Ralph Loop — 防止 AI 提前结束任务的循环机制

Ralph Loop 干的事非常单一：如果 AI 想提前结束还没完成的任务，它会拦截并退回给 AI 重新处理，直到任务真正开发完成。

核心原理

┌─────────────────────────────────────────────┐
│                 Ralph Loop                    │
│                                               │
│  ① 读取 PRD → 挑出未完成的任务                 │
│        ↓                                      │
│  ② 启动全新 AI 实例（干净上下文）              │
│        ↓                                      │
│  ③ 实现任务 → 跑测试 → 通过 → 提交             │
│        ↓                                      │
│  ④ 标记完成 → 关键信息写入 progress.txt        │
│        ↓                                      │
│  ⑤ 检查是否所有任务完成？                      │
│     ├─ 否 → 回到 ①                             │
│     └─ 是 → 结束                               │
└─────────────────────────────────────────────┘

为什么有效

上下文隔离是关键

传统对话中 AI 的上下文会越来越臃肿，输出质量断崖式下降。Ralph 每轮都是全新上下文，没有历史包袱，只看：

• 当前任务
• progress.txt 里的关键信息

这种"干净启动"保证了每一轮的质量一致性。

安装

git clone https://github.com/snarktank/ralph.git
cp -r ralph/scripts ./
./scripts/ralph/ralph.sh

前置条件（必须！）

1. PRD story 足够小：每个 story 必须小到一个上下文窗口能完成。太大了 AI 会跑偏。
2. 项目必须配 typecheck 和测试：没有反馈回路的话，AI 写出来的东西会越跑越歪。
3. 每个 story 有明确的验收标准：AI 需要知道自己做完了没有。

使用建议

• 适合大项目：几十个 story 的自动化迭代
• 不适合小需求：配置成本高于直接让 Claude Code 做
• CI 集成：可以放入 CI 流水线，让 AI 在无人值守下持续开发

风险提示

• 没有人工审查环节，代码质量依赖测试覆盖率和 typecheck
• 如果 PRD 写得不清楚，AI 可能越做越偏
• 建议配合 Code Review 和 Code Simplifier 使用，在提交前加质量门