Autonomous Loops

自主循环技能 (Autonomous Loops Skill)

用于自主运行 Claude Code 循环的模式、架构和参考实现。涵盖了从简单的 claude -p 流水线到完整的 RFC 驱动多智能体（multi-agent）DAG 编排的所有内容。

适用场景

• 设置无需人工干预即可运行的自主开发工作流（Workflows）
• 为你的问题选择合适的循环架构（简单 vs 复杂）
• 构建 CI/CD 风格的持续开发流水线
• 运行具有合并协调机制的并行智能体（Agents）
• 在循环迭代之间实现上下文（Context）持久化
• 为自主工作流添加质量门禁（Quality gates）和清理环节

循环模式频谱 (Loop Pattern Spectrum)

从最简单到最复杂：

1. 顺序流水线 (Sequential Pipeline, claude -p)

最简单的循环。 将日常开发分解为一系列非交互式的 claude -p 调用。每次调用都是一个带有明确提示词（Prompt）的专注步骤。

核心见解

如果你无法理解这样的循环，那就意味着你甚至无法在交互模式下驱动 LLM 修复你的代码。

claude -p 标志（flag）以非交互方式运行 Claude Code 并提供提示词，完成后退出。通过链式调用构建流水线：

#!/bin/bash
# daily-dev.sh — 功能分支的顺序流水线

set -e

# 第 1 步：实现功能
claude -p "阅读 docs/auth-spec.md 中的规约。在 src/auth/ 中实现 OAuth2 登录。先写测试 (TDD)。不要创建任何新的文档文件。"

# 第 2 步：去杂质 (De-sloppify, 清理环节)
claude -p "检查上一次提交更改的所有文件。删除任何不必要的类型测试、过度防御性的检查或对语言特性的测试（例如，测试 TypeScript 泛型是否工作）。保留真实的业务逻辑测试。清理后运行测试套件。"

# 第 3 步：验证
claude -p "运行完整的构建、代码检查（lint）、类型检查和测试套件。修复任何失败。不要添加新功能。"

# 第 4 步：提交
claude -p "为所有暂存的更改创建一个约定式提交（conventional commit）。使用 'feat: add OAuth2 login flow' 作为消息。"

关键设计原则

1. 每个步骤都是隔离的 — 每次 claude -p 调用都有一个新的上下文窗口（Context window），这意味着步骤之间不会有上下文污染。
2. 顺序很重要 — 步骤按顺序执行。每一步都建立在前一步留下的文件系统状态之上。
3. 负面指令是危险的 — 不要说“不要测试类型系统”。相反，添加一个单独的清理步骤（参见 去杂质模式）。
4. 退出码会传播 — set -e 会在失败时停止流水线。

变体

使用模型路由 (Model Routing)：

# 使用 Opus 进行调研（深度推理）
claude -p --model opus "分析代码库架构并编写添加缓存的计划..."

# 使用 Sonnet 进行实现（快速且强大）
claude -p "根据 docs/caching-plan.md 中的计划实现缓存层..."

# 使用 Opus 进行审查（彻底）
claude -p --model opus "检查所有更改是否存在安全问题、竞态条件和边界情况..."

带有环境上下文：

# 通过文件传递上下文，而不是增加提示词长度
echo "重点领域：auth 模块，API 速率限制" > .claude-context.md
claude -p "阅读 .claude-context.md 获取优先级信息。按顺序处理它们。"
rm .claude-context.md

带有 --allowedTools 限制：

# 只读分析阶段
claude -p --allowedTools "Read,Grep,Glob" "审计此代码库的安全漏洞..."

# 只写实现阶段
claude -p --allowedTools "Read,Write,Edit,Bash" "实现 security-audit.md 中的修复方案..."

2. NanoClaw REPL

ECC 内置的持久化循环。 一个具有会话意识的 REPL，它同步调用 claude -p 并带有完整的对话历史。

# 启动默认会话
node scripts/claw.js

# 带有技能上下文的命名会话
CLAW_SESSION=my-project CLAW_SKILLS=tdd-workflow,security-review node scripts/claw.js

工作原理

1. 从 ~/.claude/claw/{session}.md 加载对话历史。
2. 每个用户消息都会发送给 claude -p，并将完整历史作为上下文。
3. 响应会追加到会话文件（Markdown 作为数据库）。
4. 会话在重启后依然持久存在。

NanoClaw 与顺序流水线对比

详见 /claw 命令文档。

3. 无限智能体循环 (Infinite Agentic Loop)

双提示词系统，用于协调并行子智能体（sub-agents）进行规约驱动的生成。由 disler 开发（致谢：@disler）。

架构：双提示词系统

提示词 1 (编排器 Orchestrator)              提示词 2 (子智能体 Sub-Agents)
┌─────────────────────┐             ┌──────────────────────┐
│ 解析规约文件         │             │ 接收完整上下文        │
│ 扫描输出目录         │    部署     │ 读取分配的编号        │
│ 计划迭代             │────────────│ 严格遵守规约          │
│ 分配创意方向         │  N 个智能体 │ 生成唯一的输出        │
│ 管理波次             │             │ 保存到输出目录        │
└─────────────────────┘             └──────────────────────┘

模式

1. 规约分析 — 编排器读取定义生成内容的规约文件（Markdown）。
2. 目录侦察 — 扫描现有输出以找到最高的迭代编号。
3. 并行部署 — 启动 N 个子智能体，每个子智能体都获得：
   • 完整的规约
   • 唯一的创意方向
   • 特定的迭代编号（无冲突）
   • 现有迭代的快照（用于确保唯一性）
4. 波次管理 — 对于无限模式，部署 3-5 个智能体为一个波次，直到上下文耗尽。

通过 Claude Code 命令实现

创建 .claude/commands/infinite.md：

从 $ARGUMENTS 解析以下参数：
1. spec_file — 规约 markdown 的路径
2. output_dir — 保存迭代结果的位置
3. count — 整数 1-N 或 "infinite"

阶段 1：阅读并深度理解规约。
阶段 2：列出 output_dir，找到最高的迭代编号。从 N+1 开始。
阶段 3：计划创意方向 — 每个智能体获得不同的主题/方法。
阶段 4：并行部署子智能体（Task 工具）。每个子智能体接收：
  - 完整规约文本
  - 当前目录快照
  - 分配给他们的迭代编号
  - 他们唯一的创意方向
阶段 5 (无限模式)：以 3-5 个为一波次循环，直到上下文过低。

调用：

/project:infinite specs/component-spec.md src/ 5
/project:infinite specs/component-spec.md src/ infinite

分批策略

关键见解：通过分配确保唯一性

不要指望智能体自我区分。编排器会分配给每个智能体特定的创意方向和迭代编号。这可以防止并行智能体之间出现重复的概念。

4. 持续 Claude PR 循环 (Continuous Claude PR Loop)

生产级 Shell 脚本，在持续循环中运行 Claude Code，创建 PR、等待 CI 并自动合并。由 AnandChowdhary 开发（致谢：@AnandChowdhary）。

核心循环

┌─────────────────────────────────────────────────────┐
│  持续 CLAUDE 迭代 (CONTINUOUS CLAUDE ITERATION)     │
│                                                     │
│  1. 创建分支 (continuous-claude/iteration-N)        │
│  2. 使用增强提示词运行 claude -p                    │
│  3. (可选) 审查者阶段 — 独立的 claude -p             │
│  4. 提交更改 (Claude 生成提交消息)                  │
│  5. 推送并创建 PR (gh pr create)                    │
│  6. 等待 CI 检查 (轮询 gh pr checks)                │
│  7. CI 失败？ → 自动修复阶段 (claude -p)            │
│  8. 合并 PR (squash/merge/rebase)                   │
│  9. 返回 main 分支 → 重复                           │
│                                                     │
│  限制条件：--max-runs N | --max-cost $X             │
│            --max-duration 2h | 完成信号             │
└─────────────────────────────────────────────────────┘

安装

curl -fsSL https://raw.githubusercontent.com/AnandChowdhary/continuous-claude/HEAD/install.sh | bash

使用

# 基础：10 次迭代
continuous-claude --prompt "为所有未测试的函数添加单元测试" --max-runs 10

# 限制成本
continuous-claude --prompt "修复所有 linter 错误" --max-cost 5.00

# 限制时间
continuous-claude --prompt "提高测试覆盖率" --max-duration 8h

# 带有代码审查阶段
continuous-claude \
  --prompt "添加身份验证功能" \
  --max-runs 10 \
  --review-prompt "运行 npm test && npm run lint，修复任何失败"

# 通过工作树 (worktrees) 并行运行
continuous-claude --prompt "添加测试" --max-runs 5 --worktree tests-worker &
continuous-claude --prompt "重构代码" --max-runs 5 --worktree refactor-worker &
wait

跨迭代上下文：SHARED_TASK_NOTES.md

关键创新：一个在迭代之间持久存在的 SHARED_TASK_NOTES.md 文件：

## 进度
- [x] 为 auth 模块添加了测试 (迭代 1)
- [x] 修复了 token 刷新的边界情况 (迭代 2)
- [ ] 仍需：速率限制测试，错误边界测试

## 下一步
- 下一步专注于速率限制模块
- tests/helpers.ts 中的 mock 设置可以复用

Claude 在迭代开始时阅读此文件，并在迭代结束时更新它。这弥合了独立 claude -p 调用之间的上下文差距。

CI 失败恢复

当 PR 检查失败时，Continuous Claude 会自动：

1. 通过 gh run list 获取失败的运行 ID。
2. 使用 CI 修复上下文启动一个新的 claude -p。
3. Claude 通过 gh run view 检查日志、修复代码、提交并推送。
4. 重新等待检查（最多重试 --ci-retry-max 次）。

完成信号

Claude 可以通过输出一个魔术短语来发出“我完成了”的信号：

continuous-claude \
  --prompt "修复问题跟踪器中的所有 bug" \
  --completion-signal "CONTINUOUS_CLAUDE_PROJECT_COMPLETE" \
  --completion-threshold 3  # 连续 3 次信号后停止

连续三次迭代发出完成信号将停止循环，防止在已完成的工作上浪费额度。

关键配置

5. 去杂质模式 (The De-Sloppify Pattern)

适用于任何循环的附加模式。 在每个实现者（Implementer）步骤之后添加一个专门的清理/重构步骤。

问题所在

当你要求 LLM 通过 TDD 实现功能时，它对“编写测试”的理解可能过于死板：

• 测试 TypeScript 的类型系统是否工作（测试 typeof x === 'string'）
• 为类型系统已经保证的事情编写过度防御性的运行时检查
• 测试框架行为而不是业务逻辑
• 过度的错误处理掩盖了实际代码

为什么不使用负面指令？

在实现者提示词中添加“不要测试类型系统”或“不要添加不必要的检查”会有副作用：

• 模型会对所有测试都变得犹豫不决
• 它会跳过合理的边界情况测试
• 质量会不可预测地下降

解决方案：独立的清理阶段

与其限制实现者，不如让它彻底发挥。然后添加一个专注的清理智能体：

# 第 1 步：实现（让它彻底发挥）
claude -p "通过完整的 TDD 实现该功能。测试要彻底。"

# 第 2 步：去杂质 (独立的上下文，专注的清理)
claude -p "审查工作树中的所有更改。删除：
- 验证语言/框架行为而不是业务逻辑的测试
- 类型系统已经强制执行的冗余类型检查
- 对不可能状态的过度防御性错误处理
- Console.log 语句
- 被注释掉的代码

保留所有业务逻辑测试。清理后运行测试套件以确保没有破坏任何功能。"

在循环上下文中使用

for feature in "${features[@]}"; do
  # 实现
  claude -p "通过 TDD 实现 $feature。"

  # 去杂质
  claude -p "清理阶段：审查更改，删除测试/代码杂质，运行测试。"

  # 验证
  claude -p "运行构建 + lint + 测试。修复任何失败。"

  # 提交
  claude -p "提交并附带消息：feat: add $feature"
done

关键见解

与其添加会影响下游质量的负面指令，不如添加一个独立的去杂质阶段。两个专注的智能体优于一个受限的智能体。

6. Ralphinho / RFC 驱动的 DAG 编排 (RFC-Driven DAG Orchestration)

最复杂的模式。 一个由 RFC 驱动的多智能体流水线，它将规约分解为依赖 DAG（有向无环图），通过分层质量流水线运行每个单元，并通过智能体驱动的合并队列（Merge queue）落地。由 enitrat 开发（致谢：@enitrat）。

架构概览

RFC/PRD 文档
       │
       ▼
  分解 DECOMPOSITION (AI)
  将 RFC 分解为具有依赖 DAG 的工作单元
       │
       ▼
┌──────────────────────────────────────────────────────┐
│  RALPH 循环 (最多 3 次迭代)                          │
│                                                      │
│  对于每个 DAG 层（按依赖关系顺序执行）：             │
│                                                      │
│  ┌── 质量流水线 (单元之间并行运行) ───────────────┐  │
│  │  每个单元在自己的工作树中：                     │  │
│  │  调研 → 计划 → 实现 → 测试 → 审查              │  │
│  │  (深度根据复杂度层级而异)                      │  │
│  └────────────────────────────────────────────────┘  │
│                                                      │
│  ┌── 合并队列 Merge Queue ────────────────────────┐  │
│  │  变基到 main → 运行测试 → 落地或剔除 (Evict)    │  │
│  │  被剔除的单元带着冲突上下文重新进入循环         │  │
│  └────────────────────────────────────────────────┘  │
│                                                      │
└──────────────────────────────────────────────────────┘

RFC 分解

AI 阅读 RFC 并生成工作单元：

interface WorkUnit {
  id: string;              // kebab-case 标识符
  name: string;            // 人类可读的名称
  rfcSections: string[];   // 该单元处理哪些 RFC 章节
  description: string;     // 详细描述
  deps: string[];          // 依赖项（其他单元 ID）
  acceptance: string[];    // 具体的验收标准
  tier: "trivial" | "small" | "medium" | "large"; // 复杂度层级
}

分解规则：

• 倾向于更少且内聚的单元（尽量减少合并风险）
• 尽量减少跨单元的文件重叠（避免冲突）
• 将测试与实现保持在一起（绝不要将“实现 X”和“测试 X”分开）
• 仅在存在真实代码依赖时才建立依赖关系

依赖 DAG 决定执行顺序：

第 0 层: [unit-a, unit-b]     ← 无依赖，并行运行
第 1 层: [unit-c]             ← 依赖于 unit-a
第 2 层: [unit-d, unit-e]     ← 依赖于 unit-c

复杂度层级 (Complexity Tiers)

不同的层级对应不同的流水线深度：

这可以防止在简单的更改上进行昂贵的操作，同时确保架构更改得到彻底审查。

独立的上下文窗口 (消除作者偏见)

每个阶段都在自己的智能体进程中运行，具有自己的上下文窗口：

核心设计： 审查者绝不是编写代码的人。这消除了作者偏见（author bias）—— 这是自我审查中最常见的疏漏来源。

带有剔除机制的合并队列 (Merge Queue with Eviction)

质量流水线完成后，单元进入合并队列：

单元分支
    │
    ├─ 变基 (Rebase) 到 main
    │   └─ 冲突？ → 剔除 (EVICT)（捕获冲突上下文）
    │
    ├─ 运行构建 + 测试
    │   └─ 失败？ → 剔除 (EVICT)（捕获测试输出）
    │
    └─ 通过 → 快进 (Fast-forward) main，推送，删除分支

文件重叠智能：

• 非重叠单元以推测方式并行落地
• 重叠单元逐个落地，每次都进行变基

剔除恢复： 被剔除时，完整的上下文（冲突文件、diff、测试输出）会被捕获，并在下一次 Ralph 循环中反馈给实现者：

## 合并冲突 — 在下次落地前解决

你之前的实现与先落地的另一个单元冲突。
请重构你的更改，以避开下面的冲突文件/行。

{带有 diff 的完整剔除上下文}

阶段间的数据流

research.contextFilePath ──────────────────→ plan
plan.implementationSteps ──────────────────→ implement
implement.{filesCreated, whatWasDone} ─────→ test, reviews
test.failingSummary ───────────────────────→ reviews, implement (下一次迭代)
reviews.{feedback, issues} ────────────────→ review-fix → implement (下一次迭代)
final-review.reasoning ────────────────────→ implement (下一次迭代)
evictionContext ───────────────────────────→ implement (合并冲突后)

工作树隔离 (Worktree Isolation)

每个单元都在隔离的工作树中运行（使用 jj/Jujutsu，而非 git）：

/tmp/workflow-wt-{unit-id}/

同一单元的流水线阶段共享一个工作树，从而在调研 → 计划 → 实现 → 测试 → 审查的整个过程中保留状态（上下文文件、计划文件、代码更改）。

关键设计原则

1. 确定性执行 — 前置分解锁定了并行性和顺序。
2. 杠杆点上的人工审查 — 工作计划是最高杠杆的干预点。
3. 关注点分离 — 每个阶段都在独立的上下文窗口中由独立的智能体执行。
4. 带有上下文的冲突恢复 — 完整的剔除上下文实现了智能重新运行，而非盲目重试。
5. 层级驱动的深度 — 琐碎的更改跳过调研/审查；大型更改获得最大程度的审视。
6. 可恢复的工作流 — 完整状态持久化到 SQLite；可从任何点恢复。

何时使用 Ralphinho vs 简单模式

选择合适的模式

决策矩阵

任务是否为单个专注的更改？
├─ 是 → 顺序流水线 (Sequential Pipeline) 或 NanoClaw
└─ 否 → 是否有书面的规约/RFC？
         ├─ 是 → 是否需要并行实现？
         │        ├─ 是 → Ralphinho (DAG 编排)
         │        └─ 否 → Continuous Claude (迭代式 PR 循环)
         └─ 否 → 是否需要同一事物的多个变体？
                  ├─ 是 → 无限智能体循环 (Infinite Agentic Loop, 规约驱动生成)
                  └─ 否 → 带去杂质阶段的顺序流水线

模式组合

这些模式可以很好地组合使用：

1. 顺序流水线 + 去杂质 — 最常见的组合。每个实现步骤都有一个清理阶段。

2. Continuous Claude + 去杂质 — 在每次迭代中为 --review-prompt 添加去杂质指令。

3. 任何循环 + 验证 — 在提交前使用 ECC 的 /verify 命令或 verification-loop 技能作为关卡。

4. 简单循环中借鉴 Ralphinho 的分层方法 — 即使在顺序流水线中，你也可以将简单任务交给 Haiku，复杂任务交给 Opus：

   # 简单的格式化修复
   claude -p --model haiku "修复 src/utils.ts 中的导入顺序"
   
   # 复杂的架构更改
   claude -p --model opus "重构 auth 模块以使用策略模式"
   

反模式 (Anti-Patterns)

常见错误

1. 没有退出条件的死循环 — 务必设置 max-runs、max-cost、max-duration 或完成信号。

2. 迭代之间没有上下文桥梁 — 每次 claude -p 调用都是全新的。使用 SHARED_TASK_NOTES.md 或文件系统状态来桥接上下文。

3. 重复相同的失败 — 如果迭代失败，不要只是重试。捕获错误上下文并将其提供给下一次尝试。

4. 负面指令代替清理阶段 — 不要说“不要做 X”。添加一个删除 X 的独立阶段。

5. 所有智能体共用一个上下文窗口 — 对于复杂的工作流，将关注点分离到不同的智能体进程中。审查者绝不应该是作者。

6. 在并行工作中忽略文件重叠 — 如果两个并行智能体可能编辑同一个文件，你需要一个合并策略（顺序落地、变基或冲突解决）。

参考资料