最近 AI 圈很紅一個詞：不要一直「prompt」你的 AI，而是去「設計一個會自己跑的 loop」。但 loop 到底是什麼？Claude Code 官方團隊剛出了一篇文章把它講清楚——分成 4 種類型、各自什麼時候用。這篇幫你整理，最後也分享我自己真的用它蓋了一個「會自動產內容、還會自己看數據進化」的 agent。
這是誰說的？
這篇出自 Claude Code 官方團隊（@ClaudeDevs，作者 @delba_oliveira）。他們對 loop 的定義很簡潔：
「Loop ＝ agent 不斷重複『做事』的循環，直到滿足某個停止條件。」他們特別提醒：不是每件事都需要複雜的 loop，先從最簡單的解法開始，需要才升級。
從「你盯著它做」到「它自己做」
其實你每次丟一個 prompt 給 AI，就已經是一個最小的 loop 了——它讀你的需求、動手、檢查、需要就再來一次、然後回你。差別只在：這個循環是「你在每一輪手動推」，還是「它自己一直跑到完成」。
所謂設計 loop，就是把「推」這件事，從你手上，一步步交給系統。
官方分的 4 種 loop
他們用「怎麼觸發、怎麼停、你交出什麼」把 loop 分成 4 種，越後面越自動：
- Turn-based（回合式）：你一個 prompt 觸發、它覺得做完就停。你交出的是「檢查」——用 SKILL 把驗證步驟寫給它，讓它自己檢查更多。適合探索、還在決定要什麼的時候。
- Goal-based（目標式，/goal）：設一個明確的完成條件＋回合上限，達標才停。你交出的是「停止條件」。適合你已經知道「怎樣算完成」（例如測試全過、分數到 90）。
- Time-based（時間式，/loop、/schedule）：定時觸發，跑到你喊停或工作結束。你交出的是「觸發」。適合週期性、或要盯外部系統（例如每天早上摘要、監看 PR 有沒有新 review）。
- Proactive（主動式）：由事件或排程觸發、過程中沒有人。你交出的是「整個 prompt」。適合固定、明確、會一直來的工作（bug 回報、issue 分類、批次遷移）。這是最進階的一種。
我自己怎麼用：一個會「自己進化」的 proactive loop
看完這篇我很有感，因為我最近就在跑一個這種 loop——一個會「定時自動產出內容、還會讀成效數據自己調整」的 AI agent，正好是官方講的最進階那種 proactive loop。
它的運作就是官方那套的組合：排程定時觸發（time/proactive）、每次產出後自己去抓真實成效數據、再依數據自動改寫隔天的策略方向——等於把「檢查」和「改進」也寫進了系統，不是我每天手動盯。而且我讓「聰明的模型負責規劃，便宜的模型負責重複執行」，成本才控制得住。跑了一段時間，它真的會愈跑愈準。
想把 loop 做好，官方的兩個心法
官方也提醒，loop 的產出品質，取決於你在它周圍搭的系統。兩件事最關鍵：
維持品質：把「怎樣算好」用 skill 寫清楚讓它自己驗證、用第二個 agent 做審查（換一個沒有包袱的視角）、而且遇到問題別只修那一次，要把修正寫回系統、讓之後每一輪都更好。
控制 token：選對工具跟模型（小事別動用一堆 agent、有些用便宜模型就好）、把「完成條件」講清楚、大規模跑之前先小範圍試水溫、能用腳本做的確定性工作就別讓 AI 每次重想。
怎麼開始？
官方給的起手式很實在：看你現在每天在做的事，挑一個「你是瓶頸」的任務，問自己——哪一塊可以交出去？你寫得出驗證的檢查嗎？目標夠明確嗎？這工作是不是定時會來？只要有一塊答得出來，就能開始設計你的第一個 loop。設好就跑跑看，觀察它卡在哪、會不會做過頭，然後大膽去調它。
本文整理改寫自 Claude Code 官方團隊（@ClaudeDevs，作者 @delba_oliveira）的文章《Getting started with loops》，結合我自己實作一個自動化 AI agent 的經驗。原文：x.com/i/article/2074204645845839872
留言
張貼留言