第三章：六条黄金法则——Ralph 的核心哲学

为什么要先学哲学

很多技术书的读者都想直接跳到"怎么用"，但对于 Ralph 来说，先理解它背后的设计哲学是值得的。

Ralph 的六条核心法则（Tenets）不是装饰性的口号，而是真实指导了软件每个功能的设计决策。当你在实际使用中遇到困惑——"为什么要这样配置？""为什么 AI 每次都重新读一遍文件？"——回到这六条法则，往往能找到答案。

法则一：新鲜上下文即可靠性

原文：Fresh Context Is Reliability

含义：每次循环迭代，AI Agent 都从零开始读取所有信息，而不是"记住"上一次的内容。

这听起来很反直觉——重复读不是浪费时间吗？

但 Ralph 的设计者发现了一个关键规律：AI 的上下文窗口就像一个会满的桶。当对话越来越长，早期的信息会被压缩甚至丢失，AI 开始"遗忘"重要的约束条件。

📖 名词解释 · Token & 上下文窗口

Token 是大模型"数数"的单位——不是一个汉字或一个单词，而是模型内部拆分后的片段（大致 1 个英文单词 ≈ 1.3 个 Token，1 个汉字 ≈ 1~2 个 Token）。

上下文窗口（Context Window） 是模型一次能"看"多少 Token 的容量上限。比如 Claude 4.7 的上下文窗口是 20 万 Token（付费用户可到 100 万）。超过这个容量，早期的内容就会被挤出窗口——模型"忘了"。

Ralph 的"新鲜上下文"策略，本质是主动管理这个容量：与其等窗口被对话填满导致模型遗忘约束，不如每次迭代都重新装一次最相关的信息。

进一步学习：Anthropic · Context windows · 维基百科：Large language model

新鲜上下文策略解决了这个问题：每次迭代开始，AI 重新读取：

• 任务规格说明
• 记忆文件里积累的经验
• 当前代码的状态
• 上一步的结果

这样，每次 AI 做决策时，它的"视野"都是完整和最新的，不会因为"记忆混乱"而犯累积性错误。

实际意义：不要试图让 AI 在一个超长的对话里解决所有问题。Ralph 的循环机制本质上是主动管理 AI 的上下文，让每次迭代都在最佳状态下进行。

法则二：背压优于规定

原文：Backpressure Over Prescription

含义：不要告诉 AI 每一步怎么做，而是设立质量关卡，拒绝不达标的结果。

两种不同的指导方式：

规定式（不推荐）：

"第一步，打开文件 X。第二步，在第 47 行添加以下代码。第三步，运行测试。第四步，如果测试失败，检查变量名是否正确……"

背压式（Ralph 的方式）：

"我需要这个功能能工作。以下测试必须全部通过，否则任务未完成。"

规定式方法看起来更精确，但实际上很脆弱——一旦实际情况和预设不符（比如文件路径不同、代码结构有变化），整个流程就会崩溃。

背压式方法更灵活：AI 可以自由选择实现路径，但必须满足你设定的质量标准。这让 AI 能充分发挥创造性，同时保证结果质量。

实际意义：配置 Ralph 时，把精力放在"结果验证"上（测试、格式检查、类型检查），而不是"步骤规定"上。

法则三：计划是可抛弃的

原文：The Plan Is Disposable

含义：不要把计划文档当成神圣不可改动的东西。计划随时可以重新生成。

在软件开发中，人们常常花大量时间讨论和保护一份计划文档，不愿意推翻它，因为"推翻计划等于浪费了之前的努力"。

Ralph 的观点截然相反：计划很便宜，用 AI 重新生成一份只需要几分钟。与其在一份有缺陷的计划上强行推进，不如直接扔掉，重新从当前状态出发，生成更好的计划。

这背后是一个深刻的认知：当信息变化（发现了新的约束、需求有了更新、实现遇到了预料外的障碍），旧计划的价值就大幅下降了。及时更新计划的收益，远大于"浪费了之前规划工作"的损失。

实际意义：如果 Ralph 的某次循环陷入了僵局，不要想着"怎么修复这个计划"，而是直接停掉循环，用新的描述重新启动。

法则四：磁盘是状态，Git 是记忆

原文：Disk Is State, Git Is Memory

含义：用文件系统管理当前进行中的工作状态，用 Git 版本控制管理项目的历史和经验。

Ralph 把所有的工作状态（任务列表、记忆文件、事件日志）都存在本地文件里，而不是存在数据库或云端。这有几个好处：

1. 简单：没有复杂的数据库或网络依赖，一个文件就是一切
2. 透明：你可以直接打开文件查看 AI 在做什么
3. 可调试：出了问题，直接看文件就能诊断
4. 可控：你可以手动修改这些文件，直接影响 AI 的行为

Git 则用于长期记忆——当一个任务完成后，提交代码，让这次成功的实现成为项目历史的一部分，未来的 AI 可以通过读取代码库来"学习"这次的经验。

实际意义：了解 Ralph 把哪些文件放在哪里（.ralph/ 目录），这些文件就是你理解 AI 当前状态的窗口。

法则五：用信号导航，不用脚本控制

原文：Steer With Signals, Not Scripts

含义：当 AI 反复在某个地方犯同样的错误时，不要写详细的修复脚本，而是给代码库添加一个"信号"（说明、注释、规范文件），让 AI 下次自己看懂。

举个例子：假设 AI 总是忘记在某类操作后清理资源。你有两个选择：

脚本方式：写一段复杂的指令，告诉 AI "当你做了 X 操作之后，必须做 Y 清理"。

信号方式：在代码库的相关位置添加注释或说明文档，解释为什么需要清理，清理的具体方式是什么。这样，当 AI 读取代码时，它会自然地发现这个信号并遵循。

信号方式的好处是：它是持久的，不只对当前 AI 有效，对未来所有 AI（包括人类开发者）都有效。脚本方式只能修复当前问题，信号方式提升了整个代码库的质量。

实际意义：当你发现 AI 重复犯同一个错误时，不要写更复杂的指令，而是考虑在代码库里添加更清晰的说明。

法则六：让 Ralph 自己 Ralph

原文：Let Ralph Ralph

含义：你的角色是"坐在循环外面，像调音师一样偶尔调整"，而不是"像指挥一样控制每一个音符"。

这是最难接受但也最重要的一条法则。

很多人习惯于对 AI 进行微管理——看着每一步输出，随时介入调整。这种方式在简单任务里可行，但在长期复杂任务里是适得其反的：你的每次介入都打断了 AI 的上下文，需要重新解释背景。

Ralph 的设计鼓励你：

1. 启动循环后，让它跑——不要盯着每一条输出
2. 观察结果模式——当循环结束后，看看完成了什么，失败在哪里
3. 从失败中调整配置——如果 AI 总在某个地方卡住，调整相关的帽子指令或背压配置
4. 再次启动——相信循环会做得更好

这种"调音师"的心态，需要一定时间才能建立。初期你会觉得不放心，但随着你对 Ralph 工作方式的熟悉，你会发现这是一种更高效、压力更小的协作模式。

实际意义：当 Ralph 在跑的时候，去做别的事。等循环结束后，检查结果，然后决定是"接受"还是"调整后重跑"。

六条法则的综合理解

把这六条法则放在一起，你会发现它们有一个共同的主题：

把注意力放在"系统设计"上，而不是"每个步骤的执行"上。

本章小结

Ralph 的六条核心法则是它与其他 AI 工具最本质的区别所在。掌握这些哲学，你会更自然地理解为什么 Ralph 的配置是这样的，为什么某些操作是推荐的，为什么某些直觉做法在 Ralph 里是反模式。

在进入实操之前，我们先穿插一段主角故事——认识一位自媒体人李明轩，看看这六条抽象的法则是怎么精确对应他真实工作中的六个痛点的。这位主角将贯穿本书剩下的所有章节。然后第四章正式进入实操：把 Ralph 装到他的电脑上，也装到你的电脑上。