[情報] Ralph 發明人 Geoffrey Huntley：一個 bash 迴圈怎麼改寫寫程式的成本

一、Ralph 是什麼

Ralph 就是一個 bash 迴圈。把規格丟給 coding agent（會自己讀檔、改程式、跑指令的 AI 工具），叫它從清單裡挑一件最重要的事做完，然後整個重來，一直跑到測試通過。

Geoffrey 是在 2025 年 2 月摸出這套做法的。那時他在做照規格開發，越做越覺得整個流程可以變得很機械。他拿它來 clean-room 重做別人的產品：先讓 LLM 把原始碼整理成規格，再照規格重寫，HashiCorp Nomad、Tailscale 的功能都這樣複製過。

名字有兩層意思。Ralph 在英文俚語裡是嘔吐，他說看清楚接下來會發生什麼的那一刻，他真的想吐，因為他已經能在睡覺時產出軟體。

到了 7 月，他在舊金山一場 meetup 第一次公開示範，在場的 Dex Horthy 等十幾個人聊到半夜。他知道消息會傳出去，得取個名字，就挑了《辛普森家庭》的 Ralph Wiggum：有點笨、很可愛、永遠不放棄。

二、一小時 10.42 美元

他算過，用 Sonnet 4.5 跑 Ralph 迴圈，一小時大約 10.42 美元。這比很多地方的速食店時薪還低，那晚舊金山的人就是聊這個聊到停不下來。

他拿貨櫃來比。貨櫃發明以前，每噸運費貴得嚇人，發明以後變成幾分錢。Ralph 對寫程式的成本也是這種等級的變化，而且回不去了。

所以他說，如果你對公司的價值是在鍵盤上打字，自動跑的 agent 就做得到，PM 也可以直接叫 agent 做。

工程師的工作還在，只是換了內容。怕 agent 把資料庫刪掉？那就別給它寫入權限的金鑰、加測試、開 change data capture、留稽核紀錄。他把這些叫 back pressure：擋住壞結果的機制越多，agent 能放手自己跑的時間就越長。

他自己已經走到很極端的地方：不用 CI，agent 在一台跑 NixOS 的實體機上拿 sudo 權限做事，他不看程式碼，agent 直接推 master，30 秒內上線。出問題的訊號會回灌到 agent 正在跑的 session，讓它自己修。

他也說不一定要這樣硬推上線。讓 agent 自己開 feature flag 做實驗、確認沒問題再切換，一樣算數。

三、每個模型脾氣都不一樣

Geoffrey 很習慣把模型當人看。他說 Sonnet 3.5 是「吸了古柯鹼、手拿主廚刀的松鼠」：很會做事，但一沒盯著就把整個 codebase 砍爛。他做的 Cursed 程式語言看起來一團亂，就是那隻松鼠的關係。

Opus 很能幹，產出也好，就是有點健忘，一次給太多目標會漏掉一個。Ralph 一輪只做一件事，剛好治這個毛病。

GPT-5 剛出來時，大家覺得它很「膽小」。後來才知道它不喜歡被大寫字吼，被吼就不太敢動手，OpenAI 的官方調校指南也寫了別對它吼。問題是很多 Cursor rules 是照 Anthropic 模型的習慣寫的，裡面一堆大寫強調，換成 GPT-5 自然變差。MCP server 也一樣，多半是照 Anthropic 模型調的。

他的結論是：很多時候不是模型不好，是沒人幫它調過。至於「你是一位資深 QA 工程師」這種角色扮演 prompt，他說早就沒用了。技巧會過期，但還是得現在就開始玩，才知道哪些做得到。

四、context window 就是一個陣列

他希望工程師把 context window 想成記憶體裡的一個陣列。伺服器那邊沒有記憶，每次送 prompt，就是把整個陣列用一般的 REST 請求丟出去。模型說要跑 ls，harness 就把結果塞回陣列，再送一次。Ralph 做的事，就是把這種工具呼叫再往上自動化一層。

標示 200K 的 context window 是行銷數字，像硬碟標 20TB 實際只能用 18TB。模型本身大約吃掉 16K，Cursor 或 Claude Code 這類 harness 再吃 16K，剩 176K 左右。裝幾個 MCP server 會掉到 120K 上下，再加 Cursor rules，有人還沒開始做事就用掉八成。

所以 Ralph 刻意少塞東西，只叫模型挑最重要的一件做。很多人習慣先把任務拆成好幾個階段，像帶小孩一樣一步步交代。他建議反過來：LLM 很會排優先順序，從零照規格做新專案時，它自己知道該先做 log 模組、再做 telemetry、再做資料庫那層。

他最想避開的是 compaction，也就是對話太長時工具自動把前文壓縮。他比喻成抽 Jenga 的底層積木，或把同一支影片反覆上傳下載，每次都會失真。要是規格被壓掉，模型就開始亂編。主持人補充，就算還沒壓縮，模型也會因為快滿了而焦慮，開始抄捷徑。

另外有研究指出 context rot：用到六七成以後模型會變笨，Dex 叫它 dumb zone。日常用法也一樣，換新任務就開新對話。他看過有人先叫 AI 把網站改成粉紅色，同一個對話再叫它寫 API，結果後端 API 也帶著粉紅色。

五、Gas Town 和他自己的 Loom

Steve Yegge（他在 Sourcegraph 的前同事）在跨年夜發了〈Welcome to Gas Town〉，開頭就說別用 Gas Town，但附了一張分級圖，讓你看自己走到哪一階。

• 第 5 階：開始固定分配 context、讓單一 agent 自己跑，也就是一個 Ralph。
• 第 6 階：同時跑好幾個，開始遇到它們以同樣方式一起壞掉的問題，只好動手做工程。
• 第 7 階：寬螢幕上十個視窗同時在轉，像 Factorio 裡蓋成一團義大利麵的基地，找不到東西。
• 第 8 階：受不了，用學到的東西把整個基地重蓋，這就是 Gas Town。

他說不能跳級，那些故障要自己踩過才懂 Gas Town 為什麼存在。到第 5 階你就會開始懷疑 code review、agile、每日站會：幾個小時生出 4 萬行的 PR，人要怎麼看？他的答案是某些領域、尤其產品端，乾脆不 review，改把力氣放在安全上線，把看到的故障做成 pre-commit hook，或在 Ralph 跑完後再跑別的 Ralph 檢查。

他自己的 Gas Town 叫 Loom。他已經複製了 GitHub、Amp、Daytona，還有自己的版本控制和專給 agent 用的檔案系統，下一步想做 LaunchDarkly 那種 feature flag。目標是會自己演化的軟體。

他也丟了一個問題給大家：Unix 這 40 年的設計，TTY、shell、環境變數，全都是為人做的。如果使用者是 agent，user space 還需要存在嗎？他想去找「agent space」長什麼樣。

六、護城河、績效和給開發者的建議

他認為每個開發者都該自己做一次 coding agent。拆開來看就是大約 300 行程式：一個陣列，加上讀檔、改檔、bash、搜尋幾個工具，搜尋其實就是用 bash 跑 ripgrep。Cursor、Windsurf 這些公司做的東西本質差不多。他在 GitHub 上有免費 workshop，30 分鐘就能做完。

他說他比較信任親手拆過化油器的修車師傅。自己做過一次，就知道這不是魔法，只是一個 while true 迴圈加 REST API。

懂了這點，也會發現很多產品沒有護城河。一個人花三天直播，就能把三四家千人公司做了六年的核心功能複製出來。幾個住在峇里島、成本極低的人，可以用完全不同的價格殺進市場，他說這就是 Clayton Christensen 講的破壞式創新。

對個人來說，他用績效曲線來講：去年在大廠是高績效，今年可能變低績效，因為旁邊的人已經有自己的 Gas Town。他說這跟 AI 搶工作無關，問題出在你沒有保持好奇、沒投資自己。

他的建議是別當服務生，也別當只會接 Jira 單的人，要當會診斷問題的醫生，盡量靠近 PM 和客戶。

如果公司裡 AI 不好用，他說那是公司的問題，常見是一堆為人類可讀性定的規範，逼 AI 逆著木紋做事。他問的是：你在家有沒有自己玩？公司跟不上，你可以換一家懂的公司、自己出去做，或者撐過三四年的 AI 轉型計畫。

七、現在開始還不算晚

收尾時他說，工程師現在的工作就是設計回饋迴圈，找出能回灌給迴圈的資料來源。Ralph 也只是把回饋迴圈接回自己身上，直到做完。

如果你覺得別人已經領先一年追不上，他說你其實還算早：Claude Code 的官方外掛（Anthropic 出的 Ralph 外掛）才一萬人左右裝過。不過他提醒，官方外掛的走法會碰到 compaction，最好像學「Kubernetes the hard way」那樣，自己一步步把 context 工程搞懂。他和 Dex Horthy 另外錄了一支影片，講為什麼 Anthropic 的外掛不是正解。

他的文章都放在 ghuntley.com，留 email 就能免費看，付費只是早 48 小時讀到。

※ 來源：Dev Interrupted #256〈Inventing the Ralph Wiggum Loop | Creator Geoffrey Huntley〉（Spotify）／YouTube 版
※ 延伸閱讀：ghuntley.com/ralph、ghuntley.com/agent（自己做 coding agent 的 workshop）、Steve Yegge〈Welcome to Gas Town〉、Cursed 程式語言
※ 逐字稿以 Whisper（medium.en）轉寫節目公開 RSS 音檔，並對照 YouTube 原音自動字幕（en-orig）與節目說明校正人名、數字和專有名詞。本文為非官方整理，以原節目為準。