顶层 1% 的人跑 Claude Code 都是设计 loop 而不是写 prompt

Ray Amjad · 16:04 · 发布 2026-06-09 · 7350次观看(截至抓取) · 观看原视频

主旨

Boris Cherny 与 Open Claude 创始人最近带出的范式:用 Claude Code / Codex 不再是写 prompt 让 agent 行动,而是写 loop 让 loop 替你调 agent;loop 本身成为工作单元,人只剩”设计那个跑的 loop”这一层抽象。

核心论点

1. 抽象层级再升一档:从 prompt agent → loop 替你 prompt agent — Boris 与 Open Claude 创始人本周公开说过这件事,目前是已发生范式转移。(→ 详解1)
2. 手动”code review → fix → verify → merge → 检查错误”已经是手工 loop — 你以为在做 5 步提示,实际在驱动一个 5 节点的循环,只是没用关键词固化它。(→ 详解2)
3. loop 的基本盘 = 输入 + 变化 + 完成判据 — 输入可以是 spec/prompt/事件,变化可走 auto research / ralph / goal loop,完成判据是退出循环的硬关。(→ 详解3)
4. loop 必须有 memory 否则是 stateless — 每次跑都从零开始就废了;memory 落点 = Git/file system / Slack / Airtable,Slack 的 reaction 还能当决策面。(→ 详解4)
5. 外 loop 给内 loop 喂新 spec,实现”自迭代” — 监控竞品 + 自动写新 spec → 内 loop 实现 → 不满意就隔日再试(竞争监控 outer loop 例子)。(→ 详解5)
6. meta loop:让 loop 检查别的 loop 找机会 — 模型对”什么 loop 值得跑”还没品味,但能给你 10-20 个候选,你做最终 taste 过滤。(→ 详解6)

知识点详解

1. 抽象层级:从 prompt 到 loop 00:17

Ray 用一段拼接的引用开篇:Boris Cherny 接受采访时说”we’ve actually leveled up, I think again, to the next level of abstraction where I don’t prompt Claude anymore. I have loops that are running. They’re the ones that are prompting Claude and kind of figuring out what to do. My job is to write loops.”00:17

这条引用把”用 agent”切成三个历史阶段:

• 1-2 年前:手写代码 + AI 自动补全一行/一个函数
• 6-12 个月前:同时开 6 个 agent 窗口,人在它们之间切换 prompt
• 现在:写 loop,loop 自己调 agent

Ray 直接说”most people are at stage two”——绝大多数人还在”六个窗口切来切去”阶段;而要进 stage 三,你得写 loop。这条判断在他后续整支视频里反复被”为什么阶段二不够用”支撑。

关键反转:loop 不是”让 agent 更聪明”,loop 是”让你只写一次”——以前每天手敲 5 段 prompt 串成一个工作流,现在写一个 loop 文件,以后每天自动跑。

2. 你已经在驱动一个手工 loop(只是没用关键词固化) 04:33

Ray 拆解了一个他称为”几乎所有人都在做”的工作流:

1. 来回跟 coding agent 磨 spec
2. 写好 spec 后让它”implement this for me”
3. 让另一个 code review skill(或自带的 code review)启 sub-agent 找问题
4. 跟它说”fix these issues”
5. 再做一轮 code review,来回 2-3 次
6. 让它跑测试 + 用 Chrome MCP 测 UI
7. 修测试出的问题
8. 开 PR、merge
9. merge 后再 prompt:“slash loop 2 minutes, check for errors” — 2 分钟跑一次,看错误率是否上升
10. 出错就 fix,fix 完回 step 3

他点出:你看,你已经在干两件事——“code review ↔ fix”是一组,“verify ↔ fix”是另一组,这是两个 loop,只是你手动驱动,每次靠打字把它们拼起来。换句话说:升级到 stage 三 = 把这两条手工 loop 写进一个 loop 文件,人只剩”写 spec”和”批准/拒绝”两个动作。

这也解释了为什么 “slash loop” 和 “slash goal” 这种循环命令有市场:它们就是把”五段连续 prompt”封装为一条命令。

3. loop = 输入 + 变化 + 完成判据 11:07

Ray 给了 loop 的最小三要素:

• 输入:可以是 spec、prompt、时间点、数据源事件(Ray 自己的 Sentry loop 每天 24h 触发;competitor loop 每天定时查竞品)
• 变化(运行方式):auto research、ralph loop、goal loop,任选一种或组合
• 完成判据 + 退出条件:不设硬关 = loop 永远不停,slop 累积

Ray 自陈”every single time the loop runs, it will be stateless”——这意味着不挂 memory 的 loop 每次都从零跑(他自己的 Sentry 修 issue loop 之所以能每天进步,是因为它”can just look at the commits from yesterday”——git history 就是 memory)。

更细的退出条件:Ray 自陈用”if the optimization led to a better result, it would keep it. If not, it would discard it”——benchmark 跑分比对作为硬关,类似 auto research 的正 EV 判定。

4. memory:loop 进化的关键 11:25

memory 是 stateless loop 变 idempotent / compounding 的关键。Ray 给的两条路径:

• 文件系统/Git = 内置、零配置。Sentry loop 每天看 yesterday commits,知道哪些已修,跳过
• 外部 memory layer(Slack / Airtable) = 把决策面也搬上去

他重点演示了 Slack 当 memory + decision surface 的用法:在 Slack 开一个 channel 专门做”landing page 优化”,loop 跑完就 post 一条消息”我看到这 5 个问题,推荐这样改,预计 uplift X%“。他自己在 Slack 里给那条消息加 emoji reaction(比如 4),下一次 loop 跑时 agent 读上一条 message + reaction,自动按”用户选的方案 4”改 landing page。这是一个用 emoji 当按钮的极简 human-in-the-loop。

这一段也呼应了2026-03-30-Claude Code 三个浏览器 agent 工具速览 里强调的”Slack 是个被低估的 I/O 层”:

决策面:Slack Memory 层:Git / Airtable / Slack 历史 输入面:用 reaction 触发

5. outer loop 给 inner loop 喂新 spec 08:48

Ray 的最大杀手锏是 outer/inner loop 组合。最直观的例子:监控竞品。

inner loop: 实现一个 spec(已成熟)
outer loop:
  1. 每天查竞品 LinkedIn / X / changelog
  2. 发现新 feature → browser use / computer use 拆解怎么做的
  3. 写新 spec "我们也要做这个"
  4. 让人 approve
  5. 触发 inner loop 实现
  6. 不 approve 就 await 明天

这条 pipeline 实现了”产品决策”和”产品实现”两层 loop 解耦,人只过 spec 这一个关口,实现完全自动化。

他还举了两个非编码场景:

• ML 模型优化:inner loop 跑 goal loop 找性能改进;outer loop 每天扫 archive.org 看新论文,触发 inner loop 试新策略,超过 baseline 通知 Slack
• 冷邮件:inner loop 对 10% 名单 A/B 测试;outer loop 每周扫假收件箱里竞品邮件,看能否用 AI 复现对手套路

这三个例子都共享同一架构:一个”发现机会”loop + 一个”实现机会”loop。这是”自动自迭代”的最小单元。

6. meta loop:loops 自己也成可被监控的对象 14:40

Ray 提到的”meta loop”是更激进的形态:一个 loop 监控所有现有 loop、看哪些产生业务影响、找出没在跑但应该跑的 loop 候选。

When making this loop, you may give it access to everything inside of your organization as well as the ability to view existing loops, and then it could kind of identify which loops are working and making impacts on the bottom line, which are not working, and then also create new loops for you as well with your approval, of course.14:40

他同时强调一个限制:模型对”什么 loop 值得跑”还没品味(可能给 10-20 个候选让你 taste 过滤),所以 meta loop 是”扩选项”而不是”做决策”。

这一节和 2026-06-15-Omnigent编排多个AI编码助手的元Harness 的 “Meta Harness” 概念是同一类思考——当单层 agent 不够用时,加一层 orchestrator。但 Ray 的版本更通用(loop 是 unit,不是 agent)。

7. 抗熵增:slop 会随 loop 复利累积 13:07

Ray 提了一条容易被忽略的代价:memory 好的 loop 会让 slop 也复利累积。他用”entropy is slowly increasing over time anyway, and agents, because they can do a lot of work, basically collapse that into a much shorter time”点出 agent 把熵增速度加速了。

具体防御:

• adversarial code review = 在 loop 里塞独立审视者(他自己前文那个 code review 子 loop)
• 外部 oracle = test pass / production error / Stripe 营收 / cold email reply rate——这些”现实世界的硬数据”做最后判官
• outer loop 给 inner loop ground = 周期性对照外部数据源,防止内 loop 自我闭环跑偏

这条洞见解决了 “loop 越跑越脏怎么办” 的实际工程问题,不是抽象哲学。

可执行步骤

• 列出你当前手敲的 3-5 步连续 prompt(比如”实现 → code review → fix → verify → merge”),把它当成一个 loop 写下来。
• 给这个 loop 选一个 trigger:定时(每天 9 点)/ 事件(Sentry 报错) / 外部 API 钩子(GitHub PR 合并)。
• 给这个 loop 挂一个完成判据:跑 N 次后仍未通过 X / 总成本超 Y / 错误率超 Z 时退出并通知。
• 选一个 memory 落点:Git(自动)/ Slack reaction(决策面)/ Airtable(结构化历史),先选 Git 零成本起步。
• 试一个 outer loop:每天定时查 1 个外部数据源(竞品 changelog / archive.org / 假收件箱),把”新东西”转成 spec,内 loop 跑。
• 估算 token 经济性(用 Ray 自陈的口径:“4.1M tokens,产出价值要 > 投入”),不为价值只求”自动化”的话停手。

关联

• 2026-06-15-Omnigent编排多个AI编码助手的元Harness:印证——“用 loop 替手调 agent”是 agent 编排层在 stage 三的具体形态;本片给出 loop 三要素 + 外/内/meta 架构,Omnigent 笔记给具体平台实现。
• 2026-06-18-Loop engineering 真香还是噱头：Claude Code 与 OpenClaw 主创力推背后的三大代价与 Harness 化方案:互补——Cole 那篇给出 loop engineering 的”三大代价 + Harness 化方案”(用 harness 工程化消解副作用),Ray 这篇给 loop 的”基本架构 + outer/meta 上行”——同一现象两面看。
• 2026-03-08-Claude Code 六个层级:进阶——“六个层级”笔记里 vibe coder → AI 开发者 → harness engineer 的上升路径,本片把”harness engineer 之上”再升一档,变成”loop designer”。
• 2026-01-19-Claude Code 完全解读:印证——Ralph Loop 在”完全解读”里是”任务清单 + 自主推进”循环,Ray 这里是把 Ralph / goal / auto research 收编为 loop 内部的”变化”组件。
• 2026-04-08-Claude Code 无头循环搭被动收入自动化:印证——“无头循环”是 loop 的早期工程化实现,本片把”无头循环”放进更广义的 loop 分类里(outer/inner/meta)讨论。

术语

• loop(在 agent 编码语境下指:输入 + 变化 + 完成判据的循环结构,unit of work 是 loop 而非 prompt)
• inner loop(实际实现 spec 的执行 loop)
• outer loop(给 inner loop 喂新 spec/输入的监控 loop)
• meta loop(监控现有 loop、识别值得新增 loop 的 loop)
• stateless(每次运行不带历史;在 Ray 语境下是”无 memory 的 loop”反义)
• memory layer(loop 持久化状态的落点,常见为 Git / Slack / Airtable)
• adversarial code review(让独立审视者 review 实现,作为反熵增手段)
• Loopy AI(Ray 即将上线的 masterclass,主打 loop engineering,视频里 30% 终身折扣 + 30 天退款)

金句

I have loops that are running. They’re the ones that are prompting Claude and kind of figuring out what to do. My job is to write loops.00:17

Boris Cherny 接受采访的引言,被 Ray 反复用作 stage 三的标志。

Now, if we’re moving on stage three, we want to have a unit of work being the loop itself, rather than just a prompt.07:46

把”工作单元”从 prompt 升级为 loop,是整支视频的核心定义。

Memory is really great for our loops because it means that they can compound over time, but one of the problems with that is that we can have our slop compounding as well.13:07

memory 的双刃剑:进步复利与 slop 复利同时发生,是 loop 设计的核心权衡。

立场与利益

• 与利益同向(待印证):Ray 即将上线 “Loopy AI” masterclass,主打 loop engineering,视频末尾直接推”30% off lifetime + 30 天退款”。整支视频”loop 是未来”是课程预热。采信前应独立验证:在不上课的情况下,仅凭视频中提到的 outer/inner/meta 架构与三要素,自己能否在 1-2 周内搭出第一条 working loop。
• 利益中性:Ray 引用 Boris Cherny 采访(已公开)+ Open Claude 创始人发言(已公开),这是社区内已发生讨论的事实,可独立溯源。
• 与利益反向(可信度最高):Ray 自陈”this kind of stuff, then do subscribe to the channel because I only upload videos when I feel like there’s something worth saying”——主动声明”不为频率发内容”,反而提升本片主张的严肃性。
• 利益证据:视频末尾有 4 次”link down below”指向 Loopy AI 课程 + email newsletter——属强带货结构,但分寸把握尚可(把”范式讲解”放主体,带货放末尾)。

价值定位

• 适合谁:已经熟练用 Claude Code / Codex 跑 sub-agent 流程,想摆脱”每天手敲 5 段 prompt”重复劳动的实践型工程师;或者在搭”自动自迭代”产品但缺架构范式参考的 indie builder。
• 解决什么:把”loop 是 unit of work”这一新抽象落地为可用的 3 要素架构 + outer/inner/meta 三层范式,给已有 coding agent 流水线提供”下一档升级路径”。
• 认知 vs 实操:认知偏多(范式讲解),实操略少(没有端到端 demo 跑一个完整 loop,只演示片段如 Slack reaction 决策面)。
• 与 2026-06-15-Omnigent编排多个AI编码助手的元Harness 重叠,但本片独有:loop 的 3 要素定义 + outer/inner/meta 三层架构 + memory 落点选型决策;Omnigent 那篇给具体的多 agent 协同平台,本片给更通用的 loop 范式。

自检问题

1. 为什么 Ray 说”你已经在驱动一个手工 loop”?这条判断的工程意义在哪? 答案:因为你日常”code review → fix → verify → merge → 检查错误”5 步是 loop 结构,只是没用关键词固化;升级到 stage 三 = 把 5 步写进一个 loop 文件,人只剩”写 spec”和”批准”。详见 详解2。附 04:33
2. loop 的最小三要素是什么?为什么”完成判据”最容易被忽略? 答案:输入 + 变化 + 完成判据;完成判据缺失 = loop 永远不停 = slop 累积,Ray 强调”if not, it would discard it”这种硬关是 loop 设计的核心。详见 详解3。附 11:07
3. Slack 同时作为 memory 和 decision surface 的工程意义是什么? 答案:loop post 一条消息到 Slack 既是写入历史(memory),又是触发下一轮动作的入口;人用 reaction 即可”按键”批准/否决某个方向,等于用 emoji 做 human-in-the-loop 按钮。详见 详解4。附 11:25
4. outer loop 给 inner loop 喂新 spec 的工作流如何抗熵增? 答案:outer loop 周期性对照外部数据源(竞品 changelog / archive.org),给内 loop ground truth;同时 memory 落点选 Git/外部 oracle,加 adversarial code review 子 loop。详见 详解7。附 13:07
5. meta loop 是什么?Ray 强调的”模型对品味还不行”如何影响你搭 meta loop 的策略? 答案:meta loop = 监控现有 loop 找新 loop 候选的 loop;模型给 10-20 个候选,人做 taste 过滤。搭 meta loop 时应把它定位为”扩选项”而非”做决策”,否则会跑偏。详见 详解6。附 14:40