AI循环：Claude、GPT和Mira，到底什么才是真正好用的

核心结论：所谓 Loop，不是“多问几轮提示词”，而是把 AI 从“每次等你推一下才动”的工具，升级成“围绕目标自己规划、执行、验证、迭代”的递归系统。它的关键不在模型更强，而在 验证、状态、停止条件 这三样是否完整；Claude Code / Codex 已经把这套循环基建内置好了，而 Mira 把它做成了 Telegram 里的 zero-code 版本。

8 个独立知识节点

• Loop 循环：提示词是单条指令，循环是“AI 自己跑完的递归目标”。你不再一轮轮地决定下一步，而是只给目标，AI 自己规划、自己做、自己检查、自己修补弱点，直到达成标准。
• 五步骨架：DISCOVER → PLAN → EXECUTE → VERIFY → ITERATE。真正决定循环成败的，不是“执行”本身，而是“验证 / 状态 / 停止条件”这三步是否扎实。
• 验证心脏：没有真正的 Verify，循环就会退化成“AI 给自己改作业”。验证可以是自动化测试、类型检查、构建通过、明确阈值，也可以是一套打分规则；没有关卡，就没有进步。
• 停止条件：没有出口的循环，要么空转烧钱，要么半成品退出。一个像样的循环至少要有两种停止方式：成功，以及硬性上限（例如 8 次迭代就停，然后汇报剩余问题）。
• Ralph Wiggum 循环：Geoffrey Huntley 用来形容“AI 太早觉得自己做完了”的安静失败模式——它停在半成品上，但循环还在跑、还在烧 token、却没产生有效结果。
• 五个积木：自动化、技能、子代理、连接器、验证器。Claude Code / Codex 现在已经把这些都内置：/loop、/goal、hooks、skills、subagents、MCP/外部工具、自动化验证闸门。
• 子代理分工：把“写的人”和“审的人”拆开。写手又快又便宜，审稿人又慢又严格；让同一个模型自己给自己打分，往往太心软，质量很难稳定。
• 采纳率与成本：单个中等任务的循环大约 50K–200K tokens。真正重要的指标不是“跑了几轮”，而是“每个被采纳的修改花了多少钱”。采纳率低于 50% = 这条循环在亏钱。

关联图谱

上游（基于 / 来自）

• [[Claude-Code作者Boris-我已经不写prompt了我写loop]]：Boris Cherny“我不写 prompt，我写 loop”的理念底稿，本文是在用户侧把它讲清楚的长文版
• [[loonggg-Claude-Code-技能心法-11条建议]]：本文“五个积木”中的 Skill 设计心法，与 Claude Code 团队官方经验互证
• [[Claude-Code架构深度解读-Agent系统的真正护城河不在模型-而在-Harness]]：本文的 Loop/验证/停止条件，其实都是 Harness 基建的不同切面

下游（应用于 / 验证于）

• 编程循环：代码迁移、测试修复、lint/类型错误收敛这类“目标明确 + 可验证”的场景
• 轻量手搓循环：在 Claude / ChatGPT 里直接贴一段“目标 + 严格标准 + 自检协议”的提示词，低成本跑通最小版本
• Mira zero-code 循环：把循环门槛降到 Telegram，通过 Composio 串起 500+ App，面向更广泛的非工程用户

同级（横向 / 并列）

• [[深思SenseAI-Loop-Engineering-验证才是瓶颈]]：本文强调“验证是循环的心脏”，那篇从更硬核的工程视角讲“验证器才是产品”
• [[深思圈-530万人-自循环-提示词]]：同主题的普通用户教育版，本文更系统、框架更完整
• [[oh-my-codex-让CodexCLI拥有专家团队]]：本文“子代理分工”的早期 Codex 实践样本
• [[深思圈-problem-first把方案翻转回问题]]：本文讲“什么时候值得搭循环”，那篇讲“什么时候根本不该走方案驱动”

正文要点

• 循环和提示词不是一个层级的东西：提示词是“一次问答”，循环是“围绕目标的持续努力”。如果每一步都要你拍板，AI 只是工具；如果你退出来它还在继续，才算进入 Loop。
• 什么时候值得搭循环，四个条件缺一不可：任务至少每周重复；有东西能自动拒绝差输出；AI 能自己从头到尾做完；“完成”是客观的。少一条，就老老实实用手动提示词。
• 搭建顺序比工具更重要：先跑通 1 次手动可靠版本 → 再沉淀成 skill → 再加 gate + stop condition 包成 loop → 最后再挂 schedule。直接把半成品排进日程，是循环炸锅的典型原因。
• 重型与轻量循环是两条路：重型版本适合大团队和生产任务，依赖自动化验证与工具链；轻量版只需要一段提示词和清晰标准，就能在日常工作里马上试起来。
• Mira 是 advertorial 视角的样本：它把循环做进 Telegram，用 ChatGPT 回答、Mira 行动，强调 zero-code、长期记忆、500+ App 连接。这部分启发很强，但也明显带有工具推广色彩，需要保持识别。

5 个对 Seetong 团队可借鉴动作

1. 先跑轻量循环，不急着上重型编排：例如把 Seetong 的“反馈分诊”“日志初筛”“回放异常汇总”先做成三段式提示词循环（目标 + 严格标准 + 自检协议），低成本验证有没有价值。
2. 把验证关卡当成第一建设对象：Seetong 当前多数 AI 场景都缺“自动拒绝差输出”的闸门，这比换更强模型更重要。告警分析、问题雷达、反馈归因都应先定义验证器。
3. 所有定时任务都补停止条件：定时循环不是能跑就行，必须设置成功条件 + 最大迭代次数 + 超时退出，不然很容易出现“半夜空转烧 token”的 Ralph Wiggum 模式。
4. 子代理拆分优先用在‘生成 / 审核’分离场景：例如“生成简报草稿”和“核对数据一致性”不要交给同一个 agent；写手快、审稿人严，质量会更稳。
5. 评估循环要看采纳率，不看总输出量：无论是 AI Coding 还是问题雷达，真正该追踪的是“每条被采纳的结果花多少钱 / 花多少 token / 花多少人工复核时间”，不是循环跑了几轮。

备注与限制

• 互动数据：约 58 回复 / 167 转发 / 27 万浏览（抓取时）
• Token 量级：单个中等任务约 50K–200K tokens，context 每轮重发会持续膨胀
• Mira 部分带软广色彩：原文后半明显在为 Mira 铺路，阅读时应把“概念框架”与“产品宣传”拆开看
• 适用边界：Loop 只适合“高频、可验证、端到端能自己干完、完成标准客观”的任务；不满足这些条件的任务，不要硬套循环

• raw: ../../raw/2026-07-05-X-淘沙者Etudecn-AI循环claude-gpt-mira.md

  raw-digest: ../../raw/2026-07-05-X-淘沙者Etudecn-AI循环claude-gpt-mira-digest.md

  wiki-digest: ./AI循环-Claude-GPT和Mira到底什么才是真正好用的-digest.md