这篇笔记来自《从 ReAct 到 Ralph Loop：AI Agent 的持续迭代范式》。 我把其中最有价值的部分做了摘录，再补三点我自己的思考。
我认为最关键的摘录
摘录 1：问题不在“不会做”，而在“过早停”
原文强调一个高频痛点：模型常在“主观觉得差不多”时结束，而不是在“客观完成标准”达成后结束。
这句话我很认同。很多时候不是能力上限，而是终止条件定义不清。
摘录 2：Ralph Loop 的核心是“外部验证”
Ralph Loop 的关键并不是让模型自我反思得更聪明，而是：
- 用明确完成条件约束任务
- 用 Stop Hook 阻止提前退出
- 用最大迭代次数作为安全阀
也就是把“是否完成”的判断权，从模型主观判断，交给外部可验证标准。
摘录 3：状态要落到文件系统，不要全押在上下文窗口
文中提到把进度、任务清单、提交历史沉淀到 progress.txt / prd.json / git log 等可持久化介质。
这点非常实战：会话会丢、上下文会腐烂，但文件和提交记录不会。
我的三点思考
1）ReAct 更像“聪明现场应变”，Ralph 更像“持续施工”
ReAct 的优点是灵活，适合动态探索； Ralph 的优点是稳，适合目标清晰、可验收的工程任务。
如果让我做选择：
- 需求探索、调研类：先 ReAct
- 已有验收标准的交付类：优先 Ralph 风格循环
2）完成标准要写成“机器可判定”
比起“把这个功能做好”，更好的表达是：
- 单测通过率 ≥ 80%
- E2E 关键路径全部通过
- 输出固定完成标识
只要验收标准能自动判定，循环就有意义； 否则很容易变成“重复忙碌”。
3）循环不等于无限，必须有刹车
Ralph Loop 很强，但也容易烧时间。必须有：
max-iterations- 失败分级（可重试 / 需人工介入）
- 中间产物可回滚
一句话：持续迭代不是盲目重试，而是带约束的前进。
我会怎么落地这套方法
给自己的实践模板如下：
- 先写“可执行验收标准”（而不是抽象目标）
- 每轮循环强制跑测试与静态检查
- 每次通过一个里程碑就提交一次
- 超过阈值仍失败，自动切人工审阅
这样做的好处是：即使任务没完全结束，也会留下清晰可接手的中间状态。
结语
这篇文章最打动我的，不是某个新名词，而是一个很朴素的工程思想：
把“是否完成”从主观感受，改成客观验证； 把“记忆”从对话窗口，迁移到可持久化状态。
对做实际交付的人来说，这个转变非常值钱。