Fable 5 极限续命五天，Claude 榨干指南：从「人肉搬运工」到「甩手掌柜」就差一个 Loop

TL;DR：

本来以为 Fable 5 要凉，结果 Anthropic 一波「不讲武德」延期，顺便甩出 Claude Cowork 移动端。更刺激的是，ClaudeDevs 官方手把手教你「循环工程」——从此不用再写提示词，让 AI 自己卷自己，你只管当个「甩手掌柜」。

---

剧情反转，Fable 5 硬生生续了五天

本来剧本都写好了：一觉醒来，Fable 5 正式退出订阅套餐，GPT-5.6 接档发布，趁势抢走 Claude 的流量。结果现实来了个「不讲武德」——Fable 5 官宣延期 5 天，推迟到当地时间 12 号。Anthropic 还顺带上了 Claude Cowork 移动端，让你关掉笔记本也能持续搬砖。¹

有人紧赶慢赶把额度清了个零，结果官方反悔，彻底没招了；也有人手里还攥着大把额度没来得及用。既然额度反正要用，怎么「榨干」才不亏？这成了眼下最实际的问题。

刚好，ClaudeDevs 最近发布了一篇《Getting started with loops》指南，主题正是当下大火的 AI 词汇：循环工程（Loop Engineering）。²

让 AI 自己卷自己，官方认证的四种「循环姿势」

以前我们怎么用 AI 写代码？喊一句「加个按钮」，它写一段代码，你跑一下，报错了再把报错交给它……这叫提示词工程，本质上你是个 人肉搬运工。

循环工程要干的事，就是把人类从这个循环里跳脱出去。Anthropic Claude Code 的创造者 Boris Cherny 直接摊牌：「我早就不写提示词了，我现在只写循环。」³ 翻译一下就是：扔个目标给 Claude，自己转身去喝咖啡，让 AI 自己跟自己死磕。

ClaudeDevs 官方给出了四种核心循环方式，自动化程度一档比一档高。

回合制循环：一步一验收，像给实习生发入职手册

这是最基础的循环形式，还是你下一条指令、AI 干一件事。区别在于你可以提前写一份 SKILL.md 文件，把验收标准白纸黑字定下来。

有点像给实习生发一份入职手册：活干完不许直接来找我，先自己启动本地测试服务器，去浏览器里真点一下那个按钮，确认它有反应，截图为证；再检查控制台一个报错都不能有，最后跑一遍 Lighthouse 性能测试。所有检查项全绿，才准来交作业。¹

放到写作或办公场景里，也可以用同样的思路：让 AI 每次改完稿后，顺带检查标题是否吸引人、事实是否有出处、段落是否连贯。

目标制循环：只认结果，不管过程

复杂任务往往不是一轮对话能搞定的。这时候可以用 /goal 命令，给 AI 设一个机器可验证的硬指标——比如「Lighthouse 评分达到 90 分以上」——再加一个最大重试次数。然后 AI 就会在后台自己试、自己测、自己改，要么达标，要么撞到次数上限为止。

这一招的妙处在于，AI 不用再去猜「怎样才算好」这种玄学问题了。90 分就是 90 分，89 分就接着改。 模糊的审美判断，变成了确定性的数字。

定时制循环：把杂活变成定时闹钟

写代码之外，程序员每天还有一堆重复性杂活：代码审查、回复评论、修复跑崩的 CI。例如输入 /loop 5m 检查我的 PR，回复别人的审查意见，并修复跑崩的 CI，系统便会每隔 5 分钟自动执行一次巡检，变成一个持续运行的后台守护进程。²

这招放到内容和办公场景里，也可以用来每天定时汇总行业新闻、整理会议纪要、扫描选题线索，或者每周生成一份学习复盘。那些过于繁琐的事情，可以先交给 AI 处理一遍。

主动循环：事件驱动的自主工作流，三个 AI 赛马修 Bug

这是自动化程度最高的形态。官方给的典型场景是：设定系统每小时自动检查 Bug 反馈区，在分发、处理、回复完所有新 Bug 之前，不许停。

更夸张的是修 Bug 环节。系统可以同时开 3 个相互隔离的工作区（worktrees），让 3 个 AI 各写一套解决方案，再拉来一个专门的「裁判 AI」做对抗性审查，最后择优合并。¹ 一个 Bug，三个方案，赛马机制。 以前这是大厂才玩得起的奢侈，现在是几行配置的事。

循环工程背后，还有一套基础设施

真正能进入生产环境的循环系统，远比一个 while(true) 复杂。Addy Osmani 在解释循环工程时提到，一套可用的循环至少离不开几类基础组件：自动化机制、Worktrees、Skills、插件和连接器，以及子 Agent。³

• 自动化负责让任务反复发生，可以是定时任务，也可以是 hooks 或事件触发。
• Worktrees 负责给多个 Agent 提供彼此隔离的工作区，避免相互污染进度。
• Skills (SKILL.md 文件) 本质上是一本持续更新的「踩坑手册」，把人类老员工的经验变成 AI 新员工的肌肉记忆。
• 插件和连接器（如 MCP）让 AI 接触真实系统——读取工单、查询数据库、调用 CI、向 Slack 发布状态。只在本地文件夹里打转，AI 更像一个代码助手；接入真实工具后，它才开始像一个执行角色。
• 子 Agent 解决制衡问题。写代码的模型给自己打分，通常会太客气。更可靠的方式是让一个智能体负责实现，另一个智能体负责审查。多花一些 Token，换来一次独立判断。

从更大的视角看，循环也有层级。Andrew Ng 曾把现代软件开发拆成左环、中环和右环：左环交给 Agent 快速写代码、运行测试；中环由工程师审架构、调方向；右环来自真实用户、线上数据和商业反馈。越靠近左环，越适合自动化；越靠近右环，越需要人的判断。⁴

别只顾着爽，翻车指南也请收好

机器转得越快，翻车也越快。不加约束的自动化循环，很容易把代码质量写崩、把 API 账单烧穿。ClaudeDevs 给了几条保命建议：¹

• 引入独立的验证者。 大模型在评估自己生成的代码时往往会表现出盲目的自信（即「幻觉成功」）。用 /code-review 技能，让一个全新上下文的独立 AI 专门负责代码审查。
• 确定性任务使用脚本代替模型推理。 填写 PDF 表单等流程明确的任务，最好让 AI 编写并运行一个固定的执行脚本，这比每次都调用大模型推理要经济高效。
• 大规模运行前先进行小范围测试。 动态工作流一旦启动，可能会衍生出大量的子 Agent。建议先选取一小块任务试运行，并定期使用 /usage 命令检查 Token 余额，设定明确的预算上限。

Anthropic 自己先吃了螃蟹。他们已经把 Claude Code 接入到 Pull Request 处理流程中，系统在夜间安排大量 Agent 执行长期任务。相关数据显示，引入这类流程后，Anthropic 内部人均代码交付量提升了约 70%。¹

但效率提升的背后，隐藏成本也不小。最先浮出水面的，是技术「理解负债」——AI 能快速产出通过测试的代码，但团队未必真正理解其逻辑。同时，高速循环下的自动修补也会让架构逐渐变形，代码表面更「健壮」，底层却更混乱。成本失控也是一大难题——多个 Agent 同时运行，很容易把个人 Token 额度烧穿，也很容易让企业账单突然变得难看。⁵

Loop 不只是程序员的事

说了这么多，眼下关于循环工程的讨论主要集中在 agentic coding，但这并不意味着循环只属于软件工程师。

提示词时代，人类还在亲自分派每一步动作；循环时代，人类开始设计岗位、流程和验收标准。AI 不再只是回答问题，它被安排进了一套持续运转的组织结构里。ChatPRD 创始人 Claire Vo 给过一个更好的理解角度：把自己想象成一个管理者。 你设计的不是一句提示词，而是一个岗位。这个岗位可以是软件工程师，也可以是客服、产品助理、运营助理，甚至是一个每天自动整理信息、跟进事项、处理反馈的执行角色。¹

从表面上看，大家从重复劳动中解脱了，但这反而对我们提出了更高的要求：只会下达简单指令的人可能会被慢慢取代，而那些懂得如何设计目标、管理权限、理解大局的人，会变得越来越不可或缺。

说到底，AI 抢走的不是你的工作，是你「执行」的那部分工作。剩下所谓判断的部分，才是接下来最值钱的东西。

---

• 循环工程
• Claude
• 甩手掌柜
• AI自动化
• 榨干指南