周五，Claude Code的创始人Boris Cherny在Meta的@Scale大会上露面，令人惊讶的是，观众的第一个问题就是关于循环的。“循环是下一个炒作周期吗，”提问者问，“还是它们是真实存在的？”Cherny的回答是一个断然的“是的，循环是真实存在的，”他说。“两年前，我们是手动编写源代码。我们开始转向让代理编写代码。现在，我们正在转向让一个代理提示另一个代理，然后由后者编写代码，”他继续说。“从源代码到代理的转变是多么重要，循环同样重要，步伐同样巨大。”在演讲的后期（在上面发布的YouTube视频的32:00左右），Cherny具体谈到了他在自己工作中始终运行的循环。一个代理持续寻找改进代码架构的方法，而另一个则寻找可以统一的重复抽象。它们像其他程序员一样提交拉取请求，由于代码不断变化，它们从未停止运行。这是一个强大的想法，特别是有像Cherny这样重要的人物支持它。随着对行动智能AI的转变，大多数用户的重点一直是尽可能好地管理他们的代理：设定明确目标，检查离散的进展单元，避免它们偏离提示。循环进一步推进，通过授权一群代理在后台不停地工作。将如此多的信任寄托于AI上是很大的信任——但随着模型快速改进，这可能是让AI处理实际工作的下一步。首先需要认识到的是，这并不完全是新的。递归循环——调用自身以重复一个动作的函数，以及一个可以停止循环的条件——是计算机科学入门课程的一个主流。这些循环遵循非确定性逻辑——即由子代理决定何时停止，而不是明确的条件——但基本方法是相同的。程序员一旦开始使用AI来完成任务，某种版本的递归循环，AI监督AI，必然会出现。与经典计算不同，行动循环可能会令人困惑地简单。最热门的小技巧之一是Ralph循环（以Ralph Wiggum命名），它基本上总结了模型所完成的所有工作，并询问它是否达成了目标。这是处理AI模型运行过长而迷失的方法——本质上在模型完成任务之前不断来回“弹跳”。另一种看待循环的方式是将其视为对更多测试时间计算的普遍推动的一部分。正如OpenAI研究员Noam Brown本月早些时候观察到的，如果给予足够的计算，现代模型几乎可以解决任何问题。这意味着，确保问题得到解决的一种方法就是不断地投入计算，直到完成。这在改进代码库等山地攀登问题中尤其真实，模型可以不断进行渐进式改进，直到达到给定的阈值。或者，正如Cherny的例子中所示，它可以一直进行渐进式改进，只要有计算资源可用。如果这听起来很昂贵，那就应该如此。与之前的行动智能AI一样，AI循环消耗代币的速度远远快于简单的问答聊天机器人——由于循环旨在始终保持运行，因此没有支出的上限。这对于Anthropic来说没问题，因为它最终是代币销售业务，但对其他所有人来说，这可能是一种价格昂贵的工作方式。不过，根据行动循环尝试解决的问题以及适当的设置（允许对代币支出、漂移和其他经典AI问题的监督），其带来的好处可能足够惊人，足以抵消成本。当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。Russell Brandom自2012年起开始报道技术行业，专注于平台政策和新兴技术。他曾在The Verge和Rest of World工作，并为Wired、The Awl和麻省理工学院的《技术评论》撰稿。他可以通过russell.brandom@techcrunch.com或在Signal上联系412-401-5489。查看个人简介