真正的軟體工程專家，絕對會反覆強調人工審查 AI 生成的程式碼有多重要，但一定有些檢查項目（像是單元測試）很繁瑣又花時間，讓你很想全部丟給 AI。夢幻情境會是：你上床睡覺以前給 AI 下了一個任務，隔天早上醒來後，6 個全新的程式庫已經完成、並通過所有測試！
這個夢幻情境已經成真了！Claude Code 創造者 Boris Cherny 親自分享了他的 AI 實際用法，透過 Ralph Wiggum Loop，就能達成這樣的體驗。
這篇文章將介紹 Claude Code 裡的 Ralph Wiggum Plugin 外掛是什麼、以及怎麼使用。
Claude Code 元老就是這麼做#
Boris Cherny 是 Claude Code 創辦者之一，他在 X.com 的分享 中，提到他本人的使用數據：
「在過去 30 天內，我完成了 259 個 Pull Requests、新增 40,000 行程式碼
每一行都是由 Claude Code + Opus 4.5 撰寫的。」
「Claude 能夠持續運作數分鐘、數小時，甚至數天（使用 Stop hooks）。
軟體工程正在改變，我們正進入程式設計歷史的嶄新時代。」
過去這陣子真的經歷了很大的轉變，在 2024 年底，Claude 還在為產生 bash 指令時的跳脫字元問題掙扎，只能運作幾秒或幾分鐘。而到了今天的 2026 年開頭，它已經能夠連續工作數天，完成整個專案的開發。
也正是「Claude 連續運作數天」這一句，引起我的興趣。
Boris 在 Threads 上 分享的 Claude Code 使用技巧，明確提到他使用的是 Ralph Wiggum 外掛 來執行要跑超久的任務。
他更分享了實戰案例：在 Y Combinator 黑客松，Ralph Wiggum 外掛一夜之間產出了 6 個順利可用的程式庫；另個案例是一位聰明的工程師在學會 Ralph Wiggum 技術後，用來外包接案，以 297 美元的 API 成本完成了一個價值 50,000 美元的合約。
Ralph Wiggum Loop 的創始者是誰？不是 Claude Code！（點擊展開 ▼ ）
Ralph Wiggum Loop 方法的創始者是 Geoffrey Huntley。他創立此方法是為了克服 AI Agent 常見的「偷懶」問題。即 AI 在處理複雜任務（如建構後端或除錯）時，往往寫了幾行程式碼或忽略了錯誤，就自信地宣稱任務已完成並過早退出對話。
Huntley 的工作哲學核心在於「迭代進步比完美更重要」 (Iteration > Perfection)。他認為在 AI 開發中，失敗經驗都是訓練數據（Failures are data），那些決定論式的錯誤（Deterministically bad，換言之，非隨機的錯誤）其實是極具價值的資訊，能引導開發者像在幫樂器調音一樣不斷微調提示詞。他強調開發者必須具備強大的信念，相信「最終一致性」 (Eventual Consistency)，即透過 AI 頑固且不間斷的自我修正循環，最終一定能達成正確的目標狀態。
Huntely 在建立 CURSED 語言的過程中提到：
「建造軟體需要極大的信念和對最終一致性的相信。Ralph 會考驗你。每次 Ralph 在建立 CURSED 時走錯方向，我都沒有責怪工具；相反地，我審視自己。每次 Ralph 做了壞事，我就調整 Ralph，就像幫吉他調音一樣。」
所以，Ralph Wiggum 究竟是什麼厲害的方法？我們從「為什麼」需要它的緣由開始談。
為什麼我們需要 Ralph Wiggum Loop？#
問題：AI 代理會「偷懶」？#
大多數的 AI 輔助開發，會像是雇用了一個會偷懶的實習生，你必須不斷地追蹤進度、指出錯誤，這反而是增加了管理成本。惱人的情況包括：
- 提早結束：例如 AI 在建立後端系統時，可能只寫了幾個檔案、忽略了資料庫架構，就自信地宣稱任務完成
- 成功的幻覺：為了節省 Token、或單純認為自己做完了，AI 會產生「已經成功」的幻覺，導致你必須花時間手動檢查、並提醒它修復遺漏的細節
- 缺乏自我修正：一旦對話結束，AI 就不會再主動檢查之前的錯誤，除非你再次介入
解決方案：逼 AI 堅持下去#
Ralph Wiggum Loop 的核心概念是：不讓 AI 輕易退出，直到任務真正完成。
它透過 Claude Code 的 Stop Hook 機制來實現：
- 當 Claude 完成工作、並嘗試結束對話時，Stop Hook 會攔截這個退出動作
- 檢查輸出內容是否包含你事先定義的「完成承諾」（例如
DONE或FIXED） - 如果沒找到，就把相同的提示詞重新餵回給 Claude
- Claude 會讀取之前的執行記錄、發現錯誤（例如測試失敗），然後在新的迴圈中嘗試改進程式碼
- 持續這個過程，直到真正完成工作（或者達到事先設定的最大迭代次數）
趣味命名：為什麼叫 Ralph Wiggum？#
Ralph Wiggum 這個名稱來自《辛普森家庭》中的角色，他是一個天真、經常做傻事、卻又異常執著的小男孩。
Ralph 在劇中的有趣台詞之一是：
（我英文不及格？那不可能啦！）
這種「即使失敗也堅持下去」的精神，完美體現了這個 Ralph Wiggum 這個方法的核心理念。
就像 Ralph 這個角色雖然常出錯、甚至是糟糕到很明顯，卻能透過不斷的迭代與改進，最終達成目標。這正是 AI 開發需要的模式：在一個不確定的世界中，透過可預測的失敗模式來達成最終的成功。
Ralph Wiggum Loop 到底是什麼？如何運作？#
核心定義#
Ralph Wiggum Loop（也稱為 Ralph Loop）是一種強制 AI 堅持下去（Force Persistence）的迭代開發方法論。Ralph 最原始的形式，單純是一個 Bash 迴圈：
while :; do
cat PROMPT.md | npx --yes @sourcegraph/amp
done
而在 Claude Code 中，它優雅地被實作為一個 外掛（Plugin），利用 Stop Hook 機制在單一 session 內部建立自我參照的回饋迴圈。
用一個簡單的比喻來說，Ralph Loop 是不讓 AI 員工下班的血汗工廠，Ralph Loop 給 AI 員工一間「除非事情做完、否則門會鎖死」的辦公室。它可能要嘗試 10 次、20 次才會做對，但最後一定會拿著正確的成果（DONE）出來見你。這個機制確保 AI 不會偷懶提早下班，而是會持續工作直到任務真正完成。
運作原理#
讓我們來認識 Ralph Loop 的完整運作流程，如同上方文章所述，它是一個不斷使用相同提示詞的 Bash 迴圈（Loop）：
1. 初始化#
/ralph-loop "建立 REST API 並通過所有測試" --completion-promise "DONE" --max-iterations 20
你只需執行一次指令，然後 Claude Code 會：
- 接收任務描述
- 開始第一次嘗試
- 啟動 Stop Hook 監控
2. 迭代迴圈#
檢查輸出是否有 DONE}; D -->|有| E[任務完成]; D -->|無| F[重新餵入相同提示詞]; F --> A; style E fill:#90EE90; style F fill:#FFE6D1;
3. 自我修正#
這是 Ralph Loop 最神奇的地方：雖然提示詞不變，但環境狀態會改變。
- 第 1 次迭代：Claude 寫了程式碼，但測試失敗
- 第 2 次迭代：Claude 看到測試失敗的輸出，修改程式碼
- 第 3 次迭代：Claude 看到新的錯誤訊息，繼續調整
- …
- 第 N 次迭代：所有測試通過，輸出
DONE，迴圈結束
每次迭代中，Claude 都能看到：
- 已修改的檔案內容
- Git 歷史記錄
- 測試執行結果
- 錯誤訊息
這讓它能夠基於實際的執行結果來改進程式碼，而不是憑空猜測。
不就只是燒錢浪費 token 在做同一件事嗎？
表格整理：Ralph Wiggum Loop 的特徵#
| 典型 AI 輔助開發 | Ralph Wiggum Loop |
|---|---|
| 一次性嘗試，成功與否都結束 | 持續嘗試直到成功 |
| 需要人工追蹤進度 | 自動追蹤並修正 |
| 錯誤需要人工餵回 | 自動讀取錯誤並改進 |
| 適合簡單任務 | 適合複雜長期任務 |
| 無法離線工作 | 可以掛機執行 |
Ralph Wiggum Loop 快速開始指南#
安裝與設定#
步驟 1：安裝 Plugin
/plugin install ralph-loop@anthropics
（官方外掛連結）
\plugin 指令搜尋到這個外掛步驟 2：啟動你的第一個 Ralph Loop
/ralph-loop "請寫一個 Python 計算機模組，包含加減乘除功能和完整測試" \
--completion-promise "COMPLETE" \
--max-iterations 15
關鍵參數說明#
--completion-promise：定義一個代表「完工」的關鍵字（如DONE、COMPLETE、FIXED），當 Claude 輸出此字串時，迴圈才會停止--max-iterations：最大迭代次數限制，設個上限作為安全網，防止 AI 陷入無限迴圈並消耗過多 Token 成本。也就是在防止你的帳單大爆炸，因此強烈建議設定！
撰寫有效的 Prompt#
✅ 好的 Prompt 範例#
建立一個 REST API 用於待辦事項管理
需求：
- CRUD 端點（GET、POST、PUT、DELETE）
- 輸入驗證
- SQLite 資料庫
- pytest 測試（覆蓋率 > 80%）
- README 文件
完成標準：
- 所有測試通過
- Linter 無錯誤
- API 文件完整
- 輸出：<promise>COMPLETE</promise>
把完成標準寫清楚是運用 Ralph Loop 最重要的關鍵，下方文章會再講更多。
❌ 不好的 Prompt 範例#
建立一個待辦事項 API，讓它好用一點
何時該使用 Ralph Wiggum Loop？#
最適合的使用場景#
1. 測試驅動開發（TDD）#
TDD 適合 Ralph Loop 執行，因為測試結果是明確的二元狀態（通過 vs. 失敗），AI 可以自動且清楚地判斷、並改進。TDD 是 Ralph Loop 最強大的使用場景。
/ralph-loop "實作使用者認證模組：
1. 撰寫測試以建立失敗標準
2. 實作功能讓測試通過
3. 重構程式碼
4. 重複，直到所有測試通過且覆蓋率 > 90%
完成時輸出 DONE" --max-iterations 30
2. 複雜 Bug 修復#
適合當 Bug 的成因明確但修復路徑複雜時。
/ralph-loop "修復付款處理模組中的稅金計算錯誤：
- 重現 Bug
- 分析根本原因
- 實作修復
- 確保回歸測試全部通過
- 新增防止此類錯誤的測試
完成時輸出 FIXED" --max-iterations 20
3. 大規模重構#
適合處理需要數小時才能完成的系統遷移。
/ralph-loop "將資料庫從 MySQL 遷移到 PostgreSQL：
- 更新所有 ORM 模型
- 修改查詢語法
- 更新測試
- 確保所有現有功能正常運作
完成時輸出 MIGRATED" --max-iterations 50
4. 自動化開發#
當你需要「放手」讓 AI 在深夜或週末自動處理全新專案（Greenfield Project）時：
# 睡前執行
/ralph-loop "建立電子商務後端 API：
Phase 1: 使用者認證（JWT、測試）
Phase 2: 產品目錄（列表/搜尋、測試）
Phase 3: 購物車（新增/移除、測試）
所有階段完成後輸出 ECOMMERCE-COMPLETE" --max-iterations 100
如何判斷是否該使用？#
使用以下檢查清單來決定：
☑ 成功標準是否可由機器判定？
- 可以：編譯成功、Linter 無錯誤、測試 100% 通過
- 不可以：「讓頁面變漂亮」、「最佳化使用者體驗」
☑ 任務是否能接受迭代花費的成本？
- 如果你追求最終結果產出穩定、符合客觀標準，而非一次到位
- 願意支付多輪 API 呼叫的費用以換取自動化結果
☑ 你能否能精確定義 DONE 的狀態？
- 可以：「所有測試通過且 coverage > 80%」
- 不可以：「大致完成就好」
重要警告與限制#
⚠️ 必須設定 --max-iterations#
這是最重要的安全網。若不設定，AI 可能陷入無限迴圈，導致高昂的 API 費用。
簡單任務可以設定 10~20 次，大型專案可以大膽點設定 50~100 次。
⚠️ Prompt 中應說明「卡住了」該怎麼辦#
Claude Code 也不是所有問題開了無限迴圈就一定能解決，為了防止 AI 在無法解決問題時陷入（無效的）無限循環，我們要設定 Stuck Handling Prompt，在提示詞中預先加入「逃生計畫」（Escape Hatch），確保在失敗時仍能提供有價值的回饋。
若嘗試 15 次後仍未完成：
- 記錄阻礙進度的問題
- 建議替代方案
- 輸出 BLOCKED 並說明原因
⚠️ --completion-promise 要精確#
此參數會是精確字串比對，因此：
- ✅ 確保 Prompt 指示 AI 輸出完全一致的關鍵字
- ❌ 無法用於多種完成條件（如
SUCCESSvs.BLOCKED） - ✅ 務必搭配
--max-iterations作為主要安全機制
最不適合使用的場景#
❌ 需要人類判斷、或者（主觀）審美標準#
廣義地說，任何無法透過程式自動檢測驗證的任務都不適合 Ralph Loop。例如「漂亮」無法由程式自動驗證，AI 會隨意猜測並立即宣稱完成。
# 不良示範
/ralph-loop "讓首頁變漂亮" --completion-promise "DONE"
❌ 追求即時結果的單次操作#
如果你需要馬上看到結果並進行互動，傳統的聊天模式更有效率。
❌ 生產環境（Production）不該用！#
在生產環境中應使用目標明確的 debug 除錯，千萬不要放任 AI 在迴圈中隨意修改 PROD 裡的關鍵基礎設施。
❌ 需要外部審批或人工干預#
如果流程中途需要你點頭同意，Ralph 的自動迴圈優勢就會消失。
結語#
Ralph Wiggum Loop 體現了幾個關鍵原則：
- 確定性失敗：在不確定的世界中可預測地失敗
- 持續勝於完美：不追求一次到位，而是透過迭代達到最終一致性
- 人機協作：允許人工介入調整，但不依賴持續監督
這個技術的成功關鍵在於給 AI 明確的成功標準、自動化的驗證機制（如測試），以及足夠的迭代空間。我覺得 Ralph Loop 跟 Machine Learning 的工作流很像，成功關鍵都是要定義好測試標準（Evaluation Metric）、然後讓程式在每次迭代中學習。
現在，相信你已經了解 Ralph Wiggum Loop 的完整概念。親自試試看吧：
- 安裝插件：
/plugin install ralph-loop@anthropics - 設定一個明確的任務與完成標準
- 設定合理的
--max-iterations限制 - 啟動迴圈，然後放心地去喝杯咖啡 ☕
然後想想 Ralph 掛在嘴上的：「I’m learnding!」，期待你的 AI 代理也能在持續的迭代中，真正學會如何完成任務。
參考資料：
- Claude Code 官方 Ralph Wiggum 外掛
- Geoffrey Huntley：Ralph is a Bash Loop
- Ralph Orchestrator：由社群開發的進階工具，可協調多個 Ralph Loops
- 來自 Y Combinator 的成功案例：記錄了開發者如何利用 Ralph 循環在一個晚上自動交付 6 個專案倉庫的傳奇經歷
如果這篇文章有幫助到你，歡迎追蹤好豪的 Facebook 粉絲專頁 、 Instagram 與 Threads 帳號，我會持續分享我學習 Claude Code 與 AI 的心得；也可以點選下方按鈕，分享給同樣在追蹤 AI 趨勢的朋友們。