币圈界报道：

AI代理进入无尽迭代时代：从代码生成到自我优化的范式跃迁

在上周五举行的Meta @Scale大会上，Claude Code的缔造者Boris Cherny面对观众提问时明确指出：循环机制并非炒作，而是真实存在的技术演进方向。他描绘了一种新生态——由人类编写初始指令，随后由多个智能体持续交互、自我提示、不断重构代码结构，形成一个永不停歇的闭环演化系统。

动态演进的智能体协作：超越一次性任务的边界

Cherny以自身工作流为例，展示了一个持续运行的代理网络：一个负责识别架构冗余，另一个专注提取可复用模块，二者如同开发者般提交变更请求。随着代码库实时更新，这些代理不会因任务完成而终止，反而在变化中持续寻找优化路径。这种从离散任务向持久化后台协同的转变，显著提升了系统对开放性问题的响应能力。

非确定性逻辑：区别于传统递归的本质特征

尽管递归在编程基础中早已普及，但当前的代理循环采用的是非确定性控制机制——子代理自行判断是否达成目标，而非依赖预设条件退出。这种设计赋予系统高度灵活性，也带来结果不可预测的风险。例如，以《辛普森一家》角色命名的Ralph循环，仅通过让模型自我总结进展并评估目标进度，便实现基本的方向校准，成为一种低成本却有效的引导策略。

以计算换收敛：无限投入应对复杂难题

OpenAI研究员Noam Brown提出，现代大模型在充足算力支持下几乎可解决任何问题。代理循环正是这一理念的体现：开发者不再追求一步到位的完美方案，而是允许系统长期投入资源，直至问题趋于稳定。尤其在代码演进类任务中，微小改进随时间积累，最终形成质变。Cherny所举的持续优化架构的代理案例，正是该思想的直接实践。

持续运行的代价：算力消耗与治理挑战

这种无限运行模式带来的最大挑战是成本失控。相比传统对话式问答，代理循环产生的token数量呈指数级增长，且无天然终止点。对于依赖token销售的Anthropic而言是利好，但对企业用户则意味着必须建立严格的监控体系，涵盖算力支出、模型漂移风险及输出质量波动。唯有如此，才能确保收益覆盖成本。

从实验到生产：智能体循环的成熟之路

Cherny在大会上的论述表明，代理循环已从边缘实验走向核心生产力工具。随着模型能力提升与基础设施成本下降，构建持久、自驱动的代理集群正逐步成为现实。这或将彻底改变软件开发与维护的底层逻辑。虽然目前仍属新兴领域，但无论是技术决策者还是研发团队，都应开始布局相关能力建设与风险评估。

常见问题解析：理解代理循环的关键要点

Q1：什么是代理循环？A：指一组AI代理在没有固定结束点的情况下持续执行任务，通过相互提示和反馈不断推进目标，仅当内部判断认为已完成时才停止。

Q2：它与普通代理有何不同？A：标准代理处理有始有终的单一任务，而循环代理作为常驻系统，适合需长期演进的任务，如代码重构或安全监测。

Q3：运行是否昂贵？A：是的，由于持续运行，其算力开销远超一次性查询。但若任务本身具有累积价值，如持续修复漏洞或优化性能，则潜在回报可能远超投入。