@milesdeutscher: Anthropic 的内部循环工程指南刚刚被泄露。这是我今年读过的最有价值的 AI 指南。…

Anthropic 的内部循环工程指南刚刚被泄露。 这是我今年读过的最有价值的 AI 指南。 这份指南信息量巨大，如果你想通过循环工程最大化 AI 生产力，有五件事你需要知道（请收藏）： 1. 每个循环应围绕以下 5 个原则构建： • 发现 → 让代理自己找到工作（CI 失败、issue、commit） • 交接 → 为每个任务分配独立的 git 工作树 • 验证 → 绝不让生成器评估自己的工作 • 持久化 → 始终将状态写入磁盘（markdown 或看板） • 调度 → 按定时器运行，让你睡觉时它也能工作 2. 分离生成器与评估器（最重要的规则） 使用两个代理：一个负责编写，另一个是持怀疑态度的法官，假设代码是坏的。 让评估器采取行动（运行测试、点击按钮、截屏）——这才是真正阻止糟糕输出产生的方式。 3. 用以下 6 个部分构建： • 自动化（定时器） • 工作树（安全并行） • 技能（永久项目知识） • 连接器（与 GitHub、Linear 等对话） • 子代理（生成器 + 评估器） • 记忆（在运行之间持久化的状态文件） 4. 循环工程中必须注意的事项： • 验证债务（使用验证代理） • 失去对自身代码库的理解（必要时从零开始） • Token 成本飙升（解决方案见下文） • 认知放弃（不要因为“循环处理了”就停止思考） 5. 解决 Token 成本问题 循环工程可能极其昂贵。 我建议你采用 80/20 的“杠铃”方法来处理循环工程。 对于最复杂、需要最佳智能的任务，使用昂贵的模型（Opus）。 对于剩余 80% 的任务（基础工作），在 Claude Code 框架内使用廉价的开源模型（GLM-5.2 非常适合代码执行）。 保存这 5 条规则，以免忘记。