Agent Loop

Agent Loop（智能体循环）不是让AI做一次任务就结束,而是让它反复走完「跑一遍 → 检查哪里出错 → 找出原因 → 修正 → 再跑一遍」这一整圈,直到真正成功。不需要人每次都告诉它「这里错了」,AI自己就能转动这个循环。

为什么需要这个,有一个很典型的场景可以说明。让写代码的AI做一个程序,30分钟就能拿到一个能跑起来、还能通过它自己出的测试的东西。但一旦换成真实数据,它就崩了。因为题目是AI自己出的,自己又去解,考试自然简单。

所以循环必须搭配一样东西——一张AI碰不到的评分表。用真实数据、未经缩减的真实规模、AI没有参与制作的其他工具去核对结果。如果连评分表AI都能修改,那这个循环就不是验证,而是自我说服。这就像不让厨师给自己的菜打分,而是交给顾客来评判。

如果报道说「加上循环后发生的变化」——同一个AI、同一个任务,一开始失败、后来却成功了——这往往不是模型变了,而是加上了这套循环。

1. 让Claude或ChatGPT做这件事:「写一段Python代码,读取家庭账本CSV并计算每月合计」。
2. 拿到代码后不要就此打住,接着说:「你自己实际运行这段代码,把结果给我看。如果出错,诊断原因、修正后再运行一次。重复直到通过为止」。
3. 第二条指令就是循环。「帮我做出来」和「跑一遍、改好、再跑一遍」的区别,就是玩具和实物的区别。
4. 再进一步——不用示例,换成上传一份真实文件,让它做同样的事。你会看到在样本上好好的代码,一遇到真实文件里的空白格或奇怪的日期格式就崩溃了。这正是这种方式存在的原因。诀窍在于不把打分交给AI自己,加上一句「不要用你自己写的测试,用我给你的文件来核实」,结果会准确得多。