币圈界报道：

AI代理进入永续运行时代：无限循环正成为新基础设施

在最近举行的Meta @Scale大会上，Claude Code核心开发者Boris Cherny面对观众提问——‘循环是炒作还是真实变革’——给出了明确回应：这并非概念泡沫，而是正在成型的技术范式。他描绘了一条清晰路径：从人工编写代码，到由代理生成代码，再到如今多个代理在持续自我提示中形成闭环协作体系。

持久化智能体如何重构开发流程

Cherny分享了其实际工作流中的一个典型场景：一个智能体专注探索架构优化方案，另一则专门扫描可复用的抽象模块。它们以类似人类开发者的节奏提交拉取请求，而整个代码库始终处于动态演化状态。这种从一次性任务向持续性后台运作的转变，标志着信任机制与执行能力的重大跃升。用户不再仅需设定目标并分段验证，而是交由系统自主推进开放式问题的解决。

非确定性运行：旧有递归与新型循环的本质差异

尽管递归在编程基础课中早已普及，但当前代理循环采用的是非确定性控制逻辑——子代理自行判断是否终止，而非依赖预设条件。这种灵活性带来了更高适应性，也引入了不可控风险。例如，以《辛普森一家》角色命名的Ralph循环，通过让模型自我总结进展并评估目标达成情况，提供一种粗粒度却有效的方向校准机制，避免长期任务中的漂移。

以算力换收敛：循环作为计算测试的新形式

OpenAI研究员Noam Brown指出，只要资源充足，现代大模型几乎能应对任何挑战。而循环正是这一理念的实践体现：无需设计完美的一次性解决方案，只需持续投入算力直至问题趋于稳定。对于代码库优化这类具有渐进收益的任务尤为适用——每次迭代都在累积价值。Cherny所举的持续改进架构的代理案例，正是该思想的直接投射。

持续运行的代价：高消耗与监控挑战

显然，这种永不停止的运行模式代价不菲。相比传统问答型机器人，循环系统消耗的token数量呈指数级增长，且因无固定终点，计算开销理论上无上限。对依赖token销售的Anthropic而言是利好，对企业客户则是严峻的成本考验。然而，其潜在回报同样显著，尤其在代码维护、漏洞修复等需要持续演进的领域。关键在于建立对资源使用、模型行为漂移及输出质量的实时监管体系。

从实验到生产：循环正加速落地

Boris Cherny在大会上的阐述表明，代理循环已超越实验室阶段，逐步进入实际应用场景。随着模型能力提升与算力成本下降，构建持久、自驱动的代理集群或将彻底改变软件的构建与运维逻辑。虽然目前仍属前沿探索，但无论是技术团队还是管理层，都应将其纳入战略视野。

常见疑问解析：循环机制的核心要点

Q1：AI循环的本质是什么？ A：它是一种配置结构，其中多个智能体持续执行任务（如提示其他代理），没有预设结束点，仅在子代理判定目标完成或触发特定条件时才终止。

Q2：与传统代理有何区别？ A：常规代理处理有始有终的独立任务；而循环允许代理在后台持续运作，适用于代码重构、安全监测等需长期优化的场景。

Q3：运行此类系统是否昂贵？ A：是的，由于缺乏终止机制，其计算资源消耗远超单次查询。必须实施严格成本管控，但某些任务中，其带来的增量价值可能远超支出。