智能体循环的兴起：AI 自主性的下一个前沿
人工智能的演进正迅速从静态代码生成转向动态、自维持的生态系统。随着开发者从编写代码转向使用智能体（agents），行业正进入“循环”（loops）时代——即智能体通过提示（prompt）其他智能体来执行持续的、迭代的工作。
从源代码到智能体集群
在 Meta 的 @Scale 大会上，Claude Code 的创造者 Boris Cherny 强调了 AI 开发生命周期中的一次深刻转变。如果说上一个重大里程碑是从手动编写源代码转向 AI 编写代码，那么 Cherny 认为，下一个飞跃同样意义重大：即向“智能体管理其他智能体”的转变。
这不仅仅是理论上的；Cherny 描述了一种专门的智能体在持续循环中运行的工作流。例如，一个智能体可能专门负责优化代码架构，而另一个智能体则负责扫描并统一重复的抽象。这些智能体的运作方式类似于人类工程师，会提交拉取请求（pull requests）并进行异步工作。与传统的自动化不同，这些循环是非确定性的；子智能体不是遵循硬编码的退出条件，而是利用推理能力来决定任务何时达到了足够的优化程度或已完成。
理解循环逻辑与推理时计算
“循环”的概念借鉴了基础计算机科学——特别是递归函数——但增加了一层概率推理。一个显著的模式是“Ralph Loop”（以《辛普森一家》中的角色 Ralph Wiggum 命名），这是一种用于防止模型在执行长任务期间发生“漂移”的技术。模型会总结自身的进度并评估是否达到了目标，本质上是在逻辑中不断“回弹”，直到取得成功的结果。
这一趋势与“推理时计算”（test-time compute）的概念密切相关。正如 OpenAI 研究员 Noam Brown 所指出的，如果提供充足的计算资源，当代模型可以解决日益复杂的问题。在“爬山”（hill-climbing）场景中——例如对代码库进行增量改进——循环允许 AI 对问题进行持续迭代，通过投入更多计算资源来压榨出更高的性能，直到达到特定的阈值。
经济现实：Token 消耗与价值的博弈
虽然智能体循环的技术潜力令人惊叹，但其经济影响也十分重大。与标准的问答式聊天机器人交互不同，智能体循环旨在后台无休止地运行。这会导致 Token 消耗量激增，从而使企业的成本大幅攀升。
对于 Anthropic 等 AI 提供商而言，这代表了一种高增长的营收模式。然而，对于开发者和创始人来说，实现循环需要进行精细的平衡。在这个新领域取得成功的关键，在于实施严格的监督以管理“漂移”（即 AI 偏离了原始目标），并针对 Token 支出建立严格的护栏（guardrails），以确保循环产生的价值超过其运营成本。
核心要点
- 自主性的转变： AI 正在从单轮代码生成转向自主的智能体循环，其中智能体相互监督并相互提示。
- 推理时计算： 智能体循环利用推理阶段增加的计算量，来解决复杂的、迭代式的“爬山”问题。
- 成本管理至关重要： 这些循环的持续性可能导致 Token 消耗呈指数级增长，因此，对于企业级应用而言，监督机制和预算护栏是必不可少的。