Loops 详解：Claude、GPT、Mira 与真正有效的东西
一篇 905 万浏览的爆款文章，拆解 AI loop 的五大 building blocks、token 成本复利陷阱、Ralph Wiggum 静默烧钱 loop——以及一个把自家产品和巨头并列的产品软广套路。读懂它，你比时间线上 99% 的人更懂 loop。
工程级深度解读
先看穿这篇文章的「双层结构」：A 层是真正的工程干货，B 层是产品软广。把 Mira 和 Claude/GPT 并列是经典的偷换概念——前者是应用层，后者是基础模型。
这篇文章的双层结构
真·工程干货
loop 工程方法论：五大 building blocks、Verify 是心脏、maker-checker、cost per accepted change、判断是否需要 loop 的四条。与 Anthropic 官方 agent 工程指南高度一致，值得逐字精读。
产品软广
引出 Mira（Telegram bot），讲它能连 500+ app、做内容、当教练。作者与 Mira 存在强利益相关。标题把 Mira 和 Claude、GPT 并列是精心设计的修辞——应用层冒充基础模型。
loop 五大 building blocks（全文唯一值钱的部分）
作者这部分写得相当准确，下面用工程视角补全含可验证的对应物。Claude Code 和 Codex 现在这五个全内置了。
| # | 部件 / 职责 | 在 Claude Code / Codex 里的对应物 | 可验证 |
|---|---|---|---|
| 1 | Automation（自动化/心跳） — 让它"会自己跑"，而不是你只跑一次 | /loop（按间隔重跑）、/goal（跑到条件成立）、hooks、cron / GitHub Actions |
✓ 可验证 |
| 2 | Skill（可复用指令） — 把规则/模式/禁区存成文件，按名调用 | Claude Code 的 SKILL.md、Anthropic Agent Skills |
✓ 可验证 |
| 3 | Sub-agents（干活/检查分离） — 写手和审查者用不同 agent，甚至不同模型/不同 effort | Claude Code 的 Task / Agent 工具、多 subagent 并发 | ✓ 可验证 |
| 4 | Connectors（连接器） — 让 agent 真去行动（开 PR、@ 人），而非只"建议" | MCP servers、GitHub / Linear / Slack 集成 | ✓ 可验证 |
| 5 | Verifier（验证器/闸门） — 自动拒绝坏输出，唯一决定 loop 帮你还是烧你钱 | 测试、类型检查、lint、build | ✓ 可验证 |
最关键的洞察在第 3 和第 5 条：maker-checker 分离（让模型 A 写、模型 B 查）解决了学术界说的 self-grading bias；而没有 verifier 的 loop = 烧钱机器。
DIY 对比：手搓 vs Claude Code 原生 vs Mira
把文章刻意隐去的选项补回来，这才是完整的决策图景。注意"被作者刻意忽略的竞品"那几行——尤其是 Claude Code 官方 Telegram channels。
| 维度 | 手搓（cron + LLM API + 自写 verifier） | Claude Code 原生（/loop + skill + subagent + hooks + MCP） | Mira（Telegram bot） |
|---|---|---|---|
| 搭建成本 | 高（要写代码、托管、鉴权） | 中（会写 prompt + skill 即可） | 低（发消息描述需求） |
| 可控性 | 完全 | 完全 | 黑盒 |
| 成本透明 | 完全透明（你直接付 API） | 完全透明（你自己的 API key） | 不透明（"免费"背后接付费 LLM API） |
| 数据安全 | 自己掌控 | 自己掌控 | 发给第三方 |
| 适合任务 | 重型、定制化、生产级 | 中重型工程、coding | 轻量生活/办公自动化 |
| 生态连接 | 自己接 | MCP（官方标准，越来越丰富） | Composio 500+ app |
被作者刻意忽略的竞品（沉默的证据）
- Claude Code 官方 Telegram channels（@trq212，Anthropic Claude Code team，2026-03-19 发布）——用 Telegram 直接控制 Claude Code session，比 Mira 更深度集成、更可控
- ChatGPT 的 scheduled tasks / Operator
- n8n、Zapier AI、Make（成熟的工作流自动化平台）
- Cursor、Replit、Devin（coding agent）
选型决策框架（基于你的真实场景）
- 写代码、改代码库、跑测试 → Claude Code 原生（/loop + subagent + verifier），你已经有，不需要 Mira
- 重复性工程任务，每周 ≥ 1 次，有客观成功标准 → 搭正式 loop（四条全满足才搭）
- 一次性任务 → 一个好 prompt，别上 loop
- 轻量生活/办公自动化 → n8n / Zapier / Make 或 Mira，但先想清楚数据要不要发给第三方
- 质量是主观口味（写作、设计）→ 别用 loop，人类判断还是赢
两个被严重低估的指标
每个被采纳改动的成本
比"花了多少 token"重要十倍。loop 的产出要经过人工 gate，只有被你采纳的才算数。跑出 10 个 PR、merge 3 个、扔 7 个——那 7 个的 token 成本是纯浪费。接受率 < 50%，loop 就是负 ROI。
静默烧钱循环
Geoffrey Huntley 提出：agent 过早宣布"完成"然后退出，但 loop 调度器不知道，继续触发、继续花钱、产出为零。不报错，只在你睡觉时悄悄扣账。防御手段：硬迭代上限 + 真正的 verifier 闸门。
一、全文翻译
作者 Anatoli Kopadze（@AnatoliKopadze，"Adapt or die"），2026-06-20 发布，905 万浏览 / 4352 赞 / 649 转发。A 层干货部分逐字翻译，配工程视角的旁注。
多数人怎么用 AI？
AI 进到每个人手里已经好几年了。但大多数每天都在用它的人，用的却是最慢的方式：敲一个请求，等，改，再问，全程手动。
不是因为更快的方式有多复杂，而是因为没人给他们看过更快的方式长什么样。
更快的方式是一个 loop（循环），而现在，全世界最顶尖的 AI 工程师只关心这一件事。这篇文章补上的是「没人给你解释过」的那一块。
读完之后，你会比时间线上几乎所有人都更懂 loop：它是什么、底层究竟怎么运作、什么时候值得用、什么时候是个坑、如何在 Claude 或 ChatGPT 里手搓一个基础版，以及哪些简单的 loop 值得在你自己的生活里跑起来。
Loop 是什么？
一个 prompt（提示词）是一条指令。一个 loop 是一个 目标，AI 会持续朝着它工作直到达成。把它理解成一个递归目标（recursive goal）：你定义一个目的，AI 反复迭代直到完成。
prompt 给你一个答案然后等你决定下一步。loop 则是自己跑完整个循环：Plan → Act → Verify → Fix → Repeat，其中 Verify 是核心。
这五个里，有三个干了几乎全部真正的活，也正是人们最容易搞错 loop 的地方：
Verify（验证）是 loop 的心脏
没有对结果的真实检查，你拥有的不是一个 loop，而是 agent 在反复附和自己。检查这一步，把「重复」变成「进步」。它可以是一个硬测试（"代码能不能通过"）、一个可衡量的条件（"这个数是不是高于 X"）、或者一个让模型对照打分的评分量表（rubric）。没有这道闸门，就是 agent 给自己的作业打分——而干活的那个模型，打分宽松得离谱。
State（状态）是让 loop 能学习的东西
每一轮，AI 必须记住自己已经试过什么，否则它会永远重复同一个错误。一个真正的 loop 会在旁边记一份小记录：什么做完了、什么失败了、下一步是什么。明天的运行是从断点续上，而不是从零开始。这也正是它开始变贵的地方。
停止条件（stop condition）是让它保持清醒的东西
一个没有出口的 loop，要么跑到成功，要么崩掉，要么掏空你的账户。每一个严肃的 loop 都有两种停止方式：成功，以及一个硬上限（"试了 8 次之后，停下来汇报"）。跳过这一步，你就造了一台能白白跑一整夜的机器。
你到底需不需要一个 loop？
多数文章在你搞清楚「什么时候它是个错误」之前，就先把 loop 卖给你了。这里有一个真正严肃的人会用的测试。只有当下面四条全部成立时，才值得搭一个 loop：
少打一个勾，就把它留在手动 prompt。整个话题的诚实版本是：loop 工程是真实的，但多数人还不需要那个重版本。
为代码而生的那一个版本
Loop 先在软件领域爆发，因为代码是这个世界上最容易验证的东西。测试通过或失败，没有可争辩的余地。底层看，一个真正的 loop 由五个 building blocks 组装而成（Claude Code 和 Codex 现在全内置了）：自动化（心跳）、技能（可复用指令）、子代理（干活/检查分离）、连接器（让它去行动）、验证器（闸门）。
把这些叠起来，你就得到了大团队现在大规模运行的东西：同一个活儿上 looping 的 agent 舰队。有个工程师用这样一个 loop，在大约六天里把一整个代码库从一种编程语言重写到另一种语言——这活儿手工干要花将近一年。而它带着一个 demo 永远不会展示的代价。
没人提的成本
Loop 跑在 token 上，而 token 就是钱。问题不在于每一步都花钱。问题在于成本怎么 compound（复利式增长）。
loop 每转一圈，agent 就重新读一遍它的上下文：目标、代码、上一个结果、什么失败了。这一整堆每一次迭代都被送进模型，而且每一轮都在变大。一个跑十次的 loop，成本不是十个 prompt。它是十个各自越来越大的 prompt。
那个真正重要、却几乎没人追踪的指标，是 cost per accepted change（每个被采纳的改动的成本）。接受率低于 50%，它花出去的比它给你的多。
loop 还会静默失败。工程师 Geoffrey Huntley 把它叫作 "Ralph Wiggum loop"：agent 过早判定自己完成了，在一个半成品上退出，loop 却继续跑、继续花钱，同时什么都不产出。没有一道能让活儿「挂掉」的硬闸门，loop 不会崩溃——它会在沉默中给你计费。
真正有效的顺序
如果你真要搭一个，顺序比工具更重要。跳过前面、去调度一个你还没手动跑可靠的活，正是 loop 在你睡觉时炸掉的方式。
先手动证明
手动跑可靠，证明这个活可以稳定完成。
再硬化它
加 verifier 闸门、迭代上限、错误处理。
然后才自动化
接 cron / hooks / /loop，让它自己跑。
同一个思想，用于你的真实生活（→ B 层软广开始）
剥掉代码和成本，剩下的是一个简单、真正有用的概念：一个自己运行的任务，按调度或在某事发生的那一刻，不需要你记住它或在场。
它叫 Mira，住在 Telegram 里。你像跟朋友发消息一样跟它说话，它跑起来的 loop 叫作 Skills（技能）。作者声称它连 500+ app（Composio）、有长期记忆、是 model-agnostic。
注意：这部分是产品转化层。Mira 的"免费"是获客话术——它接的是 GPT/Claude/Gemini 的付费 API。你的数据发给第三方。作者只字未提 Anthropic 2026 年 3 月发布的官方 Claude Code Telegram channels。
这对你到底意味着什么
loop 不是趋势，是一次谁在干活的转移。AI 不再等你推着它走过每一步，而是开始自己跑完整个活儿。
话虽如此，这不是你应该去追逐、或强行塞进它不属于的地方的东西。更多时候，你只会为了什么都没有而烧钱。
二、苏格拉底对话
loop 到底新在哪，我要不要上 Mira？——通过对话推演，带出"任何把概念科普和特定产品焊在一起的文章，先问被省略的官方方案是什么"。
三、个性化洞察
基于 QA 工程师 + 重度 Claude Code 用户 + 已有 skill/自动化体系的身份，这篇文章的价值是验证性的、不是启发性的——它讲的"重版本 loop"，你已经在做了。
1. 你不需要 Mira，你已经是重版本 loop 的实践者
你日常用的就是文章说的「skill（SKILL.md）+ automation（定时任务）+ sub-agents（多 subagent 并发）+ verifier（QA 背景，测试自闭环就是你的闸门）」。文章 B 层推的 Mira 是给"不会写代码、想要轻量生活自动化"的人，不是给你。
你可以怎么做：把五大 building blocks 当 checklist，审计你现有的 skill 体系——哪个 skill 缺了 verifier 闸门？哪个该拆成 maker-checker 双 agent？
2. cost per accepted change 纳入 skill 评估
你有 quality-eval skill，可以加一个维度：一个 loop/skill 跑出来的结果，你的采纳率是多少？
你可以怎么做：在重复性 skill（follow-builders、ai-news-digest）上加"人工采纳率"统计，低于 50% 的就该加 verifier 或换更强模型，而不是让它空转烧 token。
3. Ralph Wiggum loop 命名了你踩过的坑
你 CLAUDE.md 里那条"禁止裸启动常驻进程"、cleanup-qmd-mcp-orphan 脚本——本质就是在防"loop 静默失败堆积"。这篇文章给了你一个理论框架：不是"孤儿进程"，而是"verifier 闸门缺失导致的静默烧资源"。
你可以怎么做：下次再写定时任务，先问它有没有硬迭代上限 + 真正的成功判断？没有就别上 cron。
4. 先手动证明 → 硬化 → 再自动化（最被低估）
文章这个"顺序"洞察是全文最被低估的——你跳过手动验证直接上自动化的地方，就是你半夜被叫起来 debug 的地方。
你可以怎么做：在 skillify（提取技能）工作流里加一道前置门——任何要固化为自动化 skill 的流程，必须先手动完整跑通 3 次并记录失败点，才允许自动化。
5. 这篇文章本身是值得拆解的内容产品范本
它的"干货引流 + 产品转化"结构、把自家产品和巨头并列的修辞、用真概念给软广背书的手法——是技术自媒体的成熟套路。905 万浏览、4352 赞证明它有效。
你可以怎么做：正向用（你的干货是真的、转化的是你自己认可的产品），反向用（看到别人文章时 3 秒识别出"A 层干货 / B 层软广"的分界线，不被带节奏）。
带走的判断力
任何把"概念科普"和"特定产品"焊在一起的文章，先问一句：被省略的那个官方/开源方案是什么？
中文在上
Any article that welds "concept explainer" to "specific product" — first ask: what's the official / open-source option they left out?
精选评论
从 133 条回复里挑出有信息量的——包括当场抓出流程图方向错误的读者，和指出"这不就是 Unix batch job"的犀利一问。
有信息量的评论
作者未回应的质疑