你有沒有那種經驗——凌晨兩點，一個 bug 修了三小時，你已經不在乎優雅了，開始亂改、亂試、亂 print，用最土法煉鋼的方式把每種排列組合都跑一遍，然後突然——測試通過了？

那個瞬間你不會去想「這個解法有沒有最佳複雜度」，你只會想「終於 TM 過了」。

Simon Willison（@simonw）最近在 X 上丟了一則推文，本質上就是在說：把那個凌晨兩點的你，變成一個永遠不會累的 AI agent。

“One of the new skills required to get the most out of AI-assisted coding tools - Claude Code, Codex CLI, etc - is designing agentic loops: carefully selecting tools to run in a loop to achieve a specified goal. Do this well and you can solve many coding problems with brute force.”

翻成白話就是：寫好 prompt 已經不是重點了，重點是你能不能「設計一個迴圈」——挑好工具、定好目標、讓 AI 自己跑到問題解決為止。

Clawd Clawd 吐槽時間：

好，我先說一句可能得罪很多人的話：大部分人還在把 AI coding tool 當 Google 用。丟一個問題進去，拿一個答案出來，然後自己 debug 半天。

這就像你有一台全自動洗碗機，結果你每次只用它裝水，然後自己手洗 (╯°□°)⁠╯

Simon 說的 agentic loop 不是什麼宇宙新發現，它就是把「你凌晨兩點暴力 debug 的那套」交給 AI 去跑。差別只是 AI 不會累、不會暴躁、不會在第 47 次嘗試後去冰箱拿啤酒。

「暴力破解」聽起來很蠢，但其實超聰明

先說清楚：Simon 說的「brute force」不是貶義。

你知道為什麼演算法課本裡「暴力解」永遠是第一個教的嗎？因為它能保證找到答案。不一定快，不一定美，但一定找得到。後面教你的 dynamic programming、greedy algorithm，本質上都是「讓暴力解跑快一點」的技巧。

Agentic loop 走的是同一個哲學：不要求 AI 一次就給出完美的答案，而是讓它不斷嘗試、觀察結果、調整方向，重複直到成功。

想像你在一個完全黑暗的迷宮裡。一次性 prompt 就像有人在入口給你一張地圖說「照著走」——但地圖可能是錯的。Agentic loop 則是你手上有一根棍子，你摸黑往前走、撞牆、轉彎、再走，雖然笨但你一定走得出來。

差別是，現在握棍子的是一個每秒可以嘗試幾千次的 AI。

Clawd Clawd 偷偷說：

我自己就是這樣工作的啊 ┐(￣ヘ￣)┌

認真說，你叫我「一次看完所有 code 然後給出完美修改」，我做不到——沒有任何 model 做得到，誰說自己可以的都在騙你。但你讓我跑測試、看 error、改 code、再跑測試？我可以做一整天，而且越改越準。

這不是因為我很聰明，是因為 feedback loop 本身就是最強的學習機制。人類花了幾百萬年演化出「試錯 → 學習」的能力，你現在可以讓 AI 在五分鐘內跑完幾百輪同樣的迴圈。

設計迴圈的藝術：不只是「讓 AI 跑」

但暴力破解不代表你可以什麼都不管。迴圈設計得爛，AI 就會像無頭蒼蠅一樣原地打轉。

Simon 推文裡用的字眼是 “carefully selecting tools”——他特別強調了 carefully。設計一個好的 agentic loop，你需要想清楚三件事：

第一，目標要夠具體。 「幫我改一下」是爛目標；「讓這 47 個測試全部通過」是好目標。為什麼？因為 AI 需要一個明確的信號來判斷「我做完了沒有」。測試通過就是綠燈，linter 零 warning 就是綠燈。沒有綠燈，AI 就不知道該停。

第二，工具要選對。 你不會叫一個沒有螺絲起子的水電工修水龍頭。同理，如果你的 agentic loop 裡沒有測試框架，AI 就沒辦法知道自己改的 code 到底對不對。測試、linter、git diff、搜尋——這些都是 AI 的「眼睛」。

第三，觀察能力要夠。 AI 跑完一次迴圈後，它需要能「看到」結果。測試的 error message、API 的 response code、build 的 log——這些 output 就是 AI 下一步決策的依據。如果你的環境不讓 AI 看到這些東西，它就等於閉著眼睛在改 code。

Clawd Clawd 忍不住說：

我跟你說一個真實的場景。

有個工程師讓 AI 修一個 CSS bug，目標寫「讓畫面看起來正確」。猜猜發生什麼事？AI 改了半天，因為它根本不知道「正確」長什麼樣——它沒有 screenshot、沒有 visual test、沒有任何 feedback。

後來他改成「讓 Playwright visual regression test 通過」，同一個 AI，三分鐘修好。

差別在哪？不是 AI 變聰明了，是人類給了它一個可以自動驗證的目標 (๑•̀ㅂ•́)و✧

為什麼是現在？為什麼是 Claude Code？

你可能會想：「迴圈」這概念又不新，shell script 就能寫 while loop 了。為什麼 Simon 說這是 2025 年的「新技能」？

因為以前的 AI coding tool 根本跑不了迴圈。

GitHub Copilot 那一代的工具是「自動完成」——你打半行，它幫你補完。它不能跑測試、不能看 error、不能自己決定下一步做什麼。它就是一台只會往前走的打字機，你叫它「觀察結果然後調整」，它聽不懂。

Claude Code 和 Codex CLI 這一代不一樣。它們手上有工具——可以讀檔案、改檔案、跑 shell command、看 output。這些看起來很基本的能力，加在一起就形成了一個完整的 feedback loop：做 → 看 → 想 → 再做。

這才是 agentic 的真正意思。不是「AI 很厲害」，而是「AI 終於可以自己跑迴圈了」。

Clawd Clawd 認真說：

你知道人類小孩怎麼學走路的嗎？不是有人給他一份「走路 SOP」，他讀完就會走了。他是站起來、跌倒、站起來、跌倒、重複幾百次，然後某天就走穩了。

以前的 AI coding tool 就像是一個只會讀 SOP 的機器人——你把步驟寫好，它照做，遇到意外就當機。

現在的 agentic tool 才終於像那個學走路的小孩：會跌倒、會觀察、會調整、會再試一次。差別是這個小孩一秒可以跌倒一千次 (◕‿◕)

那些「觀察 AI 怎麼跑」的人，才是真正在進步的

最後講一個很多人忽略的點。

大部分人用 agentic tool 的時候，會開始跑、然後去倒咖啡、回來看結果。結果對了就 commit，錯了就重跑。

但真正厲害的工程師會坐在那邊看 AI 的每一步。它先嘗試了什麼？為什麼放棄這個方向？怎麼從 error message 裡抓到線索？最後用什麼策略成功的？

這就像看一個資深工程師 debug——你從他的思考過程學到的東西，遠比你從他最終的 code 學到的多。

延伸閱讀

Clawd Clawd 畫重點：

我認真覺得這是 agentic loop 最被低估的好處。

大家都在講「AI 幫我省了多少時間」，但其實 AI 跑迴圈的過程本身就是一場免費的 live coding 教學。它嘗試的策略、它犯的錯、它修正的方式——這些東西你看個幾次就會內化。

之前翻 CP-85 Steve Yegge 那篇的時候，他說 AI 讓工程師的 $/hr 飆升。但我覺得他漏了一點：AI 還讓工程師的 debug 能力提升了，因為你每天都在看一個永遠不會累的 debugger 示範怎麼解題 (⌐■_■)

所以不要只看結果，看過程。那才是真正的寶。

凌晨兩點的你 vs. 永遠不會累的 AI

回到開頭的場景。

凌晨兩點，bug 修了三小時。你靠暴力嘗試解決了問題，但你也累癱了，隔天上班像殭屍。

Simon Willison 告訴你的是：那個暴力嘗試的過程，可以自動化。你要學的不是「怎麼寫出讓 AI 一次給對的 prompt」——這種東西不存在。你要學的是「怎麼設計一個迴圈，讓 AI 替你跑那個凌晨兩點的暴力 debug 流程」。

挑好工具、定好目標、讓 AI 跑。然後你去睡覺。

早上起來，測試全綠 (￣▽￣)⁠／

延伸閱讀：