币圈界报道：

AI代理进入无尽迭代时代：从代码编写到自我优化的跃迁

在近期Meta举办的@Scale大会上，Claude Code的缔造者Boris Cherny面对观众提问时明确指出：循环机制不仅是技术趋势，更已发展为真实可行的实践路径。他描绘了一幅由代理持续生成、评估并改进代码的动态图景——从初始编码到自动重构，再到跨代理协作提交变更，整个过程形成一个永不终止的演化闭环。

代理自驱式演进：一种新型智能工作流

Cherny以自身研发流程为例，展示了一个持续运行的代理网络：其中一员专注于识别可复用的抽象模块，另一成员则负责推动其合并至主干。这些实体如同真实开发者一般发起拉取请求，并随代码库不断演进而持续响应。这一转变标志着从一次性任务执行向长期自主运行系统的跨越，使复杂开放式问题得以在无明确终点的前提下持续推进。

非确定性逻辑：超越传统递归的智能形态

尽管递归在编程基础中广为人知，但代理循环的本质在于其非确定性行为模式——子代理自行判断是否继续推进，而非依赖预设终止条件。这种灵活性虽带来不确定性，却也赋予系统更强的适应能力。例如，以《辛普森一家》角色命名的Ralph循环，通过要求模型自我总结进展并验证目标达成状态，提供了一种粗粒度但有效的方向校准机制。

算力驱动的收敛策略：解决复杂问题的新范式

OpenAI研究员Noam Brown提出，当前大模型在充足算力支持下几乎能应对所有挑战。而代理循环正是该理念的落地体现：开发者不再追求一次性完美解法，而是允许模型持续投入资源直至问题趋于稳定。尤其在代码架构优化等渐进式任务中，微小改进随时间累积，最终实现显著提升。Cherny所描述的无限优化代理，正是这一思想的典型代表。

持续运行的代价：不可忽视的资源消耗

这种永续运行的机制必然伴随高昂成本。相比静态问答场景，代理循环产生的token消耗呈指数级增长，且因缺乏自然终止点，计算开销理论上无上限。对依赖token销售的Anthropic而言是利好，但对企业用户而言则需建立严格的监控体系，包括对资源使用、模型漂移及输出质量的实时追踪，以避免失控。

未来已来：从实验到生产的临界点

Cherny在大会上的论述表明，代理循环正从边缘探索迈向核心生产力工具。随着模型性能提升与基础设施成本下降，构建持久、自我导向的代理集群将可能彻底改变软件的开发与维护方式。尽管目前仍属前沿领域，但其潜力已不容忽视——无论是技术负责人还是战略决策者，都应将其纳入长期观察清单。

常见疑问解析：理解代理循环的关键要点

Q1：什么是代理循环？A：指一组持续运行的AI代理，围绕特定目标不断交互、生成和评估结果，不设定固定结束时间，仅在达成某种内部或外部判定标准时才停止。

Q2：它与传统代理有何区别？A：传统代理完成指定任务即退出，具有清晰边界；而循环代理作为后台常驻系统，适用于需要长期迭代优化的任务，如代码重构或系统监控。

Q3：运行成本高吗？A：极高。由于持续运行特性，其消耗的计算资源远超单次查询，必须通过精细化管理控制支出，但对某些任务而言，长期收益足以覆盖成本。