AI循环：智能体工作新范式

AI领域迎来”循环”革命

上周五，Claude Code的创始人鲍里斯·切尔尼(Boris Cherny)出席了Meta的@Scale大会，令人意外的是，观众提出的第一个问题竟然关于”循环”(loops)。

一位与会者问道：”循环是下一个炒作周期，还是真实存在的技术突破？”

切尔尼坚定地回答：”是的，它们是真实有效的。”

从代码编写到智能体循环

切尔尼进一步解释道：”两年前，我们仍然手动编写源代码。随后我们开始过渡到由智能体编写代码的阶段。而现在，我们正迈向一个新阶段：智能体提示其他智能体来编写代码。他说：”从源代码到智能体的转变是多么重要，循环同样如此，它代表着同样重要且巨大的进步。”

智能体循环的实际应用

在演讲的后续部分(约在上述YouTube视频32:00处)，切尔ny详细介绍了他在工作中持续运行的循环。一个智能体不断寻找改进代码架构的方法，而另一个智能体则寻找可以统一的重复抽象。它们像任何其他程序员一样提交pull请求，并且由于代码在不断变化，它们永远不会停止运行。

循环的基本原理

这一理念的力量在于，它得到了切尔尼这样重要人物的支持。随着向智能体AI的转变，大多数用户的重点一直是尽可能好地管理他们的智能体：设定明确的目标，检查独立的进度单元，不要让它们偏离提示太远。循环更进一步，它授权一群智能体在后台持续不断地工作，永不停歇。这需要AI承担很大的信任——但随着模型快速改进，这可能是AI处理实际工作的下一步。

首先需要认识到的是，这并非全新概念。递归循环——通过调用自身来重复操作并带有停止条件的函数，是计算机科学入门课程的基础内容。这些循环遵循非确定性逻辑——即是由子智能体决定何时停止循环，而不是明确的条件——但基本原理是相同的。一旦程序员开始使用AI完成任务，某种形式的递归循环（AI监督AI）必然会应运而生。

简单的循环技术

与传统计算不同，智能体循环可以简单得令人惊讶。其中最受欢迎的技巧之一是”拉尔夫循环”(Ralph Loop，以动画片《辛普森一家》中的角色拉尔夫·威格姆命名)，它基本上总结模型已完成的所有工作，并询问是否已达成目标。这是一种处理AI模型长时间运行时迷失方向的方法——本质上是在模型之间来回弹跳，直到任务完成。

计算资源投入的新思路

另一种看待循环的方式是将其视为测试时计算资源投入的一部分。正如OpenAI研究员诺姆·布朗(Naom Brown)在本月初观察到的，当代模型如果投入足够的计算资源，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持续投入计算资源，直到任务完成。这对于爬山问题(如改进代码库)尤其适用，模型可以持续进行渐进式改进，直到达到给定阈值。或者，正如切尔尼的例子所示，只要有计算资源可用，它就可以持续进行渐进式改进。