任务 5-10 轮约 $5-15，中型 20-30 轮约 $15-50，大型 30-50 轮 $50-150）。还有一条更保守的建议：先在人在回路模式下把提示词调稳，再放手无人值守。

四、两条独立证据线的收敛

整理这份资料时最有意思的发现是：社区实践和 Anthropic 官方工程在互不知情的情况下收敛到了同一套设计。

Anthropic 工程博客《Effective harnesses for long-running agents》（2025-11）全文没有出现 “Ralph” 字样，它讲的是自家 Agent SDK 上的长时任务 harness 设计：一个 Initializer Agent（首个会话专用提示，负责搭建 init.sh、进展文件、git 仓库和一份 200+ 条的 JSON 功能清单）+ 一个 Coding Agent（每会话单功能推进、自验证、提交、更新日志）。把两边的方案摆在一起：

设计点 Ralph 社区实践 Anthropic 官方 harness
任务载体 prd.json，passes: false 起步 feature_list.json，200+ 条，passes: false 起步
进度载体 progress.txt 追加日志 claude-progress.txt
粒度 每轮一个任务 每会话一个功能
记忆 每步 git commit 描述性 commit + 进展摘要
防作弊 完成标记 + 反馈循环 禁止删改测试、只许改 passes 字段
验证 测试/Lint/类型检查 端到端浏览器自动化（Puppeteer MCP）
开工热身 读状态文件 pwd → git log → 进展 → 清单 → 基础测试

结构上的雷同不是抄袭——两条线的时间线和话语体系都不同——而是同一个问题（跨会话记忆）在同一技术约束（上下文窗口有限）下的必然解。这个收敛本身就是对 Ralph 方法论最有力的背书。官方版本多出来的两点增量也值得吸收：功能清单用 JSON 而非 Markdown（实测模型更不容易擅自覆写），以及验证要”像人类用户一样走一遍端到端”而不是只看单测。

五、实操建议（按时间线重组）

把散落在各处的技巧按”跑循环前 / 循环中 / 跑完后”重新组织：

跑之前——这一步决定成败的八成：

  • 先人在回路跑几轮，把提示词和完成标准调稳，再转无人值守
  • 写清楚完成标准和不可变约束，越具体越好；模糊目标是烧钱的最快方式
  • 任务按风险排序：架构决策和集成点优先（早失败），抛光清理垫底；基础未稳前不要无人值守

循环中：

  • 每轮一个任务，完成即提交；反馈循环（类型检查/测试/Lint）作为提交前置条件写进提示
  • 无条件信任 Lint 和测试结果，不信任模型的”已完成”叙述
  • AFK 必配沙箱；随时可以人工插话调整（HITL 和 AFK 可以混用，不必二选一）

跑完后：

  • 逐个审查提交（review 是人保留的最后职责）
  • 把这一轮学到的坑写回提示词或进展文件，下一轮循环质量立刻不同
  • 算一笔 ROI 账：机械性任务（重构、测试迁移、补覆盖率）是循环的主场；需要设计判断的任务不要交给它

六、适用边界

适合交给循环的：TDD 循环（写到全绿）、绿地项目过夜跑、机械化重构、测试框架迁移、覆盖率/重复代码/Lint 债务清理——共同特征是有自动化手段能客观判定对错。

不适合的：需要审美和设计决策的工作、成功标准说不清的任务、整体策略规划（常规 Agent 流程更合适）、以及预算紧张又没有上限意识的场景。一个朴素的判断法：如果你写不出”怎么验证它做完了”，就别开循环。

七、争议与冷思考

Huntley 的近期表态相当激进：他宣称”软件开发已死，是我杀的”、”我现在不雇没有亲手写过 coding agent 的人”，并把 Ralph 上升为一种通用世界观——“一切皆 Ralph 循环”。他的路线图是 Weaving Loom 项目（自称”演化式软件”基础设施）：让循环不仅完成任务，还自动为营收目标演化产品，对标 Steve Yegge 的 Gas Town（他称之为 level 8，自己要做 level 9）。他还晒出过一次”演化式软件自愈”：循环自动发现功能缺陷、学习代码库、修复、部署、验证通过。

这些说法建议打对折再消化。可以确定的部分：循环 + 状态外置 + 外部验证这套工程方法已被官方文档和实践反复验证，值得每个人掌握。需要保留的部分：”软件开发已死”是修辞不是事实陈述——循环擅长的是目标可验证的收敛型工作，而”定义什么是好的”这件事目前仍然完全依赖人。倒是他有个观点我完全认同：亲手写一个 coding agent（约 300 行循环代码）是理解这套范式最快的路径——理解了循环，你才知道什么时候该用它，什么时候该关掉它。

八、参考资料

  1. Geoffrey Huntley — Ralph 技术起源：https://ghuntley.com/ralph/
  2. Geoffrey Huntley — Everything is a Ralph Loop（哲学续篇，2026-01-17）：https://ghuntley.com/loop/
  3. The Weaving Loom：https://github.com/ghuntley/loom
  4. 丹坤（阿里云云原生）—《从 ReAct 到 Ralph Loop：AI Agent 的持续迭代范式》（2026-01-27）：https://www.cnblogs.com/alisystemsoftware/p/19540015
  5. Justin Young（Anthropic Engineering）— Effective harnesses for long-running agents（2025-11-26）：https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
  6. Claude Marketplace — Ralph Loop 插件页：https://claude.com/marketplace/plugins/ralph-loop
  7. Anthropic — claude-plugins-official 仓库（ralph-loop 源码）：https://github.com/anthropics/claude-plugins-official/tree/main/plugins/ralph-loop
  8. Claude Code 官方文档 — Keep Claude working toward a goal（/goal）：https://code.claude.com/docs/en/goal
  9. OpenAI — Long-running work（ChatGPT/Codex Goal 模式）：https://learn.chatgpt.com/codex/long-running-work
  10. Steve Yegge — Welcome to Gas Town：https://steve-yegge.medium.com/welcome-to-gas-town-4f25ee16dd04
  11. Ralph 循环最佳实践（英文原典）：https://www.aihero.dev/tips-for-ai-coding-with-ralph-wiggum
  12. 生态实现：DeepAgents ralph_mode（https://github.com/langchain-ai/deepagents/tree/master/examples/ralph_mode）、ralph-loop-agent for AI SDK（https://github.com/vercel-labs/ralph-loop-agent）、Ralph Orchestrator（https://github.com/mikeyobrien/ralph-orchestrator）