🔄 Claude Code 官方拆解「迴圈」設計：讓 AI Agent 自動化搞定複雜任務的四種模式

🔄 Claude Code 官方拆解「迴圈」設計

✅ 本文拆解 Anthropic 官方發布的 AI Agent「迴圈（Loop）工程」方法論，解析回合制、目標式、時間式與主動式四種迴圈的運作機制與實戰應用。

最近在 X（原 Twitter）上，開發社群開始瘋傳「設計迴圈（Loop）」這套說法。許多人認為，如果你不懂得幫 Agent 設計合適的 Loop，就無法真正發揮 Claude Code 的進階實力。

然而，當你深入搜尋「迴圈」時，往往會發現十個人有十種說法。為了解除這個混亂，Claude Code 團隊（Delba de Oliveira 與 Michael Segner）親自在官方部落格發布了《Loop engineering: Getting started with loops》方法論，為這套新型態的 AI 開發思維定調。

本篇文章將以結構化的視角，帶你快速掌握「迴圈工程（Loop Engineering）」核心概念、四種設計模式，以及在實務開發中如何防範 Token 暴漲的自我防禦機制。

---

🌟 什麼是「迴圈工程」？

官方對 AI 迴圈（Agentic Loop）的定義非常直白：

「迴圈，就是代理（Agent）重複執行『收集上下文、採取行動、驗證工作』的循環，直到滿足特定的停止條件為止。」

很多人以為「迴圈」就是讓 AI 重複做同一件事，例如在 Prompt 裡寫：「請幫我一直修改這個 Bug，直到你滿意為止。」

但這樣設計出來的往往只是一個「不斷跳出確認視窗問你是否要繼續」的手動流程，而不是真正省力的自動化。要將手動改成真正的自動化迴圈，必須在設計前釐清以下四個維度：

mindmap
  root((Loop 設計維度))
    Trigger(1. 觸發方式)
      Prompt(使用者指令)
      Timer(時間排程)
      Event(外部事件)
    Exit(2. 停止條件)
      Self_Judge(模型自判)
      Goal_Met(目標達成)
      Max_Turns(回合上限)
    Tools(3. 內建工具)
      Skills(SKILL.md 技能)
      Goal_Cmd(/goal 指令)
      Schedule_Cmd(/schedule /loop)
    Fit(4. 任務適配)
      Short_Term(短期探勘)
      Measurable(可量化目標)
      Cloud_Routine(常駐維護)

---

🏗️ 四種迴圈模式與指令對照

不同任務需要的「人眼盯場」程度不一樣。官方將其拆解為四種基本迴圈，並給予對應的實務工具：

迴圈類型	觸發方式	停止條件	內建工具/指令	適合場景
1. 回合制迴圈	使用者輸入 Prompt	模型自判或需要人工補充	SKILL.md (自訂技能)	短期、探索性的任務
2. 目標式迴圈	使用者 Prompt 與上限	目標達成或觸發上限	/goal (v2.1.139+)	有明確、可驗證目標的任務
3. 時間式迴圈	固定時間間隔	手動停止或 7天自動到期	/loop 或 /schedule	例行重覆或需要與外部系統互動
4. 主動式迴圈	外部事件 / webhook	各任務獨立目標結束	auto mode + dynamic workflows	長時間執行、全自動的 CI/CD 整合

---

🛠️ 迴圈模式深入剖析

1. 回合制迴圈 (Turn-based loops) — 善用 SKILL.md 做自我驗證

這是最基礎的模式。每當你對 Claude 下達指令，它就會啟動一個回合制迴圈。

為了避免 Agent「憑感覺」回報工作已完成，升級的作法是編寫一份 .claude/skills/verify-frontend-change/SKILL.md 檔，作為 Agent 驗收標準：

---
name: verify-frontend-change
description: 在宣告 UI 改動完成之前，必須進行端到端驗證。
---
# 驗證前端改動驗收標準

1. 啟動開發伺服器，並於瀏覽器中打開被修改的頁面。
2. 檢查主控台是否有任何 Error 或 Warning。
3. 使用 Chrome Devtools MCP 跑效能追蹤，核心指標（Core Web Vitals）不能衰退。

有了這套規則，Claude 就能在回合結束前自主完成驗收，降低人工確認的來回次數。

---

2. 目標式迴圈 (Goal-oriented loops) — /goal 自動評估機制

對於無法一回合搞定的複雜任務（例如代碼重構、優化 Lighthouse 分數），應使用 /goal 指令：

/goal 把首頁的 Lighthouse 效能分數提升到 90 分以上；如果 5 回合後仍未達成則停止並說明原因。

在目標式迴圈中，會引入一個 評估模型（Evaluator Model）。每當主模型想要收工時，評估模型就會跳出來檢查條件是否達成。如果沒達標，就會直接被打回票、退回重寫，直到目標達成或達到設定的回合上限。

⚠️ 注意：評估模型只根據對話中呈現的證據來判斷，它不會自己去讀檔案或跑測試。因此，你的 Agent 必須把測試輸出或效能報告明確打印在對話中。

---

3. 時間式迴圈 (Time-based loops) — /loop 與 /schedule

當你需要定期執行任務，比如每隔一段時間爬取外部資訊或監測 CI 狀態時，可使用時間式迴圈：

• 本地執行 /loop：

  /loop 5m 檢查我的 PR 狀態，有審查意見或 CI 失敗就自動處理。

  限制：必須保持目前終端 Session 啟用，電腦關機或終端關閉即失效，且任務最長 7 天自動到期。
• 雲端常駐 /schedule（研發預覽階段）：
  這會將任務託管至 Anthropic 的雲端基礎設施，即便關閉本地電腦仍會持續運行，但目前排程最小間隔為 1 小時。

---

4. 主動式迴圈 (Proactive loops) — 多代理協作

這是最複雜的自動化境界。結合 auto mode 與 dynamic workflows (v2.1.154+)，讓多個子 Agent 進行分工與對照審查：

flowchart TD
    A[偵測到新 Bug 回報] --> B[Routines 觸發]
    B --> C[子 Agent A / B / C 平行開啟 Worktree 嘗試不同解法]
    C --> D[由 裁判 Agent 進行代碼交叉審查]
    D --> E[自動開 PR 並執行自動化測試]
    E --> F[最終人工一鍵合併]

---

🚀 實戰心法：如何設計高效率的迴圈？

迴圈跑出來的效果好壞，取決於你圍繞著它所建立的工程配套系統：

• 🚀 保持既有代碼乾淨：AI 寫代碼是「模仿遊戲」，專案代碼越亂，它學到的壞習慣就越多。
• 🚀 明確界定收斂條件：如果連你都講不清楚驗收標準，硬套 /goal 只會讓 AI 瞎繞、白白燒錢。
• 🚀 重複工作交給腳本：有些確定性的步驟（例如轉換 PDF、格式化），請寫成 Bash 或 Python 腳本讓 Agent 直接執行，不要每次都讓 AI 重新推理，這能省下大量 Token。
• 🚀 即時監控預算：善用 /usage（查看本回合 Token）與 /workflows 指令（查看子 Agent 的 Token 消耗），發現異常時大膽按下中斷。

---

📂 參考資料

• Anthropic 官方部落格: Loop engineering: Getting started with loops
• Claude Code 官方文件: Loops and goal setting (/goal)
• Claude Code 官方文件: Scheduled tasks and /loop

---

本文採用 Creative Commons 姓名標示-非商業性-禁止改作 (CC BY-NC-ND) 授權轉載。