Anthropic 的内部循环工程指南刚刚泄露了。

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，如果你想通过循环来最大化 AI 生产力，有五件事你需要知道（保存好这份指南）：
1. 你应当围绕以下 5 个原则来构建每个循环：
• 发现 → 让代理自己找到工作（CI 失败、问题、提交）
• 交接 → 为每个任务分配独立的 git 工作树
• 验证 → 绝不让生成器自我评价
• 持久化 → 始终将状态写入磁盘（markdown 或看板）
• 调度 → 设置定时器，让你睡觉时它也能工作
2. 将生成器与评估器分离（最重要的规则）
使用两个代理：一个负责写，另一个是持怀疑态度的法官，默认代码有问题。
让评估器行动（运行测试、点击按钮、截图）——这才是真正阻止糟糕输出的方法。
3. 用以下 6 个部分构建：
• 自动化（定时器）
• 工作树（安全的并行处理）
• 技能（永久项目知识）
• 连接器（与 GitHub、Linear 等通信）
• 子代理（生成器 + 评估器）
• 记忆（在多次运行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）
• 失去对自己代码库的理解（必要时从头开始）
• Token 成本爆炸（解决方案见下）
• 认知放弃（不要因为“循环会处理”而停止思考）
5. 解决 Token 成本问题
循环工程可能会非常昂贵。
我建议你采用 80/20 的“杠铃”式循环工程方法。
对于需要最高智能的最复杂任务，使用昂贵的模型（Opus）。
对于其余 80% 的任务（繁琐工作），在 Claude Code 框架内使用廉价的开源模型（GLM-5.2 适合代码执行）。
保存这 5 条规则，以免忘记。