二、三种用法，从最简单到最实用

入门不用贪多。先认识这三种，按场景挑一种用就够了。

用法 A：bash 循环（零安装，最简单）

适合批量处理一堆能列出来的文件/任务，比如批量迁移、批量审查。本质就是用普通的 shell 循环反复调用 claude -p（headless 模式，传入提示词、跑完就退出）。

要点：--allowedTools 限定它能用哪些工具，避免乱来。--max-turns 和 --max-budget-usd 是成本刹车，务必带上。

用法 B：Ralph Loop 插件（装一下就能用，适合长任务）

适合从零搭新项目、可以挂后台跑的长任务（睡前启动、醒来看结果）。它通过"停止钩子"在 Claude 每次想退出时拦住它，把任务重新喂回去，直到 Claude 输出你约定的完成关键词。

安装（需要 Claude Code 2.0.76 以上）：

运行：

三个参数：任务描述越具体越好；--completion-promise 是完成后必须输出的关键词，循环靠它判断是否结束；--max-iterations 是最大迭代次数，别省略。

中途想停：/ralph-wiggum:cancel-ralph

用法 C：自定义 /loop 命令（验证最可信，适合严肃工程）

适合已有项目里修 bug/重构，且项目已经有能跑出"绿/红"的检查命令（test、lint、类型检查等）。

它的精髓是把"写"和"验"拆成两个 Agent：一个只写代码，一个只跑检查且在工具层面就没有改文件的权限，所以它没法自欺欺人地说"我做完了"。这种做法更稳，但需要写几个配置文件，属于进阶。入门可以先跳过，用熟了 A 和 B 再回来看。

三、入门实战：三个由浅入深的案例

下面三个案例，照着抄就能感受到 loop 的威力。建议从案例一开始，一步步来。

案例一：5 分钟体验——写一个带测试的小函数

这是最适合第一次尝试的任务：小、可验证、能明显看到"每轮在变好"。

你会观察到：第一轮可能只是基础实现，后几轮逐渐加上边界处理、优化错误提示、补全测试覆盖。输出质量一轮比一轮高——这就是 loop 的价值。

如果你还没装插件，用 bash 版也能体验类似效果：

案例二：好提示词 vs 坏提示词（这一节决定你成败）

同样的任务，提示词差一点，结果天差地别。这是 loop 入门最重要的一课。

坏提示词——Claude 不知道什么叫"好"，容易无限循环：

好提示词——给出明确的完成清单：

记住这个公式：任务 + 可勾选的完成清单 + 完成关键词。清单上每一条都要是"能客观判断对错"的，这样 loop 才有明确的前进方向，不会陷入"猜你想要什么"的内耗。

案例三：内嵌"自我纠错"逻辑——TDD 循环

把迭代规则直接写进提示词，让测试结果成为循环的"燃料"——每次失败都让下一轮更精准。

进阶小技巧——给"卡住"留个出口，在提示词末尾加上：

这样即使任务失败，你也能拿到一份诊断报告，而不是白烧 token。

四、什么时候用、什么时候别用

适合 loop 的场景：

• 成功标准可量化（测试通过、构建成功、接口跑通）
• 需要反复"写代码 → 跑测试 → 修 bug"的迭代任务
• 全新项目从零增量搭建
• 可以挂后台、睡前启动、醒来看结果的长任务

不适合 loop 的场景：

• 需要主观判断的决策（UI 设计、架构取舍）
• 简单的一次性任务（没必要套循环）
• 成功标准本身说不清楚（没有关键词能触发结束）
• 生产环境定向排查 bug（这种更需要人来指挥）

五、新手最该记住的 5 条成本与避坑原则

• --max-iterations / --max-turns 必填。大多数任务 10–20 次足够，复杂项目 30–50 次。没有上限的循环 = 没有终点的马拉松。
• 先用小上限试跑，验证提示词逻辑没问题，再加大次数。
• 完成标准越具体越省钱。模糊的要求让 AI 反复猜测，猜测就是在烧钱。
• 简单任务用便宜的模型配置就行，不必每轮拉满。
• 任务太大就拆阶段。与其让它一口气做完整个电商系统，不如拆成"阶段 1：登录鉴权 → 阶段 2：商品目录 → 阶段 3：购物车"，每个阶段验证通过再进下一个。

结语

Loop 改变的不是 Claude 的智商，而是它的工作模式——从"给你一个答案"变成"直到做对为止"。

而你的角色也变了：以前你是质检员，要肉眼盯着每一行 AI 写的代码；现在你是需求方，输入任务、设好完成标准、审一眼最终结果就行。

技术本身不复杂，门槛只有一个：你得会把"什么叫完成"说清楚。

从案例一开始，今天就跑一次试试。

本文为 JeecgBoot AI 专题研究系列文章。