Ralph循环（Ralph Loop / Ralph Wiggum Loop） 是2025年兴起的一种AI编程范式，核心是让AI代理在循环中持续迭代、自我修正，直到任务真正完成，而非单次执行后就停止。
得名于《辛普森一家》中性格执着、屡败屡试的角色Ralph Wiggum，象征“不完成不罢休”的迭代精神。由AI工程师Geoffrey Huntley提出，后被Anthropic官方采纳为Claude Code插件。
传统AI编程是“单次提示→执行→结束”，AI常因主观判断提前终止，导致代码不完整、测试失败。
Ralph循环通过外部循环+停止钩子（Stop Hook） 强制AI持续工作：
DONE、测试通过）。Ralph循环不依赖AI上下文记忆，而是用文件系统与Git保存进度：
specs/需求清单，明确验收标准。IMPLEMENTATION_PLAN.md。# 无限循环直到任务完成
while :; do
cat PROMPT.md | claude-code --continue
done
7 个月前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 ? 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API ?️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if || || ; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": , "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": , "status": "pending" } ] } ? 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log ? 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } ? 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 ? 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
2 年前
通义灵码是阿里云出品的一款基于通义大模型的智能编码辅助工具。
3 天前
曾鸣教授新书《智能：AI时代的商业、组织与战略的本质》核心观点围绕“AI重构商业底层逻辑”展开。
12 天前
Artium AI 于 2026 年 7 月 29 日正式宣布加入 OpenAI 合作伙伴网络，并升级为 OpenAI 高级合作伙伴（OpenAI Advanced Partner）。 Artium AI 将与 OpenAI 深度合作，基于 OpenAI 的技术栈与 API，为企业客户打造、部署和扩展定制化的智能体 AI（Agentic AI）方案，实现日常任务自动化。 AI产业发展阶段的变化以及咨询公司在其中的新定位，核心要点如下： 事件背景： 美国智能体AI软件咨询公司Artium AI宣布成为OpenAI高级合作伙伴，为企业打造定制化智能体AI方案。 行业现状转变： 过去两年AI领域的竞争集中在“大模型能力”上，但企业发现拥有GPT并不等于具备AI能力，真正缺乏的是如何让AI融入业务流程。 咨询公司角色升级： 未来的AI咨询公司不再仅仅提供战略建议或报告，而是要直接帮企业设计连接系统并执行任务的“AI员工”，交付一支数字化员工团队。 软件行业的重新定义： 传统软件是固定流程，而进入智能体时代后，软件变成了动态能力。企业的需求从“买哪个系统”转变为“能不能让AI帮我完成这件事”。 最终结论： AI产业的竞争正从“大模型战争”转向“企业智能化重构战争”。未来最有价值的公司可能不是卖工具的，而是能帮助企业理解自身流程、将AI转化为真实生产力的公司。
18 天前
AI并非效率工具，而是商业决策的核心伙伴。
21 天前
Chief AI Officer（Chief Artificial Intelligence Officer），首席人工智能官。
25 天前
“如果技术不存在，就无从监管。” 黄仁勋进一步强调，如果AI产业无法蓬勃发展，“那就没什么可监管的了”。
25 天前
很多人以为 AI 时代的终局是“无人工厂”。黄仁勋在柏林给的版本，温柔得多，也更德国：电子不取代原子；它让原子被理解得更深。
