从OpenClaw之父、如今在OpenAI主攻下一代个人智能体的Peter Steinberger，到Claude Code创造者Boris Cherny，这些硅谷大佬，正集体转向「循环」（loops）。 测试通过数、分数阈值这类可量化标准之所以好用，是因为Claude不用自己纠结「够不够好」，评估器替它判。它不必自己猜「差不多了吧」就过早停手，循环也能干净利落地收尾。

agent 就是你写的那段程序，trainer 就是一个 actor，reward 是你在 Env 或 ChatAgent 里随手写的任意 Python。剩下的活儿三个大件全包了。README 里反复强调一个数字：大约 8600 行 RL 代码（推文里说的 9K 是个约数），却能撑到 1T 级别的 MoE。 OpenRLHF 的 ...