编程大神玛特·波科克（Matt Pocock），外号TypeScript巫师，在他的最新编程课里这样评价一个工具：“以前无论用哪个模型编程，得到的都只能是半成品，AI只能干点杂活。但这玩意儿不一样，你能把整个待办事项列表都扔给它解决。”
这门课售价375美元，容量40人，玛特只用了半小时就售罄了。关注Vibe Coding的程序员们，最近肯定被一个形象刷屏了：一个挖着鼻孔、表情呆滞、头发稀疏的黄色胖子。
这就是Ralph。简单说，它是一个Agent插件。开发者输入需求后就能当甩手掌柜，它会自我监督运行，通过不断测试代码，直到跑出完全符合需求的结果才停止。
想象一个场景：睡前打开Ralph，输入明天的开发任务，第二天醒来，所有代码已经完成，只等你最后审阅。你甚至不用像使用传统Vibe Coding工具那样，守在电脑前帮“听不懂话”的AI一行行改代码。你唯一做的事，就是睡了个好觉。
自Ralph被上传到GitHub后，不到两周就狂揽7000颗星。这个速度在GitHub上堪称恐怖，即便是头部爆款项目也难以在同样时间内达到。作为对比，DeepSeek的主仓库在同期获得的星数也才接近8000。在线编程教育平台Treehouse的创始人瑞安·卡松（Ryan Carson）直言：“所有人都在讨论Ralph。”
01 Ralph是谁？它的工作哲学是什么？
Ralph的名字来源于动画《辛普森一家》中的角色Ralph Wiggum，特点是“不太聪明，但执着不懈”。它的开发者是杰弗里·亨特利（Geoffrey Huntley），在中文互联网上，大家更爱叫他的外号——“澳洲放羊大叔”。
因为他并非传统意义上的程序员，主业是在澳大利亚放牧，而且住在房车里。回归正题，Ralph并非一个全新的独立软件，更像是一种工作哲学或一套可执行脚本，旨在让现有的AI编程代理（如Anthropic的Claude Code、Cursor等）在你离开电脑后也能持续工作。
用“大叔”自己的话说，Ralph的核心简单到可以概括为一行代码，但其威力不容小觑。
它的工作流程可以分解为几个关键步骤：
- 任务分解：将庞大的功能需求，拆分成一系列足够小、可独立完成的“原子任务”。关键是，每个小任务必须有明确的、可被机器自动检测的“通过”或“失败”标准。模糊的指令如“让界面更好看”行不通，必须是具体的，例如“添加一个优先级列，其默认值为中等”。
- 循环执行：任务清单准备好后，Ralph开始循环。每一轮迭代，它会从列表中选一个未完成的任务，读取项目当前状态（包括git历史、记录进度的
progress.txt、包含所有待办事项的prd.json），然后调用AI模型编写实现代码。
- 自动测试与反馈：代码写完后，自动运行预设测试脚本进行验证。如果测试通过，则自动提交代码到git，并在
prd.json中标记任务完成，将经验记录到progress.txt。如果测试失败，则将错误信息记录到errors.log，下一轮循环时，AI会读取错误日志并尝试用新方法解决，避免重复犯错。
这种模式巧妙地解决了当前AI编程工具的一大痛点——上下文窗口限制。
当你与AI进行长对话构建复杂功能时，随着代码量和对话轮次增加，AI会逐渐“忘记”最初的指令，可能自相矛盾或无意破坏已有功能。开发者就像在照顾一个健忘的小学生，需要不断提醒纠正，效率低下。
问题出在任务规模上。一个功能可能包含几十个部分，让AI把所有细节都保留在短期记忆里，它往往力不从心。Ralph的策略是“少食多餐”：每次只专注于一个极小的任务，完成后通过git提交固化成果，然后清空上下文，以全新状态迎接下一个任务。
这意味着，理论上它可以构建无限复杂的软件，而不会被冗长的对话历史困扰。它的“记忆”被转化成了结构化的文件：
git历史成为了AI的长期记忆，每一次提交都是知识的积累。progress.txt文件记录了已完成的工作和当前状态。prd.json文件是明确所有待完成任务的产品需求文档。AGENTS.md文件是操作指南，记录构建和测试项目的具体方法。errors.log用于在下一个循环中避免相同的错误。
02 核心：一行Bash脚本与“完成条件”哲学
尽管前面解释了这么多，但Ralph的核心机制可以被浓缩为一行简单的Bash脚本：
while :; do cat PROMPT.md | claude-code ; done
这行代码的本质是一个无限循环。它不断地将包含指令的提示文件喂给AI代理，让其反复迭代。这个看似“笨拙”的循环，恰恰是创新所在。
许多AI模型完成一轮输出后，会认为任务“差不多完成”并自行退出，可能忽略测试、构建、修复等关键步骤。Ralph的机制接管了AI的退出信号。例如，在与Claude Code集成时，一个插件会拦截AI的退出指令，检查工作成果是否满足预设条件，或输出中是否包含特定的完成标记。
如果没有找到标记，插件就不会让AI进程停止，而是强制它进入下一轮迭代。这让整个开发流程脱离了人工“卡点”，实现了从编码到测试再到修正的完全自动化，也是它能无人值守运行的底层基础。
然而，关键并非简单地“让AI一直跑”，而是“让AI知道要跑到什么时候为止”。如果没有明确、可被机器理解的完成标准，迭代就会变成无目的的资源消耗。
因此，Ralph模式强调在启动前就定义好明确、可量化、可被机器检测的完成条件，并编码在任务的验收标准中。每一轮循环末尾，AI都会自行检查这些条件。若不满足，则阻止自己退出，触发下一轮迭代，直到所有任务验收标准都被满足，出现最终完成标记。这相当于用机器替代了人工完成“结果验收”。
基于此，Ralph提供了两种主要协作方式：
- 离线Ralph：睡前设定任务，让它通宵运行，次日早上验收结果。适合需求明确、直接的任务。
- 手动挡Ralph：一次只运行一轮循环，每轮结束后开发者审查提交并适时引导。适合复杂、探索性的功能，保持更多控制权。
即便在手动模式下，由于其结构化的任务和清晰的反馈循环，通常也比传统的Vibe Coding高效得多。这种工作模式的讨论，在开发者广场也引起了广泛关注。
03 低成本与生态：为什么它反而更便宜？
除了模式创新，Ralph的另一特点是运行成本相对较低。根据开发者分享，一次包含10轮迭代的典型运行，API调用成本约30美元。有人用此模式交付、审查并测试了一个完整应用，总花费不到300美元，而过去外包同等复杂度产品的成本可能高达5万美元。
即使Ralph只完成90%的工作，开发者仅需少量时间收尾，也相当于将数天工作压缩到几小时。这有些反直觉：Ralph运行多个循环，却比其他方式便宜。
原因在于其独特的工作流程。传统长对话中，为了让AI记住之前内容，每次请求都需要重新发送全部聊天记录，导致Token消耗和费用呈指数级增长。而Ralph将“记忆”存储在git和本地文件中，而非昂贵的AI上下文里。
每次请求AI时，只需提供与当前任务相关的最少信息，完成后短暂的上下文就被抛弃。由于上下文很短，单次调用成本非常低。
实际案例印证了其潜力：有团队在创业黑客松中，利用Ralph一夜之间交付了6个项目原型；“澳洲放羊大叔”本人据称在不到三个月里，主要借助Ralph构建了一门完整的编程语言。
严格来说，Ralph没有直接竞品，但Codeium在2025年推出的Cascade在工程上可实现类似效果。目标一致，都是托管开发直至完成复杂编程，但Cascade以“plan-act-verify”（规划、执行、验证）逻辑运行。
从执行上讲，Ralph是“无限Bash循环+单次执行”，第一次运行会出错，然后在后续循环中依据错误日志改正。而Cascade先规划整个流程再执行验证，因其经过初始编排，编程和验证过程耗时更少。
但问题在于，Cascade无法无限循环。因此存在一个复杂度阈值，一旦项目超过该阈值，Cascade就无法实现像Ralph那样的完全托管。
一个围绕Ralph的生态系统正在快速形成。Anthropic已将其作为Claude Code的官方插件之一，前端开发平台Vercel的实验室也发布了支持该模式的AI SDK版本。这些官方和半官方的采纳，表明Ralph模式已从一个项目，演变为一种被行业认可的、解决实际问题的有效范式。
对于追求高效、自动化的开发者而言，理解并尝试Ralph所代表的工作流，或许能打开一扇新的大门。更多关于AI自动化开发的实践与思考，也欢迎在技术社区如云栈社区中进行交流探讨。
发表于 6 小时前
|
查看: 1|
回复: 0
