如果让AI从“对话式助手”进化到“自主执行者”，关键在于如何设计其“行动-验证-终止”的闭环。Anthropic团队在Claude Code中给出了答案：将智能体循环（agentic loop）系统化为四种明确模式，并辅以SKILL.md文件作为验证锚点，让开发者无需每次手动介入即可完成复杂编码任务。这不仅是功能更新，更是AI编程工具从“代码补全”迈向“自主代理”的分水岭。

第一类：turn-based循环——最接近用户与AI的交互习惯。用户每次提示触发一次循环，Claude自行判断任务是否完成或需要更多上下文。它类似传统对话，但不同之处在于Claude内部会持续追踪目标完成度，而非简单回复。缺点是当验证步骤繁琐时（如测试通过、格式检查），用户仍得手动确认。Anthropic为此引入SKILL.md：将人工验证步骤以Markdown文件编码，Claude能自动读取并执行端到端检验，从而减少turn-based中的手动操作。

第二类：goal-based循环通过/goal命令设定可验证的完成标准与最大轮次。比如“编写一个HTTP服务器，监听8080端口并返回/health为200”，Claude会在规定轮次内不断尝试，直到标准达成或用尽轮次。这种模式适合定义明确、结果可量化的任务，例如重构模块、生成测试用例。

第三类：time-based循环使用/loop按时间间隔重复执行，还可结合/schedule将循环移至云端持续运行。典型场景：每5分钟检查一次CI构建状态并修复失败步骤，或每小时抓取一次外部API数据并更新本地缓存。它让Claude Code从单次工具变为定时守护进程。

第四类：proactive循环最为激进——基于事件或计划自动触发，无需用户实时参与。例如监听Git仓库的push事件，自动拉取最新代码并运行静态分析，在发现潜在bug时直接创建PR。这相当于将AI嵌入DevOps流水线，成为持续集成的智能节点。

这四类循环构成一个从“高人工介入”到“全自动执行”的光谱。与传统代码生成工具（如GitHub Copilot）依赖即时补全不同，Claude Code的循环设计显式定义了“何时停止”和“如何验证”，这正是自主代理的关键。SKILL.md的引入尤其值得关注：它把隐性的开发者判断标准（如“代码风格符合PEP8”“测试覆盖率不低于80%”）变为机器可读的脚本，使得AI不仅能生成代码，还能自检是否符合规范。

对于开发者而言，不必一次性拥抱所有循环。建议从turn-based循环的SKILL.md入手，将日常重复性检查（如lint、test）交给Claude，再逐步尝试goal-based完成明确子任务，最后探索time-based和proactive在自动化流水线中的应用。随着这类框架成熟，AI编程将从“写代码”转向“定义循环与验收标准”——这才是下一代开发者真正的技能杠杆。