来源：X @mvanhorn
理解AI工作流基础：Goal、Loop与Schedule
AI工作流的效率和实用性是当前关注的焦点。在深入探讨具体的AI循环应用之前，理解其核心命令至关重要。主要有三种基本命令，它们代表了AI完成任务的不同阶段和模式。
Goal：目标驱动型循环
/goal <condition>命令代表一种目标驱动的工作模式。AI会持续工作直到满足预设的可验证条件，然后停止。这种模式适用于“修复直到测试通过”的场景，一个快速模型会在每个步骤后检查是否已达标。Claude Code和Codex都提供了类似的功能，支持设置、暂停、恢复和清除控制。
Loop：实时监控型循环
/loop <interval> <prompt>命令则是在用户会话期间，按照设定的时间间隔重复执行任务，例如每5分钟检查部署状态。它适用于需要实时监控和干预的场景。目前Codex尚无直接的/loop命令，但可以通过shell脚本或Codex应用中的线程自动化实现类似功能。
Schedule：离线自动化例程
/schedule <description>命令用于创建云端例程，即使在电脑关闭时也能运行，比如“每天早上9点进行PR审查”。这是一种“在我睡觉时也能工作”的模式。Codex的自动化功能提供了类似的解决方案，支持日、周或自定义定时任务，并将结果发送至收件箱。
需要注意的是，许多人会将“routine”误认为是一个命令，但在Claude Code中，调度器是/schedule，在Codex中则是通过应用内的“Automations”实现。正确理解这些命令是有效构建AI循环的关键。
15个热门AI循环应用案例
以下是根据跨平台（X、TikTok、Reddit、YouTube, GitHub）数据汇总的15个高效AI循环应用案例，它们展示了AI在实际工作中的广泛潜力。
1. 构建-测试-修复循环
这是一个双智能体协作的循环，由代码构建器和测试检查器组成。构建器编写代码，检查器运行测试、类型检查和代码规范检查，并报告问题。它们来回协作直到代码干净无误，有效解决了单次执行智能体容易产生缺陷的问题。
2. Boris的验证器循环
此循环结合Claude Code和高级模型，并带有关键的验证器。任务被输入循环，同时通过验证器不断识别和消除瓶颈。验证器是许多人容易忽略但至关重要的部分，它确保了对智能体输出的可靠性。
3. 循环工程师启动器
这是一个快速入门工具，提供了一个代码库框架和知识模板。用户可以克隆模板，指向自己的仓库并运行，无需从头构建构建、观察、验证和停止的流程，为希望快速部署AI循环的用户提供了便利。
4. 五分钟仓库维护器
该循环由Peter Steinberger使用，在工作时每五分钟运行一次。智能体自主决定需要清理的内容，进行小范围、经过验证的维护工作，而非依赖硬编码脚本，其核心在于智能体自主决策的能力。
5. 计划-生成-验证-修复循环
这个有界限的循环通过“计划、生成、验证、修复、重复”的步骤来解决失控问题，所有内容都保存到文件中，并设置了五次迭代的硬性上限。这使得用户只需审查最终版本，并增加了任务的安全性。
6. roborev：提交后审阅工具
roborev是一个免费开源的代码审阅工具，它通过安装Git钩子，在每次提交后触发后台审阅，并将发现的问题反馈给智能体修复循环。它是一个内嵌验证器的可安装工具，可以与Claude Code、Codex和Gemini CLI集成。
7. 目标元技能
此技能的唯一作用是将模糊的需求转化为严谨的目标，明确结果、验证方法、不应触及的范围以及何时停止。它强调了指令清晰对于AI智能体工作的重要性。
8. 每日处理15,000封邮件的循环
该循环展示了一个处理酒店客户邮件的完整架构：它循环检查收件箱，对邮件进行分类和起草回复，仅将需要人工干预的邮件进行升级处理，是一个生产级的自动化邮件处理方案。
9. 反螺旋循环
这个循环在Reddit上被认为是设计最佳的循环之一。它运行自主构建、审计和验证周期，直到通过机器可检查的契约。它包含明确的反螺旋停止机制，如无进展检测、重试上限、翻转检测和预算限制，以防止智能体陷入重复的死循环。
10. 编写循环而非代码的例程
Claude Code的创建者提出，他不再写代码，而是编写能生成代码的循环，让AI在他睡觉时完成编码工作。据称，30%的代码现在完全由循环生成。这种模式通常是一个定时例程，监控PR并在一夜之间解决可修复的问题。
11. 人工干预评审队列
这是一个无代码社群中非常实用的模式：工作流运行后暂停，并向用户发送带有“批准”、“修改”或“跳过”按钮的消息，将人工审查视为一个有提醒和截止日期的独立队列。其停止条件是人工的批准而非通过测试。
12. 生产错误清理（目录）
这个目标型循环会读取生产日志，将实际可操作的错误与噪音分离，用测试修复可操作的错误，并打开PR。其价值在于错误分类，需要明确定义“可操作”的含义以避免追逐虚假问题。
13. 质量连胜循环（目录）
此循环强调了“它能工作”的脆弱性。它不会在第一次通过测试后就停止，而是测试真实的场景，只有在连续通过一系列测试后才宣告成功。一次通过可能是运气，连续通过才是可靠性。
14. 对抗性审查工具（发货命令，目录）
Lukas Kucinski的Clodex循环让Codex在合并前审查Claude的拉取请求。这意味着必须有两种不同模型家族的同意才能合并代码，增强了代码的质量和安全性。
15. 完成契约工具（发货命令，目录）
这个循环解决了AI智能体常常声称“完成”但实际并未完成的问题。在任何工作开始前，它会撰写一份关于“完成”意味着什么以及需要哪些证据来证明每个要求的契约，并在没有证据的情况下拒绝宣布成功。
成本与验证：AI循环的两大挑战
虽然AI循环带来了巨大的潜力，但有两个关键警告不容忽视：成本和验证。
成本控制
AI循环的浪漫愿景是“一夜之间数千个智能体构建公司”，但现实往往是高昂的账单。一些公司在几个月内烧光了年度AI预算，个人用户也可能因为一条命令而花费数千美元。因此，每个目标都应设置预算，每个循环都应有上限。可以通过设置“或在N次迭代后停止”的条件来限制任务执行，例程也应有每日上限。在离开前设置好上限，而不是在收到账单后才后悔。
验证机制
验证是AI循环成功的关键。一个无法区分好坏输出的循环，不仅不能节省工作，反而会更快地产生错误的答案。正如有人所说，“一个无法真正区分好坏输出的循环只会更快地自动化错误”。编写循环本身容易，但难点在于内嵌的验证器。/goal命令之所以使用独立的模型作为判断者，而非让工作者自我评估，正是出于这个原因。最强大的循环（如Boris的验证器、构建-测试-修复对）都引入了第二个独立的视角进行验证。
启用AI循环的行动指南
AI循环技术的转变是真实且深刻的。停止在循环中充当核心角色，转而撰写目标、循环或例程，赋予它们预算和自我检查的能力，然后去决定接下来要构建什么。如一位疲惫的实践者所说，当智能体工作时，你可以“去散步，给妈妈打电话，做一顿健康的饭菜，照顾好自己”。
如果你想立即开始，并不需要一次性部署所有15个循环。研究表明，以下三个入门循环是高效且易于实施的：
- 构建-测试-修复循环：作为
/loop运行，以便在观察时可衡量地进行改进。 - 五分钟维护器：在工作时作为
/loop运行，进行持续的、小规模的代码维护。 - 编写循环PR例程：作为
/schedule在夜间运行，以便在早上醒来时看到完成的工作。
为每个循环设置预算和验证器，你就能在短时间内建立起一个高效的AI循环工作栈。你也可以探索Matthew Berman的Forward Future Loop Library等目录，获取更多可复制粘贴的循环方案，但本文的重点在于已在实际中运行并获得认可的真实案例，帮助你过滤掉噪音，快速上手。