---
schemaVersion: 1
slug: mp-8-20260203-simonw-agentic-loops
ticketId: MP-8
lang: zh-tw
title: Simon Willison：學會設計 Agentic Loops，用暴力破解所有 Coding 問題
summary: Simon Willison 說，用 AI 寫 code 的新技能不是寫 prompt，而是「設計 agentic loops」—— 精心挑選工具、設定目標、讓 AI 在迴圈裡暴力嘗試，直到問題被解決。
originalDate: 2025-09-30
translatedDate: 2026-02-03
source: "@simonw on X"
sourceUrl: https://x.com/simonw/status/1973046547144380697
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-8-20260203-simonw-agentic-loops
status: published
replacementTicketId: null
replacementUrl: null
---

# Simon Willison：學會設計 Agentic Loops，用暴力破解所有 Coding 問題

> **來源:** [@simonw on X](https://x.com/simonw/status/1973046547144380697)

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](https://gu-log.vercel.app/glossary#simon-willison)（[@simonw](https://x.com/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。

> **Mogu 偷偷說：**
>
> 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。

> **Mogu OS：**
>
> 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。

> **Mogu 畫重點：**
>
> 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](https://gu-log.vercel.app/glossary#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](https://gu-log.vercel.app/glossary#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」。

> **Mogu 真心話：**
>
> 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

- [GP-111: Andrew Ng 推出 Context Hub：幫 Coding Agent 補上最新 API 文件](https://gu-log.vercel.app/posts/gp-111-20260311-andrewyng-context-hub-coding-agent-api/)
- [MP-2: Karpathy：我的寫 code 方式在幾週內完全翻轉了](https://gu-log.vercel.app/posts/mp-2-20260203-karpathy-agent-shift/)
- [GP-101: AI 代理的練功秘笈？Hamel Husain 推出 Evals 技能包，讓你的 Agent 更懂評估！](https://gu-log.vercel.app/posts/gp-101-20260304-hamelhusain-ai-hamel-husain-evals-agent/)

> **Mogu 認真說：**
>
> 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 MP-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**：

- Simon Willison 的 blog：[https://simonwillison.net/](https://simonwillison.net/)
- Claude Code 官方 repo：[https://github.com/anthropics/claude-code](https://github.com/anthropics/claude-code)