让AI自动重复执行任务直到完成

Claude Code团队引入了一个新概念——循环，即代理重复工作周期直到满足某个停止条件。循环根据触发方式、停止方式、使用的原语和最适合的任务类型被分为不同种类。

基于回合的循环

基于回合的循环由用户提示触发，Claude自行判断任务完成或需要额外上下文时停止。它最适合较短的、非定期或计划的任务。每个提示都启动一个手动循环——用户指导每个回合：Claude收集上下文、执行操作、检查结果，如有需要再重复。团队称这个过程为代理循环。

你可以通过编写具体提示和使用技能来改进验证，减少回合数。具体做法是将手动验证步骤编码为SKILL.md文件，让Claude能端到端自动检查自己的输出。这是降低手动负担的一种方法。

基于目标的循环

基于目标的循环通过/goal命令实时触发，在目标达成或达到最大回合数时停止。它最适合具有可验证退出标准的任务。当你用/goal定义成功标准后，Claude不会自行判断“足够好”并提前结束。每次Claude试图停止时，一个评估模型会检查你的条件，如果未满足则让Claude继续工作，直到目标达成或达到你设定的回合上限。

确定性标准在这里非常有效，例如通过的测试数量或达到的分数阈值。你可以通过设置具体的完成标准和明确的回合上限（如“尝试5次后停止”）来管理使用。

基于时间的循环

基于时间的循环通过/loop和/schedule命令由指定的时间间隔触发，在用户取消或工作完成时停止。它最适合重复性工作或与外部环境、系统的交互。/loop在本地计算机上运行，关机则停止。你可以通过/schedule创建例程，将循环移至云端持续运行。管理方面，可以设置更长的间隔，或基于事件而非固定时间来触发响应。

主动循环

主动循环由事件或计划触发，无需人类实时参与。每个任务在目标达成时退出，整个例程持续运行直到用户关闭。它最适合重复性的明确定义的工作流，如错误报告、问题分类、代码迁移、依赖升级等。你可以将例程路由到更小更快的模型，而把判断性任务留给最强大的模型——这样可以平衡成本与能力。

组合与维护

上述原语可以组合成用于长期运行工作的循环，包括/schedule、/goal、自动模式和动态工作流（研究预览）。为了保持代码质量，团队建议：保持代码库整洁；让Claude能验证自己的工作；使文档易于访问；使用第二个代理进行代码审查。当单个结果不达标时，不要只修复这一个问题，而是尝试将其编码到系统中，以改进所有未来迭代。

管理token使用有几点原则。为任务选择合适的原语和模型；定义明确的成功和停止标准；在大规模运行前先小规模试点；对确定性工作使用脚本；不要过于频繁运行例程；定期审查实际使用情况。

/usage命令能按技能、子代理和MCP分解近期使用量。不加参数的/goal显示回合数和至今的token使用量。/workflows展示每个代理的token使用量，并允许随时停止某个代理。

要开始使用循环，可以审视现有的工作流程，选择一个你成为瓶颈的任务，确定可以移交的部分，运行循环并不断迭代。