「The Coming Loop」—— Armin Ronacher 谈 AI 编程的循环时代

原文来源：lucumr.pocoo.org - The Coming Loop — Flask、Jinja2、Click 作者 Armin Ronacher 对 AI 编程循环化趋势的深度反思，探讨 Harness、Agent Loop 和软件开发未来的本质变化。

Armin Ronacher（Flask、Jinja2、Click 等多个知名 Python 项目的作者）在 2026 年 6 月 23 日发表了一篇题为《The Coming Loop》的博文，迅速在 Hacker News 上引发热议（316 分，222 条评论）。这篇文章不仅在技术上富有洞察力，更在哲学层面质疑了 AI 编程正在把软件开发带向何方。

一、核心叙事：从「提示词」到「循环」

文章以 Boris Cherny 的一句话开篇：

"我不再提示 Claude 了。我有循环在运行 Claude，由这些循环来决定该做什么。我的工作变成了写循环。"

这句话精准地捕捉了当前 AI 编程的最大趋势转变——从人类直接与 AI 对话的单次交互，转向由外部 Harness（控制框架）自动调度和编排的循环化模式。

Ronacher 将这种循环分为两个层次：

• Agent Loop（内层循环）：模型调用工具、读取文件、运行测试、产生答案。这是大多数人熟悉的 Claude Code、Codex CLI 等工具的工作方式。
• Harness Loop（外层循环）：任务被放入队列，机器取走任务、执行、停止；Harness 决定是否已完成——如果未完成，则继续（同一会话、新消息、新会话，或发送到另一台机器）。任务的生命周期超越了模型「我做完了」的信号。

这个外层循环并非全新事物——早在早期的 Claude Code 时代就有了——但最近它开始主导整个技术讨论。

二、作者的自我定位：「我还不擅长这个」

Ronacher 坦诚地承认，对于他真正在意的代码，他还没有成功用上循环。原因有两个：品味（taste）和控制（control）。

他想要理解并能够解释自己写下的每一行代码，而不需要通过一个「叮当响的机器」（LLM）来理解。他观察到模型生成的代码存在一系列共性问题：

• 过度防御：对每个边界情况都加保护，代码变得臃肿
• 过于复杂：局部推理能力强，但缺乏整体架构感
• 回避强不变量：倾向加降级策略（fallback），而不是让错误状态在设计中不可能出现
• 重复代码：创造糟糕的抽象，用补丁掩盖不清晰的设计
• 逐轮恶化：每个循环迭代都增加一层防御，系统变得更难理解，同时表面看起来更健壮

Karpathy 曾说过，模型「对异常感到极度恐惧」（mortally terrified of exceptions）。正确的做法是让异常状态在架构层面不可表达，但 LLM 即使在不变量已经强制实施的情况下，仍然会继续添加错误处理。

更糟糕的是，Ronacher 观察到，如今全程无干扰运行 30 分钟以上的循环生成的代码质量，反而不如去年秋天（2025 年）更短的交互式会话。因为人类反馈越少，代码偏离期望越远。

三、循环真正擅长的场景

尽管有上述批评，Ronacher 明确表示他确实喜欢循环——在特定场景下。

这些场景中，很多成功案例使用了另一个 LLM 作为评判者/编排者。机械性翻译可以用二进制测试或 LLM 评判来验证。Claude Code 已经可以创建完整的实验性工作流。

"它们要么不产生新代码，而是转换已有的代码；要么产生的代码本就不打算长期存在。"

四、软件：从确定性机器到有机体

这是一个哲学层面的转变。

传统理想：软件是确定性机器。你能理解它的每一层，推动系统走向确定性和可理解性，知道不变量在哪里，记录关键部位。这是 Ronacher 始终追求的理想。

现实（即使没有 LLM）：分布式系统早已不是完全确定的——诊断分布式系统就像医生看病（观察症状、提出假设、做检查、尝试治疗）。架构师也早已无法理解每一行代码。

有了 LLM 循环之后：代码由机器编写和诊断，补丁可能在无人监督的情况下落地。后果是——接受循环意味着接受我们可能不再理解整个系统。我们治疗、监控、稳定，但不一定理解。

"问题在于，我们是否希望所有软件都以这种方式创造？"

五、你无法选择退出

即便你不喜欢循环，也无法逃避它的影响。

安全压力：攻击者在循环，安全研究员在循环。维护者被 AI 生成的报告淹没。例子：cURL 的维护者 Daniel Stenberg 描述了一个「幸福的夏天」——大多数报告都是 AI 生成的。

竞争压力：拥有有效循环的团队碾压没有的。5 个人的小团队完成了以前需要 50 人的工作量。创业公司用循环做到「make it like the other one」。

领域依赖：某些领域（信任、责任、安全关键系统）对质量要求极高，马虎的代价很大。但在很多其他领域，速度和覆盖度才是王道。

六、新的依赖性（危险的部分）

这是 Ronacher 认为最令人不安的部分。

认知依赖：代码由循环编写、审查、修补、维护。不借助机器辅助，人类越来越难理解代码库。甚至写 Issue 报告、在聊天中讨论代码都需要 LLM 的辅助。

财务依赖：持续的模型调用费用（不是一次性的编译器购买）。如果贸易限制导致无法访问某些模型，或者成本上升，怎么办？

代码库的半衰期：

"我们可能创造出代码库，它们不仅难以由人类维护，而且假定机器参与是其维护模式的一部分。"

七、未来的 Harness

仅仅编排更多的循环是不够的。更好的可视化也不会恢复理解。

我们需要什么？

• 要么把人类拉回循环——让每次变更长期可理解
• 要么寻找更好的方式来组合复杂系统

Ronacher 提到 Pi（他的 Harness 平台）对此持谨慎态度——他赞同这种谨慎："我不希望未来每次交互都变成不受控制的群涌。"但 Pi 正是这些实验的中心 Harness，很多人会基于它构建。

关键在于，即使是怀疑者也必须亲自实验，才能理解如何让这个未来变得有边界、可生存。

八、结论与核心问题

循环化的未来是不可避免的。Ronacher 没有给出答案，但提出了几个核心问题：

1. 如何不放弃判断力？ 当模型说「完成了」，Harness 说「再试一次」，人类的角色在何处？
2. 如何保留好的工程原则？ 强不变量、可理解的架构、清晰的抽象——在循环时代如何存活？
3. 如何确保负责任的人类能够持续监督？
4. 如何重新思考架构以保持理性？

"在 Agent Loop 中，模型说「做完了」→ 人类审查和引导。在 Harness Loop 中，「做完了」只是另一个评判机器的信号。人的角色被降级为信使。"

这篇文章的价值不在于给出答案，而在于精准地定义了问题。对于每个正在使用 AI 编程工具的开发者，Ronacher 的反思都值得一读——因为我们正站在这个转变的早期阶段，而塑造未来的方式，是理解它、讨论它、然后对它施加人类应有的约束。