OpenClaw 之父 Peter Steinberger 和 Claude Code 之父 Boris 在同一天发出了同一个信号：Agent 自主运行数天的时代，手动编写 prompt 已经变成一种落后的做法了。
Boris 还分享了一套用好 Agent 的 5 个技巧，我把它拆解了一遍，附上可以直接套用的玩法。
先回想一个扎心的问题：
你最近是不是还在做这些？——调输入的 prompt、盯 Agent 的运行 trace、回头再给 Agent 加更多约束，跑偏就改，再跑偏再改……
这个方向，错了。
OpenClaw 之父今天发了条推，原话特别冲：
这是每月一次的提醒：你不应该再手动为编码 Agent 编写提示词了。你应该设计能够提示智能体的循环。
Boris Cherny，Claude Code 之父，今天分享了 5 个技巧，关于怎么让 Claude Opus 自己跑几小时、甚至几天不用你管。
把这两条放在一起看就懂了：一个在说别再调 prompt 了，一个在演示：不调 prompt，那该调什么呢？
这让我想起上周四分享的内容：我用 Karpathy 的 Autoresearch 跑通 Agent harness 调优，任务通过率从 60% 飙到 80%。
我让模型自己给自己迭代一个上下文管理插件，去刷 SWE-bench。我没怎么调 prompt，是搭了一个让它自己写、自己测、自己分析、自己迭代 20 版的循环。
结果，任务通过率从 60% 干到了 80%，而最后那个最优解，只是一行不到 50 个字符的 hooks 注入。
一个很简单的实验，让我对“模型变，harness 就得跟着变”这句话认识更深刻了。
决定 Agent 上限的，不是起始的那段 prompt 写得多妙，是你给它搭的那个循环。
下面是 Boris 的 5 个技巧，我逐条解读一下。这可以说是 2026 年 6 月份最新用好 Claude Code 的 5 个好习惯了。
用自动模式处理权限。 不要让 Agent 每次都要请求审批，相信它的自动权限判断。一旦非要人守在那点“允许”，循环就断了，它就没法连跑几天。
用动态工作流，让它自己编排几百上千个子 Agent。 这特别适合复杂任务。给它一个任务，Claude 会自动分解成子任务，每个子任务再次分解，一次又一次地持续这个过程，直到每个任务足够小，让 Claude 可以轻松完成。
用 /goal 或 /loop 指令，推着它干到完成为止。 这是 Agent 最直白的形态：给一个终点，让它自己转圈逼近。
把 Claude Code 跑在云端，好合上电脑。 电脑不闭合，已经成了今年 vibe coding 的标准姿势了……
让它能端到端自己验收。 这条我觉得最关键——网页用 Chrome 插件校验，移动端用模拟器 MCP 校验，后端就真起一个服务去验。让 Agent 自己能判断自己干对没干对，才能持续迭代提升。
其实这 5 条传达的就是一个理念：搭一个能自己转、自己验、不用你守的 Agent 循环，让 Agent 自己可以提升。
但这里有个更狠的真相，没人愿意说。那是不是学会搭这套能让 Agent 循环的体系就行了？
可能也没那么简单。今天 VentureBeat 上一位硅谷 CTO 写了篇文章，泼了盆冷水，但我觉得他说到了根上：
Agentic AI 解决了写代码，却暴露出了软件工程里所有别的问题。
原话我翻译一下：
写代码，从来就不是瓶颈。真正难的是定义需求、对接复杂系统、在真实环境里维护。AI 压缩了执行的时间，但它压缩不了模糊性、责任和运维复杂度。
当 Agent 把海量代码灌进一个组织，那个最难的部分——人去审、去验收、去背锅——反而成了新的、巨大的瓶颈。
这就接上了去年很多人质疑 Agent 的一个点：Agent 一天能改一百版，你一天审不完一版。
怎么让 Agent 任务完成得更好？现实变成了怎么让它自己跑、自己验、还不烧穿钱包、结果还持续提升。
整体上，应该很多朋友已经这么玩很久了，包括我前几个月分享过一天烧几亿 token 也是这个模式。我觉得最难的，还是国产模型在这种模式下，任务遵循始终没有那么好。Claude、GPT 这些模型很聪明，但是烧起来太快，额度根本兜不住……
泪崩。
云栈社区将持续分享 Agent 自主循环的落地经验与工程化思考。
发表于 1 小时前
|
查看: 3|
回复: 0
