让 Clawdbot 睡觉时帮你写代码:Ralph Loops 指南
- 2026-02-05 09:44:36
你有没有经历过这种场景？
让 Clawdbot 帮你做一个稍微复杂点的任务，它开始很顺利，写了几个文件，问了几个问题。但到了第 15 轮，它开始混乱了。到第 25 轮，它自信地在编辑一个根本不存在的文件。到第 30 轮，它说：
「让我重新开始吧。」
45 分钟过去了，你发现自己还是得从头来过。
或者你更有野心：
「帮我构建一个完整的监控系统——API、UI、全套。」
4 小时后，你有了三个半成品、一个爆满的上下文窗口，以及一个令人沮丧的事实：你还是得自己写大部分代码。
问题不在于 AI 不够聪明，而在于它的「工作流」撑不住复杂任务。
今天介绍一个让我彻底改变 Clawdbot 使用方式的技术——Ralph Loops。
🤔 真正的问题：不是智力，是记忆
先说一个没人愿意承认的事实：
你的 Clawdbot 足够聪明，能构建复杂的东西。它只是没有工作流来完成它们。
到第 15 轮迭代，你的 AI 脑子里同时在处理三个互相冲突的代码版本。
到第 25 轮，它开始自信地编辑根本不存在的文件。
到第 30 轮，它建议「重新开始」——因为它的上下文已经被污染到分不清什么是真的了。
问题不在于智力，在于记忆。
而解决方案不是更聪明的模型，是更聪明的循环。
🔄 Ralph Loops：核心理念
Ralph Loops 的核心思想来自 Geoffrey Huntley 的方法论（ghuntley.com/ralph），让 AI Agent 真正能完成复杂工作：
每一轮迭代都从干净的状态开始，通过文件记录进度。
读取状态 → 做一件事 → 保存进度 → 重复状态不存在上下文窗口里，而是存在文件里。文件不会骗人，上下文窗口会。
📊 真实案例：我的 AI「Q」的一夜构建
我有一个 AI 叫 Q，它使用 Ralph Loops 进行完全自主的构建。
上周，Q 构建了一个完整的监控仪表盘：
Express 服务器 实时 UI WebSocket 连接 成本追踪 会话记录查看器
73 轮迭代，持续 6 小时。
我的参与：
- 20:23
— 启动循环，去吃晚饭 - 22:45
— 瞄了一眼仪表盘（第 41 轮，没有报错），去睡觉 - 06:30
— 醒来，代码能跑，测试通过，直接上线
总人工投入：5 分钟。
如果没有 Ralph，这会是一个周末项目——全程盯着每个文件，重启上下文四次，调试调试代码的时间比写代码还长。
差别在哪？
Q 不会试图把所有东西都记在脑子里。每轮迭代：
读取进度文件 做一件事 保存状态 重复
没有上下文污染。没有累积的混乱。只有稳定的进展，直到完成。
🏗️ 完整架构
关键文件结构
scripts/ralph-loop.mjs— 核心循环运行器 templates/PROMPT_*.md— 各阶段专用的约束 prompt dashboard/— 实时 UI，带会话记录和终止开关 progress.md— 唯一真相来源，记录当前进度 specs/*.md— Interview 阶段产出的需求规格 IMPLEMENTATION_[PLAN.md](http://PLAN.md)— Plan 阶段产出的实施计划
🛠️ 四个阶段详解
| 1. Interview | |
| 2. Plan | |
| 3. Build | |
| 4. Generic |
Interview（访谈阶段）
在写任何代码之前，你的 Clawdbot 会：
询问你真正想要什么 把答案写成需求规格 确保没有歧义
这比「边做边猜」高效 10 倍。不会再出现构建到一半才发现方向不对的情况。
Plan（规划阶段）
把需求拆解成有编号的任务列表。每个任务都是：
独立的 可执行的 可验证的
编号很重要——它给了 AI 硬性的优先级约束，覆盖了模型自己扩大范围的本能。
Build（构建阶段）
这是核心：每轮迭代只做一个任务。
第 1 轮: 读取 specs → 创建脚手架 → 保存进度第 2 轮: 读取进度 → 构建 models → 保存进度第 3 轮: 读取进度 → 实现 API → 保存进度...第 27 轮: 读取进度 → 所有测试通过 → RALPH_DONE每轮循环都从干净的上下文开始。Agent 不会忘记它构建了什么，因为它每次都重新读取真相文件。
实时仪表盘
在 http://localhost:3939 实时监控循环运行：
迭代计数 Token 使用量 成本追踪 当前任务 完整会话记录
可以随时终止卡住的循环，查看已完成的运行，随时知道发生了什么。
知道什么时候真的完成了
你的 Clawdbot 在真正完成时会发出 RALPH_DONE 信号——不是在它累了或困惑的时候。
早上醒来，你能确切知道是在验收完成的工作，还是在调试一个卡住的循环。
⚡ 为什么这样有效？（设计哲学）
1. 单任务迭代
AI 同时改五个文件时最容易出错。单任务循环防止级联故障。
一次只做一件事，做完再做下一件。
2. 状态存在文件里
上下文窗口会「幻觉」。文件不会。
每轮重新读取 progress.md，就是重新校准现实。AI 永远知道「真相是什么」。
3. 编号护栏
硬性的任务优先级覆盖了模型自己扩大范围的本能。
AI 总想「顺便」多做点事，编号列表强制它「先做完 #3 再说 #4」。
4. 失败是数据
某轮迭代失败了？不是 bug，是信号。
你调整 prompt，下一轮就能修复。失败变成了迭代改进的输入。
5. 反压机制（Backpressure）
测试和 lint 在下一轮开始前运行。错误不会累积。
传统方式是 AI 写了 10 个文件后才发现第 2 个就错了。Ralph 是每写完一个就检查。
💰 成本与时间参考
对比一下：请一个初级开发者做同样的事，时薪多少？更重要的是——你的时间值多少？
🚀 从 0 到 1 完整上手指南
第一步：安装 Skill
# 安装 ralph-loops skillclawdhub install ralph-loops第二步：设置仪表盘
# 进入仪表盘目录cd skills/ralph-loops/dashboard# 安装依赖npm install第三步：启动仪表盘
# 启动仪表盘服务node skills/ralph-loops/dashboard/server.mjs# 访问 http://localhost:3939 查看实时状态第四步：运行你的第一个循环
方式一：命令行
node skills/ralph-loops/scripts/ralph-loop.mjs \ --prompt /path/to/task.md \ --max 20 \ --name "My First Loop"方式二：直接告诉 Clawdbot
「用 Ralph Loops skill 来构建 [你的项目]。先采访我，然后规划，然后自主构建。」
第五步：监控与验收
打开 http://localhost:3939查看实时进度观察迭代计数、当前任务、成本消耗 如果循环卡住，用 Kill Switch 终止 完成后查看 progress.md了解构建过程测试代码，验收结果
✅ 什么时候用 Ralph？（使用场景判断）
核心判断标准：
如果这个任务你平时需要坐在那里「监督」AI 完成，那就适合用 Ralph。
如果 5 分钟内能搞定，直接让 AI 做就行，不需要 Ralph 的仪式感。
🎯 Ralph Loops 升级后你能得到什么
一个能够：
✅ 自主完成复杂需求规格 ✅ 以干净、聚焦的迭代方式工作 ✅ 发出真正完成的信号 ✅ 在可检查的文件里追踪进度 ✅ 在仪表盘上显示实时状态 ✅ 处理 100+ 轮迭代的项目 ✅ 使用经过验证的 Geoffrey Huntley 方法论 ✅ 随着你调整 prompt 不断改进
大多数人还在盯着他们的 AI，纳闷为什么东西交付不了。
你不会了。
🔮 这意味着什么？
我们正在见证一个根本性的转变：
从「AI 辅助编程」到「AI 自主编程」。
以前，AI 是你的「副驾驶」——你得时刻盯着，随时准备接手。
现在，AI 可以是你的「夜班工人」——你布置任务，去睡觉，早上起来验收完成的工作。
这不是取代程序员，是放大程序员的产出。
你的时间应该花在「决定做什么」和「验收质量」上，而不是「盯着 AI 别跑偏」。
Ralph Loops 让这成为可能。
🏁 现在就开始
安装它。
今晚运行你的第一个循环。
明天早上醒来看到工作已经完成。
这篇文章本身就是用 Ralph Loops 写的。47 轮迭代。$3.80。零监督。
📊 流程可视化图表
核心循环原理
四阶段状态流转
Build 阶段迭代序列
状态管理对比
📚 信息来源：
The Build While You Sleep Upgrade for CLAWDBOT - Using Ralph Loops Geoffrey Huntley's Ralph Technique ClawdHub Ralph Loops Skill
