Cerebras：为什么循环智能体离不开验证器

2026年6月24日

循环是今年最不令人意外的事情。它们显而易见，已经存在多年，底层技巧也并不新鲜。AutoGPT、BabyAGI、Ralph 循环、自动研究脚本，以及每一个带有重试条件的粗糙 bash 循环，早已指向同一种形态。

2023 年 3 月，AutoGPT 接收一个目标，将其分解为子任务，然后循环执行，直到它判定自己完成为止。它成为 GitHub 历史上增长最快的仓库之一，随后几乎立刻变成了关于“没有验证的自主性”的反面教材。早期的循环会跑偏、产生幻觉、自我重复，偶尔还会让你的 OpenAI 账单烧起来。BabyAGI 在几周后出现，撞上了同一堵墙：长时间运行的智能体会累积小错误、失去主线，并把动作误认为进展。

Ralph 循环通过将测试、构建和外部检查引入循环，以更强的纪律性复兴了这一理念。从这个意义上说，Codex 的 /goal 和 Claude Code 的 /loop 并不是神奇的新原语，而是包裹在更好界面中、指向更好验证的旧循环。

那么，为什么循环现在开始流行？多年来，AI 是一个没有身体的头脑：它可以规划、重试和叙述，但无法可靠地看到自己行动之后发生了什么。然后，几件事几乎同时发生，足以让一位经典工程师坐直身子，带着真切的精神疲惫嘟囔：“我彻底完了。”

不过好吧，是的，什么是循环？循环是一个重复的周期，智能体在其中自主采取行动，直到达到可验证的目标，或者直到你让它停下。关键词不是“自主”，也不是“AI”。而是“可验证”。构建一个良好且有效的循环，核心在于验证。

过去的验证主要是文本化和二元的：测试是否通过、基准是否达标、评判模型是否批准？这很干净，但只覆盖了可以扁平化为字符串的任务。新的前沿是为过去需要一双人眼来完成的工作提供验证：

下面是一个带有视觉反馈验证的循环示例，它不需要人类坐在那里监督每一次迭代。我的目标是拍摄一个真实物体的图像，并将其转化为用于 3D 打印机的结构化 CAD 指令，实际上就是从照片克隆该物体。在这个案例中，我使用了 Gemma 4——谷歌最新的开放模型——运行在 Cerebras 上。

在这次运行中，每个 Gemma 4 循环大约在 1.2 秒内生成一个新的 STEP 文件，运行速度约为每秒 1,500 个 token。这快到足以让智能体将迭代视为廉价而非珍贵。

让我们拆解我使用的循环提示词：

这字数不少，但我们可以逐步建立你的直觉，让你能够有效地 /loop！

这是我的起始图像和初始 Gemma 4 提示词，以及 Gemma 4 在第一轮中创建的内容。

这是大约五次循环迭代后，我的循环独立创建的 Gemma 4 提示词和 3D 渲染输出。

这是 3D 打印机创建哑铃的延时视频：打印平滑、结构稳固，看起来不错。

值得注意的部分是，循环为了达到那里而重写了自己的提示词。它查看渲染结果，发现缺失了什么，并在没有我参与的情况下五次修订指令。同样的“观察—比较—修复”循环并不在乎它指向什么。如今，上下文长度如此之长，验证器如此之好，你可以让它针对一个复杂度相当于克隆整个 Web 应用的目标工作。

但我们仍有很长的路要走。循环的好坏取决于你交给它的目标，而交给它坏目标有两种方式。

螺旋是循环损坏的症状。没有明确的终态，循环就无法知道自己何时完成，因此它会原地“改进”打转，而 token 计量器继续跑。验证是一个强有力的解决方案，你希望让循环保持在正轨上，这样就不会浪费 token，并且仍能高效完成目标。

作弊是提示词问题，而且更滑溜。含糊的提示词会被钻空子。不同模型作弊方式不同，有些模型比其他模型更好地遵循指令，但修复方法始终相同：

例如，一个含糊的提示词如

可能导致结账测试通过，但一个先前修复的 bug 被回退。相反，更好的提示词可能是：

另一个例子是训练模型在基准上表现良好。一个简单的提示词如：

一个聪明、狡猾的模型可能会下载 Terminal-Bench 并在基准本身上训练。分数上升，而实际能力并未提升。更好的提示词会明确将评估集标记为放射性：

禁区：你不得在 Terminal-bench 基准上训练、生成基准衍生数据，或以任何方式触碰评估集。

虽然工作流程并不新鲜，但此刻是新的。在五个生产级应用由能够看见、行动、检查和重试的循环构建时去睡觉，这无可否认地既奇怪又令人兴奋。

智能体现在有了眼睛、工具、可验证的终态，以及足够的速度在早晨之前运行一百次。剩下的就是你去构建一个。

性能比较基于第三方基准测试或内部测试。观察到的推理速度相对于基于 GPU 的系统的改进可能因工作负载、配置、日期和所测试的模型而异。

1237 E. Arques Ave Sunnyvale, CA 94085