AI 开发正在进入一个新阶段，其核心是“AI 循环”：让 AI 智能体持续运行、相互提示并不断迭代优化任务，例如改进代码。这种方法被视为继人类编码和单一智能体编码之后的重大进步，能够让 AI 处理更真实、复杂的工作。其本质是通过投入更多的计算资源来反复试错和优化。然而，这种持续运行的模式会消耗海量的计算资源（token），导致成本极其高昂，构成了其实际应用中的主要障碍。
AI 发展的下一步：“循环”
AI 编码的演进过程可以被看作三个阶段的过渡：
- 阶段一： 人类程序员手动编写源代码。
- 阶段二： 人类提示 AI 智能体来编写代码。
- 阶段三： AI 智能体之间互相提示，持续运行以改进代码。
Claude Code 的创始人 Boris Cherny 强调，从智能体到循环的转变，其重要性不亚于从手动编码到智能体的飞跃。
“我们正过渡到一个由智能体提示智能体来编写代码的阶段。……循环与智能体本身一样，都是一次巨大且重要的进步。”
在这种新模式下，重点不再是管理单个智能体的单次任务，而是授权一组智能体在后台无休止地协同工作。
循环如何运作
这个概念并非全新，它与计算机科学中的递归循环相似，即函数为了重复某个动作而自我调用。在 AI 领域，这种循环可以非常简单，也可以很复杂。
- 持续改进代码： 一个智能体可能持续寻找改进代码架构的方法，而另一个则负责寻找并整合重复的功能模块。它们会自动提交代码更新，就像人类程序员一样。
- 避免“迷失”： 一种被称为 “拉尔夫循环” (Ralph Loop) 的简单技巧，会让模型反复回顾已完成的工作，并自问是否已达成最终目标。这有助于防止 AI 在长时间运行后偏离任务。
核心原理：用更多算力换取更好结果
AI 循环的背后是一个更普遍的趋势，即投入更多的 “测试时算力” (test-time compute) 来解决问题。
正如 OpenAI 研究员所观察到的，只要投入足够的算力，当今的模型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就是不断地投入计算资源，直到任务完成为止。这对于需要渐进式改进的“爬山问题”（如优化代码库）尤其有效，模型可以持续进行微小的改进。在 Boris Cherny 的例子中，只要有算力可供花费，这个改进过程就可以永远持续下去。
最大的挑战：高昂的成本
这种方法的缺点显而易见：极其昂贵。
- 消耗巨大： AI 循环比简单的问答式聊天机器人消耗 token 的速度快得多。
- 没有上限： 由于其设计初衷就是持续运行，因此理论上花费没有天花板。
- 商业模式： 对于像 Anthropic 这样销售 token 的公司来说，这是一种有利可图的模式，但对于使用者而言，这是一种非常昂贵的工作方式。
尽管成本高昂，但如果能有效监控 token 消耗、模型跑偏等经典 AI 问题，AI 循环带来的巨大收益仍有可能超过其成本。