AI世界迎来“循环”新范式

在人工智能领域，一个全新的概念正在引发广泛讨论——AI“循环”（Loops）。上周五，Claude Code的创始人Boris Cherny在Meta举办的@Scale大会上亮相，令人意外的是，现场观众的第一个问题就围绕着“循环”展开：“循环是下一个炒作周期，还是真的有用？”Cherny的回答斩钉截铁：“它们是真的有用。”

Cherny进一步解释道：“两年前，我们手写源代码。后来我们开始过渡到让代理来写代码。而现在，我们正过渡到代理提示代理，然后由后者来写代码的阶段。从源代码到代理的转变已经意义重大，但循环与这一步骤同等重要，甚至更为关键。”这番言论迅速在AI开发者社区中发酵，成为热议的焦点。

在演讲的后半部分（大约在YouTube视频的第32分钟处），Cherny详细描述了自己工作中持续运行的循环。其中一个代理不断寻找改进代码架构的方法，另一个则寻找可以统一合并的重复抽象。它们像其他程序员一样提交拉取请求（Pull Request），由于代码在不断变化，这些代理永远不会停止运行。这种持续、自主的运作方式，正是“循环”的核心魅力所在。

这一理念之所以强大，很大程度上源于Cherny在AI领域的权威地位。随着AI代理的普及，大多数用户的关注点都集中在如何更好地管理代理：设定明确目标、检查阶段性进展、避免代理偏离提示范围。而“循环”则向前迈进了一大步——它授权一群代理在后台持续、无休止地工作。这无疑需要将极大的信任托付给AI，但随着模型能力的快速提升，这很可能成为AI真正处理实际工作的下一个关键步骤。

值得指出的是，“循环”并非全新事物。递归循环——即函数调用自身以重复某个动作，并附带一个停止条件——是计算机科学入门课程中的经典概念。Cherny所描述的循环遵循非确定性逻辑，即由一个子代理决定何时停止循环，而非明确的预设条件，但其基本思路与经典递归如出一辙。一旦程序员开始使用AI完成任务，某种形式的递归循环——由AI监督AI——就必然会应运而生。

与经典计算不同，代理循环可以出奇地简单。目前最流行的技巧之一是“Ralph循环”（以《辛普森一家》中的角色Ralph Wiggum命名），它基本上总结了模型已完成的所有工作，并询问是否达成了目标。这是一种应对AI模型运行时间过长而“迷失方向”的方法——本质上是让模型来回弹跳，直到任务完成。这种简单而有效的设计，使得循环具有很强的实用性。

另一种理解循环的方式是将其视为“测试时计算”（test-time compute）广泛推广的一部分。正如OpenAI研究员Noam Brown本月早些时候观察到的，当代模型只要有足够的算力，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持续投入算力，直到任务完成。对于像改进代码库这样的“爬山问题”（hill-climbing problems），这一点尤其适用——模型只需不断尝试，直到找到更优解。

从更宏观的视角看，AI循环的出现标志着AI从“一次性工具”向“持续协作伙伴”的转变。过去，用户向AI提出一个问题，得到一个答案，交互即结束。而在循环模式下，AI代理被赋予长期任务，持续监控、调整并优化结果。这不仅能提升代码质量，还能在数据分析、系统运维、内容生成等众多领域发挥巨大潜力。

当然，循环模式也带来了新的挑战。如何确保代理在长期运行中不偏离初始目标？如何平衡自主性与人类监督？当多个代理同时运行时，如何协调它们之间的冲突？这些都是开发者需要面对的现实问题。但正如Cherny所言，随着模型能力的持续提升，这些挑战有望逐步得到解决。

目前，AI循环已经吸引了不少开发者的注意。在GitHub上，相关的开源项目和讨论正在增多。一些团队开始尝试将循环模式应用于实际业务场景，例如自动化测试、持续集成/持续部署（CI/CD）流程优化，以及代码审查等。可以预见，在不久的将来，“循环”很可能成为AI应用开发的标准范式之一。

总而言之，Boris Cherny在@Scale大会上的发言，为AI行业指明了一个可能的发展方向。从手写代码到代理写代码，再到代理提示代理的循环，每一步都代表着AI能力的跃升。对于开发者和企业而言，理解并拥抱这一新范式，或许正是抓住下一波AI红利的关键。