Claude Code 推出 /goal 功能：设定目标后持续工作直至完成

人工智能编程工具领域正在经历一场静默的革命。继 OpenAI Codex 推出 /goal 命令后，Anthropic 旗下的 Claude Code 也在 2.1.139 版本中正式上线了同名功能。这一功能的核心理念非常简单却强大：用户设定一个完成条件，AI 就会持续工作，直到条件满足才会停止。这种「不达目的不罢休」的工作模式，标志着 AI 编程助手从被动响应向主动执行的重要转变。

互相借鉴还是英雄所见略同？

/goal 功能的运作机制颇具创新性。用户只需输入目标条件，例如「test/auth 下所有测试通过，lint 干净」，然后按下回车键，Claude 就会开始持续工作。系统会在每轮结束后自动判断目标是否达成，如果没有达成就继续下一轮，直到条件满足为止。在运行过程中，界面会显示一个状态面板，实时展示已运行时间、轮次数和 token 消耗等关键信息。

裁判分离：最关键的设计差异

有趣的是，OpenAI Codex 推出 /goal 功能时，灵感来源于 Claude 生态中的 Ralph Loop 模式。这个名字来自《辛普森一家》里的 Ralph Wiggum——一个「无知、执着、乐观」的小男孩。开发者 Geoffrey Huntley 用他的名字命名了一种 Agent 循环模式：给 Agent 设定一个目标，让它自己不断迭代，失败了就重来，直到目标达成。VentureBeat 甚至专门为此撰文，称 Ralph Wiggum 已成为 AI 界最热门的名字之一。 而当 Codex 发布 /goal 时，明确表示灵感来自 Claude 生态的 Ralph 脚本。如今 Claude Code 推出自己的 /goal 版本，这种互相借鉴的关系引发了社区的热议。更巧合的是，Codex 随后推出的宠物功能（悬浮在桌面上的状态小组件），也被曝出是受 Claude Code 宠物功能的启发。这种良性的技术竞争，对整个 AI 编程工具领域的发展无疑是件好事。

目标制定的艺术

Claude Code 与 Codex 之间最核心的设计差异在于评估机制。Codex 采用的是让工作模型自己做「完成审计」——每轮结束后，系统注入指令要求模型将目标拆解成检查清单，逐项验证。这种设计的问题在于：让一个模型同时担任「运动员」和「裁判」，它很容易把「我产出了东西」等同于「我达成了目标」。 Claude Code 则采用了「裁判分离」的思路：干活的归干活，验收的归验收。每轮结束后，系统将目标条件和对话记录发送给一个独立的小模型（默认是 Haiku），由它来判断条件是否满足。如果没满足，评估模型还会返回一段理由，告诉主模型哪里还差，作为下一轮的方向指引。这种设计有效避免了模型自我评估时的偏差问题，同时轻量级的 Haiku 模型几乎不增加额外的 token 成本。

编程即训练：范式转变的深层思考

要让 /goal 功能发挥最大效用，目标条件的制定至关重要。官方文档总结了三个关键要素：首先是一个可衡量的终态，如测试结果、构建退出码、文件数量等；其次是一个验证方式，证明任务确实完成了；最后是不能破坏的约束，明确过程中不能改动什么。 一个好的目标条件应该是 Claude 自身输出能够证明的形式。例如「所有测试通过」就是好条件，因为 Claude 会去跑测试，结果自然会出现在对话中。而「代码质量提升了」就太模糊了，评估模型无法判断。条件最长支持 4000 个字符，还可以直接在条件中限制运行轮次，如「20 轮后如果没完成就停下来」。

如有侵权，请联系删除。