智能体（Agent）这个词被说烂了，但绝大多数产品还停留在“你问我答”的阶段。直到Anthropic把Claude Code里的智能体循环正式拆解成四种可操作、可定义的模式，我们才算真正跨过了那道门槛——AI不再只是工具，它开始有了自己的“工作节律”。
循环的本质：从被动到主动
一个命令，持续执行
传统编码助手的交互是线性的：你丢一段代码或一个问题过去，它给你一个结果，对话结束。智能体循环打破了这种单次问答的逻辑。在Claude Code的框架里，一次指令可以触发一个循环过程。AI会自己判断任务完成没有，需不需要继续工作，要不要向你请求更多上下文。这就像你雇了一个初级工程师，交给他一个修复漏洞的任务，他不会写完第一行代码就跑来问你“我写好了吗”，而是会自己测试、修改、再测试，直到功能正常或者遇到真正拿不准的决策点。
停止条件：循环的控制器
一个无法停止的循环是灾难。Anthropic的聪明之处在于，他们给每种循环都配上了明确的“停止条件”。这个条件可以是逻辑判断（任务已达成）、资源限制（达到最大轮次），也可以是外部事件（到了设定时间）。这确保了智能体不会陷入无限自嗨的代码重构中，它的自主性始终在开发者预设的安全护栏内。
四种循环：场景化的工作模式
Turn-based：最常见的交互节奏
这是最接近我们日常使用习惯的循环。你发出一个提示，Claude开始工作。它可能一次性完成，也可能在过程中发现需要更多信息，于是暂停并请求你的输入。整个过程是回合制的，控制权在你和AI之间交替。比如你让它重构一个函数，它做完后可能会问：“我发现这个函数依赖一个未定义的变量，你希望我如何处理？” 这种模式适合那些目标清晰但路径可能需要微调的任务，开发者保持着对关键节点的把控。
Goal-based：设定目标，放手执行
这里AI的自主性显著提升。通过 /goal 命令，你可以设定一个明确的、可验证的完成标准，同时给它一个最大轮次限制（比如“最多尝试10轮”）。然后，Claude就会像一个领了军令状的工程师，自己去拆解目标、执行、验证结果。每轮工作结束后，它会检查是否达成目标，未达成则继续。这非常适合单元测试通过率、代码覆盖率提升、性能指标优化这类有量化标准的任务。开发者从“监工”变成了“验收员”。
Time-based：定时任务，云端托管
某些工作需要定期执行，比如每天凌晨跑一轮安全扫描，或者每周初生成一份代码质量报告。Claude Code的 /loop 命令可以按时间间隔重复执行任务。更进一步，通过 /schedule 命令，你可以把这个定时循环托管到云端。这意味着即使你关掉本地电脑，这个智能体仍在后台默默运行，按计划完成工作。它把一次性工具变成了持续服务的数字员工。
Proactive：事件驱动的自主反应
这是最接近“自主智能体”的形态。循环不再是用户主动发起的，而是由外部事件触发。比如，当代码仓库收到一个新issue时，或者当监控系统发出某个警报时，预设好的智能体循环可以被自动激活。它无需人类实时在场，就能开始调查问题、分析日志、尝试修复。这已经触及了自动化运维（AIOps）和自愈系统的核心。当然，这种模式的控制和权限管理需要格外谨慎。
SKILL.md：把人工智慧编码给AI
验证步骤的自动化封装
再强大的AI，其输出也需要验证。传统模式下，验证本身是高度依赖人的经验。SKILL.md文件的引入，允许开发者将复杂的验证步骤“编码”成AI能理解的指令。你可以在这个文件里描述：“当我修改了数据库查询语句后，需要检查三个地方：第一，新查询的执行计划是否更优；第二，相关的API接口返回数据格式是否未变；第三，日志中是否出现新的慢查询警告。” 将这些步骤写入SKILL.md，Claude在执行turn-based循环时，就能在自检阶段自动运行这些验证，大幅减少需要人工介入的“确认环节”。
从“人核”到“自检”的跃迁
这本质上是在构建一个AI的“标准作业程序（SOP）”。它让智能体不仅仅会“做”，更学会了“检查自己做的对不对”。这解决了AI可靠性难题中最关键的一环。开发者不再需要逐行审查AI生成的每一行代码，而是可以相信它已经依据你事先定义的、经过审定的检查清单完成了自查。人的精力被解放出来，用于更高层的架构设计和策略制定。
对开发者意味着什么
工作流的范式转移
智能体循环不是又一个快捷键或代码补全插件。它重新定义了开发者与代码库的交互方式。你的角色开始从“编写每一行代码的人”向“设定目标、定义规则、监督进程的架构师”演变。你需要思考如何将复杂的开发任务拆解成适合循环执行的单元，如何定义清晰的“完成”标准，如何设计有效的验证流程（SKILL.md）。
新的效率边界与风险考量
效率的提升是显而易见的：重复性验证、定时报告、基于事件的初始响应都可以交给循环体。但这也带来了新的挑战。循环的嵌套和复杂调用可能产生难以调试的行为；过度依赖自主循环可能掩盖深层架构问题；对proactive循环的权限控制不当，甚至可能引发安全风险。开发者必须学习新的技能：智能体流程设计、循环监控与调试、权限与策略管理。未来的技术团队中，或许会出现“AI流程工程师”这样的专门角色。
Anthropic这次没有谈论宏大的AGI愿景，而是给出了一套扎实的工程方法。他们把“智能体”这个概念，从飘在云端的愿景，拉到了每一个开发者都能上手配置的命令行里。真正的变革，往往始于这样具体的一步。
