编程大神玛特 · 波科克（Matt Pocock），外号 TypeScript 巫师，他在最新的编程课里这么形容一个工具。

" 之前你无论用哪个模型编程都只能得到半成品，AI 只能做一些杂活。但是这玩意可不一样，你能把整个待办列表交给它解决。"

这节课时长 4 个小时，售价 375 美元，容量是 40 人，而玛特卖完它只用了半个小时。

关注 vibe coding 的程序员们，这两天一定被一个挖着鼻孔、面容痴呆、头发稀疏，一只眼睛站岗、另一只眼睛放哨的黄色胖子刷屏了。

这就是 Ralph。

简单来说，Ralph 是一个 Agent 插件，开发者可以在输入需求后就能当个甩手掌柜。

它自己会监督自己运行，通过不断的测试代码，直至最后跑出完全符合需求的结果才会停止。

一个真实的使用场景是，在睡觉之前打开 Ralph，输入明天的开发内容，到了第二天，Ralph 就会完成所有代码，等待你进行最后审阅。

而你没有花费 1 秒钟在编程上，甚至更不用像使用之前的 vibe coding 工具那样，守在电脑前，一行一行地帮着听不懂话的 AI 改代码。

你唯一做的事情就是睡了个好觉。

自从 Ralph 被上传到 Github 以后，不到两周时间就收获了 7000 颗星星。这个速度非常恐怖，在 Github 上，即使是头部爆款项目，两周时间也很难突破 7000 颗星。

要知道，哪怕是 DeepSeek 的主仓库，在上线后同样的时间里，也才将近 8000 颗星星。

在线编程教育平台 Treehouse 的创始人瑞安 · 卡松（Ryan Carson）更是直言，" 所有人都在讨论 Ralph"（Everyone is raving about Ralph）。

01

Ralph 这个名字来源于动画《辛普森一家》中的一个角色，Ralph Wiggum。他的特点就是不太聪明，但是执着不懈。

Ralph 的开发者叫做杰弗里 · 亨特利（Geoffrey Huntley），不过在中文互联网上，大家更愿意叫他的外号 " 澳洲放羊大叔 "。

因为他并不是真正意义上的程序员，实际上他是在澳大利亚以放牧为生。而且澳洲放羊大叔从不住房子里，只住在自己的房车里。

回归正题，Ralph 并非一个全新的、独立的软件产品，而更像是一种工作哲学或一套可被执行的脚本，旨在让现有的 AI 编程代理（如 Anthropic 的 Claude Code、Cursor 等）在你离开电脑时也能持续工作。

用澳洲放羊大叔自己的话来说，Ralph 的核心简单到可以概括为一行代码，但其威力却不容小觑，就像 while true 一样。

它的工作流程可以分解为几个关键步骤。

第一步是任务分解。它要求开发者将一个庞大的功能需求，拆分成一系列足够小、可独立完成的原子任务。关键在于，每个小任务都必须有明确的、可被机器自动检测的 " 通过 " 或 " 失败 " 标准。

模糊的指令，比如 " 让界面更好看 "，在这里是行不通的。任务必须是具体的，例如 " 添加一个优先级列，其默认值为中等 "。

任务清单准备好后，Ralph 便开始循环执行。

在每一轮迭代中，它会从任务列表中选择一个尚未完成的任务。它会读取项目的当前状态，包括 git 的版本历史、记录工作进度的 progress.txt 文件，以及包含所有待办事项的 prd.json 产品需求文档。

然后，它会调用 AI 模型来编写实现该任务所需的代码。

代码编写完成后，流程自动进入测试环节。Ralph 会运行预设的测试脚本来验证新代码是否正常工作，以及是否满足了任务的验收标准。

如果测试通过，它会自动将这次的代码变更提交到 git 版本控制系统中，并在 prd.json 里将该任务标记为完成。这次成功的经验，连同可能遇到的问题和解决方案，会被记录在 progress.txt 中，作为后续迭代的参考。

如果测试失败，它不会停下来等待用户干预，而是会将错误信息记录到 errors.log 文件中。在下一轮循环开始时，AI 会读取这些错误日志，从中学习，并尝试用不同的方法来解决同一个问题，避免重复之前的错误。

这种工作方式解决了当前 AI 编程工具普遍面临的难题——上下文窗口限制。

当开发者与 AI 进行长时间的连续对话，想要去构建一个复杂功能时。随着代码量的增加和对话轮次的增多，AI 会逐渐忘记最初的指令和约束。

它可能会开始自相矛盾，或者在修改一处代码时无意中破坏了另一处的功能。最终，开发者发现自己像在照顾一个记忆力不佳的小学生，需要不断提醒和纠正，效率大打折扣。

问题出在任务的规模上。

通常来说，一个功能包含二十个部分，AI 试图将所有细节都保留在它的短期记忆里时，它往往力不从心。

Ralph 的策略有点像 " 少食多餐 "。它每次只专注于一个极小的任务，完成后就通过 git 提交来固化成果，然后清空自己的短期记忆（上下文），以一个全新的、干净的状态迎接下一个任务。

这意味着，理论上它可以构建无限复杂的软件，而不会被越来越长的对话历史所困扰。

它不是没有上下文，而是把记忆转化成了结构化的文件。

1. git 历史成为了 AI 的长期记忆，每一次提交都是知识的积累。

2. progress.txt 文件记录了已完成的工作和当前状态，是项目进度的流水账。

3. prd.json 文件是产品需求文档，明确所有待完成的任务。

4. AGENTS.md 文件是操作指南，记录构建和测试项目的具体方法。

5. errors.log 用于下个循环时避免相同的错误。

02

虽然前面讲了那么多，但 Ralph 的核心机制可以被浓缩为一行简单的 Bash 脚本：

while :; do cat PROMPT.md | claude-code ; done

这行代码的本质是一个无限循环。它不断地将一个包含指令的提示文件喂给一个 AI 代理，让其反复迭代，直到外部条件被满足才停止。

这个看似 " 笨拙 " 的循环，恰恰是 Ralph 模式的创新所在。

许多 AI 模型在完成一轮输出后，会认为任务已经 " 差不多完成 " 并自行退出。它们可能会忽略掉测试、构建、修复报错等关键的收尾步骤。

Ralph 的机制则接管了 AI 的退出信号。例如，在与 Claude Code 集成时，一个插件会拦截 AI 的退出指令。

它会检查工作成果是否满足预设的完成条件，在输出中是否包含一个特定的完成标记。

如果没有找到这个标记，插件就不会让 AI 进程停止，而是强制它进入下一轮迭代。这种机制让整个开发流程脱离了人工的 " 卡点 "，实现了从编码到测试再到修正的完全自动化。这是它能够在开发者睡觉时也无人值守运行的底层基础。

然而，托管的关键并非简单地 " 让 AI 一直跑下去 "，而是 " 让 AI 知道要跑到什么时候为止 "。

如果没有一个明确的、可被机器理解的完成标准，AI 自己的迭代循环就会变成无目的的资源消耗，最终产出的结果可能依然无法使用。

因此，Ralph 模式强调在启动前就定义好明确、可量化、可被机器检测的完成条件。这个条件被编码在任务的验收标准中。

在每一轮循环的末尾，AI 都会自行检查这些条件。如果条件未满足，它就会阻止自己退出，并触发下一轮迭代。这个过程会一直持续，直到所有任务的验收标准都被满足，最终的完成标记出现为止。

这相当于用机器替代了人工来完成 " 结果验收 " 这一环节。

这种模式也提供了两种主要的协作方式。一种是 " 离线 Ralph"（AFK Ralph），开发者在晚上睡觉前设定好任务，然后让它通宵运行。第二天早上醒来，新的功能可能已经开发完成并等待审阅。这种方式适合那些需求明确、直接了当的任务。

另一种是 " 手动挡 Ralph"（Hands-on Ralph），开发者一次只运行一轮循环。在每一轮结束后，开发者会审查 AI 的提交，并在必要时进行引导和调整。这种方式更适合那些复杂的、探索性的功能，开发者希望在过程中保持更多的控制权。

但即便是在手动模式下，由于其结构化的任务和清晰的反馈循环，它通常也比传统的 Vibe Coding 要高效得多。

03

除了工作模式上的创新，Ralph 的另一个显著特点是其运行成本相对较低。

根据一些开发者的分享，一次包含 10 轮迭代的典型 Ralph 运行，其 API 调用成本大约在 30 美元左右。

有一位开发者使用这种模式交付、审查并测试了一个完整的应用程序，总花费不到 300 美元。

而在过去，他开发同等复杂度的产品，外包成本可能高达 50000 美元。

即使 Ralph 只能完成 90% 的工作，开发者只需花费少量时间进行最后的清理和收尾，也相当于将数天的工作压缩到了几个小时。

这实际上有些反直觉，Ralph 运行多个循环，却比其他产品要便宜。

Ralph 低成本的原因，与它独特的工作流程相关。

当使用其他 AI 模型进行长对话时，为了让模型记住半小时前讨论过的内容，每一次发送新请求时，通常需要将之前的全部聊天记录重新发送给它。

随着对话变长，每次 API 调用所消耗的 Token 数量会呈指数级增长，导致费用急剧上升。

前文提到，整个项目的 " 记忆 " 被存储在 git 和本地文件中，而不是昂贵的 AI 模型上下文里。

那么 Ralph 每次请求 AI 时，只需要提供与当前任务相关的最少信息。完成任务后，这个短暂的上下文就被抛弃。因为上下文很短，所以单次调用的成本非常低。

一些实际案例也印证了这种模式的潜力。在一个创业黑客松活动中，有团队利用 Ralph 在一夜之间交付了 6 个不同的项目原型。澳洲放羊大叔本人，更是据称在不到三个月的时间里，主要通过 Ralph 构建了一门完整的编程语言。

严格意义来说 Ralph 没有竞品，但 Codeiu 在 2025 年推出的 Cascade 可以在工程上实现和 Ralph 差不多的效果。

它和 Ralph 在目标上是一致的，托管开发，直至最终完成复杂编程。但是它没有 Ralph 那么简单直接，而是以 "plan-act-verify"（规划、执行、验证）这个逻辑来运行。

从代码执行上来讲，Ralph 是无限 Bash 循环 + 单次执行。在第一次运行之前，由于没有建立 logs，所以它就是会出错，然后再到第二个循环，根据以前出过的错改正。

而 Cascade 是先去规划好整个流程，再执行，最后验证。

由于经过一开始的编排和规划，它的编程和验证过程，都比 Ralph 的运行时间要少。

但问题就在于，Cascade 无法无限循环。所以存在一个阈值，一旦项目的复杂程度超过这个阈值，Cascade 就无法实现像 Ralph 那样的托管。

此外，一个围绕 Ralph 的生态系统也正在快速形成。

Anthropic 已经将 Ralph 作为其 AI 编程工具 Claude Code 的官方插件之一。而前端开发平台 Vercel 的实验室也发布了支持该模式的 AI SDK 版本。

这些官方和半官方的采纳，表明 Ralph 模式已经从一个项目，逐渐演变为一种被行业认可的、解决实际问题的有效范式。