从 PRD 到代码：Ralph 驱动的自治 AI 智能体执行循环¶

Ch01.1184 从 PRD 到代码：Ralph 驱动的自治 AI 智能体执行循环¶

📊 Level ⭐⭐ | 5.0KB | entities/从-prd-到代码ralph-驱动的自治-ai-智能体执行循环.md

从 PRD 到代码：Ralph 驱动的自治 AI 智能体执行循环¶

来源: 技术极简主义

发布日期: 2026-02-23

原文链接: https://mp.weixin.qq.com/s/iVfaAJx4DuFuzihf0TouHA

传统的软件开发流程中，我们会先写需求文档、设计文档，再进行编码。但在 AI 编程时代，尽管工具越来越强大，从 PRD 到可直接上线的代码，自动化流程仍然不够顺畅。

Ralph 正是为了解决这一问题而设计。它基于 Geoffrey Huntley 提出的 Ralph 循环模式 [1] ，通过不断启动 AI 编码工具（Amp 或 Claude Code），逐条处理 PRD 中的任务，直到所有事项完成为止。

在上一篇文章 简单就是美！Claude Code Ralph循环机制详解 中，我们已经系统了解了 Ralph 如何接管重复性工作，并保证任务可靠完成。

在本文中，我将带你看看 Ralph 是如何实现 自动化开发 的，包括它的核心原理、完整流程、最佳实践，以及在实际项目中的应用效果。

核心原理¶

架构设计：Bash 循环 + AI 实例¶

Ralph 的架构其实很简单。核心是一个 Bash 循环脚本：每轮迭代启动一个新的 AI 实例，读取 PRD 数据，只处理一个明确的任务，然后进入下一轮。

创建 PRD
    ↓
转换为 JSON → prd.json（任务清单）

↓
ralph.sh（Bash 循环）
    ↓
启动 AI 实例 → 读取 prd.json → 选择未完成任务

↓
实现单个任务 → 运行质量检查 → 提交代码 → 更新 AGENTS.md / CLAUDE.md

↓
更新 prd.json → 将经验写入 progress.txt → 进入下一轮

↓
所有任务完成 → 输出 COMPLETE

这种设计的关键在于： 每一轮迭代都使用全新的上下文窗口。

AI 不依赖之前的对话记忆，而是通过外部存储（ Git 历史 、 progress.txt 和 prd.json ）来获取状态。这样既避免了上下文不断累积带来的限制，也能确保每次迭代都基于最新、可审计的项目状态。

核心概念¶

每次迭代 = 全新 AI 实例

在 Ralph 的流程里，每轮都会启动一个新的 AI 实例（Amp 或 Claude Code），不沿用之前的对话记录，上下文都是全新的。

需要保留的状态，都放在外部：

• • Git 历史 ：记录开发过程中的变动和约定

• • progress.txt ：保存当前进度和关键经验

• • prd.json ：任务列表及完成情况

小任务原则

每个 PRD 里的任务最好一次就能做完。任务拆得不够细，模型还没写完，上下文就快满了，后面的代码质量肯定会受影响。

比较合适的任务例子（一次迭代能完成）：

• • 添加一个数据库列并编写迁移

• • 在现有页面中新增一个 UI 组件

• • 修改一段已有的服务端逻辑

• • 给列表页加一个筛选下拉框

明显偏大的任务（需要继续拆分）：

• • 实现一个完整的仪表板

• • 新增一整套认证/登录体系

• • 对现有 API 做整体重构

AGENTS.md / CLAUDE.md 的更新很重要

每

→ 原文存档

关联¶

• 相关概念: Harness Engineering