36,487个仓库里只有217个真循环：多数Agent是带信用卡的cron

36,487个公开仓库被筛了一遍。研究者来自Heidelberg和Singapore Management University，先找到256个疑似在跑自主Agent循环的仓库，再逐个检查，确认217个。占比0.59%。

数据里最扎眼的一点：几乎每个仓库都有触发器。真正让循环可用的东西，掉得很厉害。101个有花费或轮次限制，76个有验证器，55个有目标或停止规则，35个在两次运行之间保存状态，只有10个记录了成本。

触发器五分钟就能配好。一个cron，一个GitHub Action，一个YAML文件。后面才是麻烦。

作者Ichigo把问题拆成三个词：

• Harness：模型之外，决定一次运行能看什么、碰什么、证明什么。
• Loop：决定有没有下一次运行，下一次知道哪些上一次不知道的事。
• Graph：决定下一步跑哪个节点，每个节点能看见什么。

这三个东西还嵌套。模型在Agent loop里跑，Agent loop在工作循环里跑，工作循环在图的一个步骤里跑。日常说的“循环”至少有三层：秒级的Agent loop，分钟到小时的工作循环，天到周的系统循环。多数被确认的仓库，是触发器套着第一层。180个由仓库事件触发，主要是自动PR审查。有用，但不是那些长文里描绘的东西。

触发器不等于循环。触发器只是带信用卡的cron。

一个能收敛的工作循环，先要有检查。Agent自评不可靠。Anthropic的harness团队发现，Agent给自己的作品打分时，会稳定地夸它，哪怕人一眼看出平庸。所以“完成”必须来自模型外部。脚本检查比模型读记录更硬。检查还得满足两条：它必须能失败，Agent不能改它。开始前就是绿的检查，证明不了任何东西；能改测试，模型会找到最短路径变绿。

Claude Code的/goal是从对话里判断条件，不运行命令，也不读文件。它有用，但条件得能被对话记录证明。写“认证代码正确”没用，写“npm test退出0，test/auth下现有测试文件未修改，git status干净，20轮后停止”才有可检查的边界。

反馈也要具体。只说“测试失败”是判决，重试判决等于重掷骰子。下一次运行需要知道哪个测试失败、期望什么、实际看到什么、位置在哪。pytest -q --tb=short这种输出比几千行日志有用，后者会埋掉关键一行。

状态要落盘。35个仓库在默认分支上保存了循环状态，更多没有。每次新运行都从零开始，像换班时新工程师不知道上一班做了什么。状态文件里最省钱的是tried字段，记录试过什么，避免下一次又走进同一条死路。有网友Levi提到，每次追加检查内容和变化，再加一条“连续3次无diff就停”的规则，崩溃后还能从最后一行恢复。

退出要硬。少于一半的仓库有任何限制。至少三种退出：检查通过，预算耗尽，或者停滞。预算耗尽包括轮次和美元。停滞是同一个失败重复出现。有网友AZRAF说，最大迭代次数不是真退出，它停住账单，没停住浪费。更合理的是看状态，同错误或同diff两次就交回给人。成本记录只有10/217，这个数字本身说明问题。还有网友Pascal提醒，循环重试如果没有幂等键，超时那一刻可能重复扣费。

墙要在没人看着时也成立。写在Markdown里的“请不要改migrations”是愿望，deny规则才是墙。触发器还会引入新风险：循环读陌生人写的issue，同时有代码访问和推送能力，正好凑齐Simon Willison说的lethal trifecta。读不可信文本的步骤不给危险工具，有危险工具的步骤不直接读原始文本。

最后要有人。除了绿色通过，每个退出都该找到具体的人，附上状态文件。绿色也只是提案，合并前仍需要人。Boris Cherny做过一个实验，让Claude维护应用，开了388个PR，180个在Claude Code Review和人工审查后合并。不到一半。Addy Osmani的判断更直接：你的审查带宽决定能跑多少循环，工具不决定。

图不是越多Agent越好。Google和MIT的研究者跑了180个Agent设置，提示、工具、预算相同，只改协作方式。在能干净拆分的金融分析任务上，orchestrator加worker比单Agent好81%。在逐步规划任务上，多Agent设置差了39%到70%。并行且无人检查时，错误放大17.2倍；中间有orchestrator接住，降到4.4倍。路由用代码写，步骤之间做检查，每个步骤给干净上下文。有网友Ignacio指出一个实现细节：把输出里所有数字替换成#再做指纹，会把“期望302，看到200”和“期望302，看到500”算成同一个失败，循环误判停滞。时间戳和行号可以删，状态码要保留。

系统循环更慢。它把一次失败变成永久修复：加权限、加lint规则、加工具、加一行AGENTS.md。顺序上，结构优先，静态检查其次， prose只留给真正需要判断的地方，人工审查放最后。模型升级后还要删过期harness。Anthropic的Prithvi Rajasekaran说，每个组件都是对模型短板的押注，押注会过期。拿掉一个组件，重跑任务，没变差就删。

什么时候不建循环？脚本说不出“完成”，别建。错误结果很贵，别自动合并。任务不会再来，一次带检查的运行就够。工作拆不干净，别上图。

原文在这里：Harness, Loops, Graphs，作者Ichigo的推文在这里。

触发器最后加。先让检查诚实，让反馈收敛，让状态记住，让退出付得起，让墙在没人时也成立。