近日，AI 编程领域迎来一项关键能力升级。多家主流 AI 编程工具在短短 11 天内，陆续推出或整合了名为“目标模式”的新功能，重点解决 AI 助手在执行复杂开发任务时中途停止、难以实现“闭环交付”的行业痛点。这一波功能升级的起点，竟然来自一位澳大利亚开发者分享的三行简洁脚本。

这一核心功能的意义，在于让 AI 编程助手能够持续执行任务，直到用户设定的目标条件被真正满足。这意味着开发者只需设定清晰目标后即可暂时离开，AI 便可自主推进开发流程，无需人工频繁介入或反复催促。业内普遍认为，这项改进标志着 AI 编程正在从“生成代码”进一步迈向“完成项目”的关键阶段。

三行脚本引发的连锁反应

事件的源头，是开发者 Geoffrey Huntley 分享的一个名为“Ralph Loop”的 bash 脚本。它的逻辑非常直接：通过无限循环，持续把同一个提示词发送给 AI 助手，并将任务进度同步记录在文件系统和 Git 历史中。当上下文窗口被耗尽后，系统会自动启动新的实例，并从已有文件中读取状态后继续执行。

这个看似原始却非常有效的思路，很快被行业头部团队吸收采用。从 4 月 30 日开始，OpenAI 的 Codex 率先上线了类似能力。随后，Hermes Agent 和 Anthropic 旗下的 Claude Code 也在 5 月初相继跟进，推出了各自的 /goal 或等效目标模式功能，最终形成了 11 天内三家集中发布的局面。

三大实现路径各有侧重

虽然三家的目标一致，都是提升 AI 编程工具的任务完成率与持续执行能力，但具体技术方案各有特点。OpenAI Codex 的方案更强调持久化和断点续传。它会将目标保存为本地数据库记录，即使关闭终端或重启系统，既定目标也不会丢失。模型通过结构化工具汇报进度，并在 token 预算耗尽时触发“软着陆”，而不是被硬性中断。有用户测试显示，系统连续运行 14 小时、期间暂停 5 小时后，仍能从断点恢复，并最终完成一个设备驱动项目。

Hermes Agent 的设计更进一步，它将问题从单智能体执行升级为多智能体团队协作。其核心是一个基于本地 SQLite 的看板系统，能够把复杂任务拆分为多个子任务，再分配给不同配置的 Agent worker 并行处理。与此同时，系统还加入了五层防烂尾机制，包括心跳检测、僵尸回收、退出拦截、幻觉拦截和重试预算，以提升任务执行的稳定性和最终交付的可靠性。

Claude Code 则采用了“执行与验收分离”的巧妙思路。用户设定完成条件后，Claude 负责执行开发任务。每轮工作结束后，系统会调用一个独立的轻量级模型（如 Haiku）充当“裁判”，依据对话记录判断当前任务是否已经达标。如果尚未完成，裁判模型会给出明确原因，并将反馈返回给 Claude 进行下一轮优化。这种机制能够有效避免 AI “自我判断完成”却实际上并未真正交付的情况。

争夺工作流入口的关键战役

这场看似围绕一个小功能展开的竞争，实质上是对 AI 编程工作流入口的争夺。Claude Code、Codex 和 Hermes Agent 分别代表了 Anthropic、OpenAI 以及兼容多模型生态（如 DeepSeek V4）的不同力量。谁能更早让开发者形成“设定目标即可离开”的使用习惯，谁就更有机会建立更强的用户黏性和更高的迁移壁垒。

原因在于，一旦开发者把项目规划、进度跟踪、错误回滚等整套开发流程都整合进某个 AI 编程平台，切换到其他平台的成本就会显著上升。因此，/goal 这类目标模式功能不仅仅是一次产品体验优化，更是构建Agent 工作流护城河的重要战略动作。AI 编程工具的竞争重点，也正从单纯的代码生成质量，进一步延伸到整个软件开发流程的自动化能力、任务闭环能力与交付可靠性。