02 自我改进的编码智能体

title: 260307-自我改进的编码智能体
description: 探索如何设计自我改进的 AI 编码智能体循环，让它在你离线时持续编写、测试并交付代码
author: Addy Osmani
source: https://addyosmani.com/blog/self-improving-agents/
date: '2026-03-07'
category: 02-technical-architecture
tags:
- 编码智能体
- 自动化编码
- 持续集成
- 智能体循环
- Claude Code​

自我改进的编码智能体

作者：Addy Osmani

原文：查看原文

想象一下：你结束一天工作，第二天醒来，新功能已经完成编码、通过测试，并进入待审查状态。这就是自主编码智能体最吸引人的地方——借助 Claude Code 这类工具，把编码、验证与交付组织进一个持续循环里，即使你离线，它也能继续推进工作。

这篇文章会拆解这类“自我改进循环”怎么搭：从任务编排、上下文文件、内存持久化，到 QA 验证、扩展方式、调试方法和风险控制。

这篇文章也是对 Ryan Carson 那篇《如何让你的智能体在你睡觉时学习和交付》的补充。我们最近聊了很多关于智能体编码未来的想法，这篇文章主要是把其中一些技术层面的要点展开讲清楚。

“持续编码循环”（Ralph Wiggum 技术）

这套方法的核心，是一个不断迭代的智能体循环，也常被称为 “Ralph Wiggum” 技术（由 Geoffrey Huntley、Ryan Carson 等人推广）。关键思路很简单：把开发工作拆成一批小任务，再让编码智能体逐个处理。

每轮迭代通常遵循同一套周期：

1. 选择下一个任务：从待办列表里挑出尚未完成的任务（例如一个任务 JSON 文件）。
2. 实现任务：围绕这个具体功能或修复改代码。
3. 验证更改：运行测试、类型检查或其他质量检查。
4. 提交代码：验证通过后，把更改提交到仓库。
5. 更新任务状态：标记完成，并记录这轮学到的内容。
6. 重置智能体上下文：用新上下文进入下一轮，直到所有任务完成，或触发停止条件。

这种做法的关键价值，是每轮都重新开始，但不会重新失忆。上下文不靠一段越来越长的对话来硬撑，而是靠外部文件和结构化状态来传递。这样能有效避免长上下文不断膨胀之后的混乱，也能让每次执行都更聚焦。

与其用一个巨大提示去要求模型“一次做完整个功能”，不如不断给它一个边界清晰、目标明确的小任务。这样通常更稳，也更容易验证。

把任务切得足够小，而且标准明确

工作拆分是这类系统成败的第一步。每个任务都应该足够小，小到能在一次 AI 会话里完成；同时也要有明确的通过/失败标准。

例如，与其写“做完整个仪表板”，不如拆成类似这样的任务：

“新增一个导航栏，包含首页、关于、联系三个链接；当前页面对应链接高亮显示。”

这种粒度有两个好处：

• 智能体更容易知道“做完”到底长什么样
• 一旦结果不符合预期，系统也更容易回滚、修正、重试

落地建议：先写清楚规格，再转成任务列表。 先把功能需求写成清晰的规格说明，再把它拆成结构化任务列表，例如 prd.json。像 Carson 提供的 /prd 和 /tasks 技能 就是在做这件事。

最终，你需要的是一份机器可读、验收标准明确、可逐步执行的待办清单。

编排循环

驱动循环本身，其实不一定复杂。Carson 的实现本质上就是一个不断调用智能体的脚本，可能是 Bash，也可能是 Python。

下面是一个很简化的伪代码示意：

while :; do
   amp run -s prompt.md -o progress.txt  # 使用提示运行 Amp，并保存输出
   if grep -q "<promise>COMPLETE</promise>" progress.txt; then break; fi
done
​

真实流程里，脚本通常会完成这些事：

• 读取任务列表
• 选出下一个待办任务
• 拼装提示词与相关上下文
• 调用模型执行
• 跑验证脚本
• 更新状态文件与日志

关键点在于：每一轮都是隔离的。你不是让同一个对话无限延长，而是让智能体在每次迭代时带着外部上下文重新开始。

复合循环也是常见进阶做法。比如 Compound Product 会先跑分析循环，再跑规划循环，最后才进入执行循环。也就是说，智能体不仅负责写代码，还能先参与判断“应该先做什么”。不是每个项目都需要这么完整的自动化，但它很好地展示了：多个循环完全可以首尾相接，形成持续交付管线。

上下文与内存的最佳实践：AGENTS.md 手册

这类循环最强的机制之一，是把经验显式写进持久化文件，而不是指望长对话自己记住一切。

最常见的文件就是 AGENTS.md。它本质上是一份持续更新的运行手册：记录项目约定、踩过的坑、需要反复提醒智能体的注意事项，以及最近新增的重要上下文。

每完成一个任务，你都可以把关键信息追加进去。例如：

• “这个仓库统一用某个库处理表单，不要另起一套方案。”
• “更新用户模型时，记得同步更新审计日志，否则测试会失败。”
• “某个旧接口已弃用，统一改走新路径。”

随着时间推移，AGENTS.md 会逐渐变成一个高价值的项目知识库。它不是“给人看的说明书”这么简单，更是下一轮智能体执行时的重要约束来源。

一个实用的组织方式，是把 AGENTS.md 拆成几类内容：

• 模式和约定：比如目录结构、组件组织方式、常用架构模式
• 陷阱：容易遗漏、但一旦遗漏就会出错的点
• 风格与偏好：例如测试风格、代码风格、依赖使用原则
• 最近变更：最近踩过的坑、做过的修正和原因

这里有个很重要的原则：条目要短、要准、要可执行。 它不是百科，不需要写成长文。你写进去的内容，最好是一条智能体在下一轮就能直接据此行动的规则。

同时也要注意上下文大小。AGENTS.md 不是越长越好；如果越积越多却没人整理，最后也会变成噪声。一个更稳妥的做法是只保留当前最重要、最容易反复踩坑的信息，把过时内容清掉或归档。

内存持久化与复合学习策略

除了 AGENTS.md，成熟的循环通常还会维护多条“外部记忆通道”。Carson 的 Ralph 体系里，至少会用到以下几类：

• Git 提交历史：每轮迭代都提交代码。下一轮如果需要了解之前改了什么，直接看 git diff 或 git log 就行。
• 进度日志（progress.txt）：记录每轮做了什么、哪里成功、哪里失败、错误信息是什么。
• 任务状态文件（如 prd.json）：记录每个需求是否完成，避免重复劳动。
• 长期知识文件（AGENTS.md）：沉淀更长期、跨任务复用的约束与经验。

这些外部工件共同构成了一种“复合学习”机制。它不是机器学习意义上的在线训练，而是通过不断把结果写回系统，让后续迭代站在前面工作的基础上继续推进。

例如，一轮迭代里发现某个 API 已废弃，下次再遇到相关任务时，智能体就不必重新踩一次同样的坑；如果测试日志已经记录过某个失败模式，后续也可以直接参照处理。

你当然也可以做得更复杂，比如用向量数据库存错误模式和 diff 摘要，再在新任务开始前检索相似案例。但很多时候，只要 AGENTS.md、任务状态文件和日志维护得足够好，复杂记忆层并不是必需品。

一个值得反复确认的点是：这些记忆只有在下一轮真的被注入上下文时才有价值。 文件写在那里，不等于模型就一定会用到。你需要确保提示模板或运行脚本确实会把它们带进下一轮。

质量保证：测试与验证循环

如果没有自动验证，自主编码智能体很容易把“看起来像完成了”的东西误当成“真的完成了”。所以，测试与检查必须是循环中的一等公民。

• 单元测试与集成测试：如果仓库里已经有稳定的测试套件，让智能体在实现任务后跑 npm test 或 pytest，这是最基础也最有效的反馈机制。
• 类型检查与 Lint：像 tsc、MyPy、ESLint 这样的静态分析工具，可以快速拦住很多低成本错误。
• 模拟 CI 检查：即便不是正式 CI 环境，你也可以在本地把构建、测试、检查串起来，当作循环的一部分。
• 必要时让智能体自己验收：如果是 UI 改动，可以让它启动浏览器或使用相应技能做页面检查，确认交互和视觉状态是否达标。

Simon Willison 提到过一个很实用的经验：如果仓库本身已经有高质量测试，智能体通常会自然模仿这些测试风格。因此，想让智能体写出更可靠的测试，最稳妥的办法之一不是多讲大道理，而是让代码库里已经存在值得模仿的范式。

扩展：从单循环到多循环

很多人会自然想到：既然一个循环能跑，那多个循环是不是能并行跑得更快？答案是可以，但复杂度会迅速上升。

最简单的扩展方式，是让不同循环跑在不同范围里：

• 一个循环专做前端
• 一个循环专做后端
• 或者多个功能分支各跑一个夜间循环

但一旦多个智能体开始同时修改同一片代码，问题就会变成典型的分布式协调问题：文件冲突、重复劳动、互相等待、任务边界不清，都会出现。

实践里更有效的一种模式，是规划者 - 工作者分层。一个更高层的智能体负责理解全局、拆分任务、决定优先级；下层智能体只负责执行局部任务。这样比让多个智能体自由竞争同一组任务更稳。

不过，对大多数独立开发者来说，现阶段真正高回报的通常不是把规模盲目扩大，而是把单个循环做得足够稳、足够长、足够可恢复。很多时候，一个可靠的夜间循环，比一群难以管理的并行循环更有价值。

监控、调试与反馈仪表化

既然你把一部分开发工作交给了智能体，就必须对它的行为保持可观察性。最常见也最有效的做法包括：

• 实时日志：让循环持续输出当前任务、测试结果和错误信息，方便你判断它有没有卡住。
• 检查点提交：每轮都提交代码，这样你可以随时用 git log、git diff 回看最近发生了什么。
• 任务状态概览：准备一条能快速查看所有任务状态的命令或脚本，随时判断整体进度。
• 性能指标：记录每轮耗时、token 成本和失败重试次数，帮助你识别瓶颈。
• 停止条件：比如最大迭代数、最长运行时间、连续多轮无提交时自动停止，避免系统空转。

必要时，你也可以让智能体输出简短的“失败原因与下一步计划”，帮助定位它为什么卡住。但这类内省信息要适度使用，太多反而会污染主循环上下文。

风险管理与保障措施

给编码智能体写权限、执行权限，确实很强大，但也一定要配套边界。

防止破坏性动作

• 只在功能分支或隔离仓库里运行：不要直接对 main 下手。
• 权限分级：只读操作尽量自动放行，写操作、外部发布、删除操作则保留人工确认。
• 沙箱运行：最好在容器或虚拟机里执行，尤其是它需要跑代码、跑测试时。
• 随时可中断：你必须清楚知道怎么第一时间停掉循环。

处理错误假设与任务偏移

编码智能体的真实风险，往往不是“它很笨”，而是需求约束不够清楚，或者长时间运行后逐渐偏离原目标。对应的缓解方式通常包括：

• 把规格写清楚：验收标准越明确，偏移空间越小。
• 用验证抓问题：测试、类型检查和运行反馈，能抓住很多不真实的调用、错误接口和逻辑偏差。
• 定期重新聚焦：循环跑得太久时，可以暂停、重新规划剩余任务，再继续执行。
• 必要时多模型交叉检查：关键节点可引入第二个模型做 diff 审查或结果复核。

这里要特别强调一点：很多“智能体没做到 X”的情况，根因并不是它能力低，而是规格、提示或上下文里根本没有把 X 说清楚。循环设计得越严谨，这类偏差就越少。

上下文膨胀与优化

随着项目增长，AGENTS.md、progress.txt 和任务文件都会越来越大，不可能每次都原样塞进上下文。常见优化方式包括：

• 总结旧内容：保留关键结论，把原始长日志归档。
• 按任务裁剪上下文：与当前任务无关的历史内容不要强行带入。
• 依靠模型已有通用知识：项目特有信息优先，通用文档不必一股脑重复喂给它。

例如，如果这是一个使用 React Hooks 和 Vite 的项目，你通常没必要把整份 React 文档都塞给模型；真正更值钱的是项目自己的边界、约定和坑点。

人工监督与持续改进

最后，把整个系统当作一个持续演进的过程来看。它不是“搭完就自动完美运转”的装置，而是一套需要不断调参、不断校准的工作流。

你的角色也会随之变化：你不再主要花时间逐行敲代码，而是更像在设计流程、写规格、看结果、做关键判断的那个人。

还要持续关注成本。循环一旦卡住，token 消耗会迅速放大，所以预算上限、停止条件和异常告警都很有必要。但如果整体工作流设计得好，回报也会非常明显：很多重复而细碎的执行工作，会被可靠地压进一个可以持续运行的系统里。

自主编码智能体已经不再只是概念。只要流程设计得足够扎实，它们确实可以承担持续编码、持续验证和持续推进交付的那部分工作。

每一轮迭代，系统和你的工作方式都会一起变得更成熟。

这篇文章使用 Gemini 做了可读性整理。