《Claude 循环工作法：让 AI 任务从一次回答变成持续改进》

导语

这篇 Claude Blog 文章把“循环”定义为智能体反复工作直到满足停止条件的过程。它不是在介绍一个单一命令，而是在给用户一张选择表：什么时候用手动回合，什么时候用目标停止条件，什么时候按时间间隔运行，什么时候把事件、计划、技能和多智能体工作流组合成无人值守的主动流程。

1. 回合循环：由用户提示触发的最小智能体循环

• 回合循环由一次用户提示触发，停止标准是 Claude 判断任务完成，或判断需要更多上下文。它适合较短、非固定流程、非定期发生的任务。
• 文章把每次提示都视作一次手动循环：Claude 收集上下文、采取行动、检查自己的工作，必要时重复，然后把它认为可用的结果交还给用户。比如让 Claude 创建一个点赞按钮，它会读代码、修改、跑测试，再把结果交给你检查。
• 文章强调，用户可以把人工验证步骤写进 SKILL.md，让 Claude 自己完成更多端到端检查。示例技能要求前端改动不能只凭编辑成功就汇报完成，而要启动开发服务器、打开页面、实际点击新控件、截图前后状态、检查控制台，并用浏览器性能工具审计关键指标；任何一步失败都要修复并从第一步重跑。

2. 目标循环：把“何时算完成”交给可验证条件

• 目标循环由实时手动提示触发，停止标准是目标达成或达到最大轮数。它适合有明确验收标准的任务。
• 文章给出的关键建议是：不要让模型自己猜什么叫“足够好”，而要把完成条件写清楚。每当 Claude 试图停下时，评估模型会检查条件；如果条件未满足，就把它送回继续工作，直到达标或达到用户设定的次数上限。
• 这种循环最适合确定性标准，例如测试通过数量、清除某个分数阈值。示例是：/goal get the homepage Lighthouse score to 90 or above, stop after 5 tries. 这里的 90 分和 5 次尝试同时定义了质量目标与成本边界。

3. 时间循环：用间隔连接外部系统

• 时间循环由指定时间间隔触发，停止标准是用户取消，或外部工作完成，例如 PR 合并、队列清空。它适合重复性任务，或需要与外部环境、外部系统持续互动的任务。
• 文章举例，一类工作是每天早上汇总 Slack 消息；另一类是监控一个 PR 是否收到代码评审或 CI 失败。对这类任务，可以用 /loop 按间隔重跑提示，例如每 5 分钟检查 PR、处理评审意见并修复失败的 CI。
• /loop 在本机运行，电脑关闭就停止；如果要把循环移到云端，可以创建 /schedule 例程。文章还提醒，管理用量的关键不是高频运行，而是设置更长间隔，或尽量基于事件变化触发。

4. 主动循环：把计划、目标、工作流和自动模式组合起来

• 主动循环由事件或日程触发，不需要人类实时参与；每个任务在目标达成时退出，整个例程会持续运行直到用户关闭。它适合错误报告、问题分流、迁移、依赖升级等边界清晰的重复工作流。
• 文章给出的组合方式是：用 /schedule 定期检查反馈渠道，用 /goal 定义本轮所有报告都要被分流、处理和回复，用动态工作流组织多个智能体分别分流、修复、评审，再用自动模式让流程不必每一步都停下来询问权限。
• 示例提示是每小时检查项目反馈频道；本轮发现的每个错误报告都必须完成分流、行动和回复；修复错误时并行探索三种方案，并让评审者对方案进行对抗式审查。

5. 质量取决于循环周围的系统

• 文章把循环质量放回工程系统里看：代码库本身要干净，因为 Claude 会跟随既有模式；要给 Claude 自我验证的方法，用技能记录团队对“好结果”的定义；框架和库文档要容易访问，避免沿用过时实践。
• 它还建议用第二个智能体做代码评审，因为带着新上下文的评审者较少受到主智能体推理过程影响。单次结果不达标时，不应只修当前问题，而应把修复经验编码回系统，改善未来迭代。

6. 用量管理：边界、模型、脚本和试运行

• 文章最后把 token 用量管理拆成几个原则：选择适合任务的原语和模型；小任务不需要多智能体或复杂循环；某些任务可用更便宜、更快的模型。
• 成功和停止标准要清晰，这会让 Claude 更快到达结果，也避免过早结束。大规模动态工作流可能产生数百个智能体，所以要先用小切片试运行。
• 确定性工作优先用脚本完成，例如 PDF 技能可以附带表单填写脚本，避免每次重新推理。例程不要比目标系统变化频率更频繁地运行；用户还可以用 /usage、/goal 和 /workflows 查看近期用量与各智能体消耗。

思想框架

文章按“触发方式”和“停止条件”组织四种循环：回合循环交出检查，适合探索或决策；目标循环交出停止条件，适合已知完成标准；时间循环交出触发器，适合外部系统按间隔变化；主动循环交出提示本身，适合重复且定义良好的工作流。核心判断是：智能体工作不是让模型一直跑，而是把任务边界、验证方式、停止条件、文档和用量控制放进同一个系统里。