一、Loop 究竟能解决哪些开发痛点？
使用 Claude Code 编写代码时，您大概率遇到过这样的情形：
把需求提交给 AI → 它忙碌一阵子 → 生成一堆代码 → 然后戛然而止。
测试没通过？它会贴出报错信息，眼巴巴等您下达下一步指令。逻辑没写完？它可能自顾自宣称"任务已完成"便草草收工。
这并不是 Claude 不够智能，而是其默认机制是"单轮执行"——完成一轮推理后便认定任务终结，不会主动回头运行测试、定位缺陷、再行修正。
Loop（循环机制）恰恰填补了这一空白：让 Claude 自动进入"编写代码 → 执行验证 → 发现偏差 → 再次优化"的闭环流程，持续迭代，直到达到您定义的"完成标准"才真正收手。
因此，入门阶段您只需盯牢三件事：
loop 并不神秘，它本质上是放大您提示词效果的杠杆——指令写得清晰，产出令人惊艳；指令含糊不清，它便陷入无休止的"猜谜游戏"。完成标准必须量化（例如测试通过、构建成功、接口调通），绝不能是"做得更好一些"这类主观表述。永远设定上限（最大迭代次数），这是控制成本的安全阀，忽略它无异于让 AI 随意消耗您的额度。二、三种使用方式，从零基础到高效实战
坦白说，入门阶段不必贪多求全。您只需掌握以下三种，根据自身场景灵活选用即可。
用法 A：bash 循环（无需安装，最简方案）
适合批量处理一系列可列举的文件或任务，比如大规模代码迁移、批量审查。本质上是借助普通的 shell 循环反复调用 claude -p（headless 模式，传入提示词后执行完毕即退出）。
claude -p "列出所有需要从 React 迁移到 Vue 的文件" > migration-list.txt# 第二步：循环处理每个文件for file in $(cat migration-list.txt); doclaude -p "把 $file 从 React 迁移到 Vue" --allowedTools "Edit,Bash(git commit:*)" --max-turns 40 --max-budget-usd 2done
需要特别留意：--allowedTools 用于限定 AI 可调用的工具范围，防止越界操作。--max-turns 和 --max-budget-usd 是成本刹车器，务必携带。
用法 B：Ralph Loop 插件（安装后即可使用，适合长周期任务）
适合从零搭建全新项目，或可以后台挂机运行的长期任务——睡前启动，醒来验收成果。它通过"停止钩子"在 Claude 每次试图退出时进行拦截，将任务重新喂回，直到 Claude 输出您约定的完成关键词。
安装要求（Claude Code 2.0.76 及以上版本）：
# 添加插件市场/plugin marketplace add anthropics/claude-code# 安装 Ralph Wiggum 插件/plugin install ralph-wiggum@claude-code-plugins# 重载插件/reload-plugins
运行指令：
/ralph-wiggum:ralph-loop "<任务描述>" --completion-promise "DONE" --max-iterations 10
三个关键参数：任务描述越详尽越好；--completion-promise 是任务完成后必须输出的关键词，循环据此判断是否终止；--max-iterations 是最大迭代轮次，切勿省略。
如需中途停止: /ralph-wiggum:cancel-ralph
用法 C：自定义 /loop 命令（验证最可靠，适合严肃工程）
适合在既有项目中修复缺陷或重构代码，且项目已配备能输出"通过/失败"的检查命令（如 test、lint、类型检查等）。
其精髓在于将"编写"与"验证"拆分为两个 Agent：一个专职写代码，一个专职跑检查，并且在工具层面就未赋予修改文件的权限，因此它无法自欺欺人地声称"任务完成"。这种方式更加稳健，但需要编写若干配置文件，属于进阶技巧。入门阶段可先跳过，等熟练掌握 A 和 B 后再回头研究。
三、入门实战：三个循序渐进的真实案例
以下三个案例，您直接照做就能切身体验 Loop 的强大威力。建议从案例一开始，逐步深入。
案例一：5 分钟快速体验——编写一个带测试的小函数
这是最适合初次尝试的任务：规模小、可验证、能清晰看到"每一轮都在进步"。
/ralph-wiggum:ralph-loop "写一个校验邮箱地址的 Python 函数。要求：处理边界情况，并写 3 个测试用例。全部完成后输出 DONE。" --completion-promise "DONE" --max-iterations 5
您可以全程观察：第一轮可能只有一个基础实现，后续几轮逐步加入边界处理、优化错误提示、补全测试覆盖。输出质量一轮高过一轮——这正是 Loop 的核心价值。
案例二：优质提示词 vs 劣质提示词（这一节决定您的成败）
同样的任务，提示词质量稍有差异，结果便天差地别。这是 Loop 入门最为关键的一课。
劣质提示词——Claude 无法理解"好"的标准，极易陷入无限循环：
做一个 todo API，做好一点。
优质提示词——给出明晰的完成清单：
/ralph-wiggum:ralph-loop "做一个 todo 的 REST API。完成标准：- 所有增删改查接口都能用- 有输入校验- 测试通过，覆盖率 80% 以上- 有 README 写明 API 文档全部满足后输出 COMPLETE。" --completion-promise "COMPLETE" --max-iterations 15
牢记这个公式：任务描述 + 可勾选的完成清单 + 完成关键词。清单中的每一条都应是"能客观判断对错"的，这样 Loop 才有清晰的推进方向，避免陷入"猜测用户意图"的内耗。
案例三：内嵌"自我纠错"机制——TDD 循环
将迭代规则直接写入提示词，让测试结果成为循环的"燃料"——每次失败都让下一轮更加精准。
/ralph-wiggum:ralph-loop "用 TDD 方式实现购物车的'添加商品'功能：1. 先写会失败的测试2. 实现功能3. 运行测试4. 如果有测试失败，调试并修复5. 需要的话重构6. 重复直到所有测试通过全部变绿后输出 DONE。" --completion-promise "DONE" --max-iterations 20
进阶小技巧——为"卡住"预留出口，在提示词末尾追加：
如果 10 轮后仍无法完成：- 记录是什么卡住了进度- 列出你试过的方法- 给出替代方案建议完成时输出 DONE，被卡住时输出 STUCK。
这样一来，即便任务未能完成，您也能获得一份诊断报告，而非白白消耗 token。
四、何时使用、何时避免使用
先说适合 Loop 的场景：
成功标准可量化（测试通过、构建成功、接口调通）需要反复"编码 → 测试 → 修复"的迭代性任务全新项目从零到一的增量搭建可以后台挂机、睡前启动、醒来验收的长周期任务不适合 Loop 的场景：
需要主观判断的决策（UI 设计、架构选型）简单的一次性任务（没必要套用循环）成功标准本身模糊不清（没有明确关键词能触发结束）生产环境定向排查缺陷（这类场景更需要人来主导）五、新手最应牢记的 5 条成本控制与避坑原则
--max-iterations / --max-turns 必填参数。大多数任务 10–20 轮足够，复杂项目 30–50 轮。没有上限的循环 = 没有终点的马拉松。先用较小的上限试跑，验证提示词逻辑无误后，再逐步增加轮次。完成标准越具体越节省成本。模糊的需求会让 AI 反复猜度，而猜测就是在烧钱。简单任务选用便宜的模型配置即可，不必每轮都拉满配置。大任务要分阶段。与其让 AI 一口气搭建整个电商系统，不如拆解为"阶段 1：登录鉴权 → 阶段 2：商品目录 → 阶段 3：购物车"，每个阶段验证通过后再进入下一阶段。
结语
Loop 改变的不是 Claude 的智力水平，而是它的工作范式——从"给你一个答案"进阶为"直到做对为止"。
而您的角色也随之转变：从前您是质检员，需要肉眼紧盯每一行 AI 生成的代码；如今您是需求方，只需输入任务、设定完成标准、审查一遍最终成果即可。
技术本身并不复杂，唯一的门槛在于：您得学会把"什么叫完成"表达清楚。
从案例一开始，今天就动手跑一次试试。
