部署罗尔夫·维格姆（Ralph Wiggum）技术：一步一步的教程

罗尔夫·维格姆技术（Ralph Wiggum Technique），由 Geoff Huntley 开创，将大型语言模型（LLM）转变为完全自治的软件开发者。传统的逐行编码方式被一套清晰的提示、规范基准以及一个外层循环取代，该循环会自动提交并推送工作。以下完整流程可以应用于任何 GitHub 仓库——理想情况下是希望更快发布功能并减少人为错误的开源项目。

1. 罗尔夫·维格姆到底是什么？

• 目标：将软件开发成本降低到 低于快餐工人的工资。
• 核心思想：一个循环提示，在 规划 与 实现 阶段交替进行。每一次循环读取现有代码库、规范，决定下一个 要点任务，实现、运行测试并提交。
• 为什么有效：循环利用 LLM（Opus 或 Sonnet）的推理能力来处理高层次任务，而在本地使用廉价子代理执行文件与测试操作。测试产生的回压确保仅提交有效变更。

2. 项目结构

/project-root/
├── loop.sh                # Bash 循环，负责驱动 Claude
├── PROMPT_build.md        # 构建模式提示
├── PROMPT_plan.md         # 规划模式提示
├── AGENTS.md              # 操作指南（build、test、lint）
├── IMPLEMENTATION_PLAN.md# 由 Ralph 生成的优先任务列表
├── specs/                 # 每个 JTBD 话题的规范文件
└── src/                   # 将要更改的源代码

小贴士：将 AGENTS.md 保持简短（≈60 行）。只包含 Ralph 需要验证工作的命令。

3. 三阶段工作流

4. 循环工作原理

1. 外层循环（loop.sh）将提示文件提供给 Claude。
2. 提示告诉 Claude 学习 PROMPT.md、AGENTS.md、specs/* 与 src/*。
3. 根据模式（plan / build），提示指示 Ralph：
4. 规划：生成 缺口分析 并写下条目式计划。
5. 构建：挑选下一个任务，实施、测试、提交。
6. 当 LLM 完成任务后，外层循环以新的上下文重新开始。

由于唯一共享的状态是磁盘上的 IMPLEMENTATION_PLAN.md 文件，循环无需复杂的编排。

4. 提示模板

4.1 PROMPT_plan.md

0a. 学习 `specs/*`，使用最多 250 个 Sonnet 子代理。
0b. 学习 @IMPLEMENTATION_PLAN.md（如存在）。
0c. 学习 `src/lib/*`，使用最多 250 个 Sonnet 子代理。

1. 对规范与代码做缺口分析。
   使用 Opus 子代理优先化任务并创建/更新 @IMPLEMENTATION_PLAN.md。
   **请勿实现任何内容**；仅规划。

4.2 PROMPT_build.md

0a. 学习 `specs/*`（最多 500 个 Sonnet 子代理）。
0b. 学习 @IMPLEMENTATION_PLAN.md。

1. 选择计划中最重要的未完成任务。
2. 搜索代码库以确认该任务缺失。
3. 实施任务，提交并推送。
4. 运行 AGENTS.md 中定义的所有测试作为回压。
5. 更新 @IMPLEMENTATION_PLAN.md，将任务标记为完成。

注意：PROMPT_build.md 中的 99999 保护阈值强制执行最佳实践，例如使用富信息提交说明和更新标签。

5. Bash 循环（loop.sh）

#!/bin/bash
# 使用示例：
#   ./loop.sh          # 构建模式，无限迭代
#   ./loop.sh 20       # 构建模式，完成 20 个任务后停止
#   ./loop.sh plan     # 完整规划模式，无限
#   ./loop.sh plan 5   # 规划模式，最多 5 次迭代

MODE=${1:-build}
PROMPT_FILE=()
MAX_ITER=${2:-0}

if [[ "$MODE" == "plan" ]]; then
  PROMPT_FILE=\"PROMPT_plan.md\"
elif [[ "$MODE" =~ ^[0-9]+$ ]]; then
  PROMPT_FILE=\"PROMPT_build.md\"
  MAX_ITER=$MODE
else
  PROMPT_FILE=\"PROMPT_build.md\"
fi

ITERATION=0
while true; do
  [[ $MAX_ITER -gt 0 && $ITERATION -ge $MAX_ITER ]] && exit 0
  cat "$PROMPT_FILE" | claude -p \
    --dangerously-skip-permissions \
    --output-format=stream-json \
    --model opus \
    --verbose
  git push
  ITERATION=$((ITERATION+1))
  echo "--- Loop $ITERATION Complete ---"
done

功能说明 - 启动无 UI 的 Claude 会话。 - 自动批准工具调用（--dangerously-skip-permissions）。 - 返回 JSON 流，便于监控。 - 每次迭代后推送，若出错可通过 git reset --hard 回滚。

6. 回压与测试

AGENTS.md 列出了运行测试、检查风格和类型检查的确切命令，例如：

## Validation
- Run tests: `npm test`
- Lint: `npm run lint`
- Type‑check: `npm run tsc --noEmit`

当 Ralph 实施任务时，它将自动执行这些命令；任何失败都会导致循环重新启动，直至所有测试通过。这样可以保证每一次提交都已准备好投入生产。

7. 增强与自定义

Plan‑work 模式 – 当你需要聚焦冲刺时，循环脚本现在支持 plan-work "<description>"，在新分支上创建一个作用域 IMPLEMENTATION_PLAN.md。

基于验收的回压 – 在未来版本中，你可以指定每个规划任务必须包含基于规范验收标准的关联测试。

非确定性回压 – 使用 llm-review 工具，让 LLM 判断语气、视觉层级或品牌一致性。

可根据需要调整提示或添加保护阈值，但请记住：保持规划与构建分离。Ralph 在决定下一步执行哪个任务时最为出色，而非在哪个任务子集。

8. 综合实践

1. Fork 仓库并克隆。
2. 将项目文件添加至 src/，并为每个 JTBD 主题创建一个 specs/*.md。
3. 运行 ./loop.sh plan 生成初始计划。
4. 开始构建：./loop.sh。
5. 观察日志；当计划清空，项目即完成。
6. 打开 PR，合并后继续下一功能。

此工作流将 LLM 转变为开发助手，负责繁重工作——循环执行任务、即时测试、干净提交，同时保持透明且版本可控。

9. 关键要点

• 循环即核心：单个文件（IMPLEMENTATION_PLAN.md）将所有环节连接。
• 规划与构建分离：两者使用相同提示基础设施，但在行为和输出上区别明显。
• 回压不可省：测试、Lint 与类型检查确保质量。
• 可扩展性：为大型功能使用工作规划，或为小项目保持单一计划。
• LLM 的好坏取决于提示：保持提示精准，用 study 而非 read，并使用高级指令进行保护。

有了这份指南，你现在拥有完整蓝图，可在任何项目中部署罗尔夫·维格姆技术，将 AI 打造成一名自律的开发者，工作量降低、成本大幅削减。