Ralph Wiggum 是一种面向 AI 开发的自主迭代技术，核心是循环地把同一提示交给 AI 智能体，让其持续迭代直到任务完成。其关键理念是把上下文视为内存：装进上下文窗口的内容无法“释放”，唯一清空方式是开启新会话，因此主张每个上下文只做一件事，避免混合关注点导致自回归式失败，也不要将上下文逼到极限。
主要能力与机制：状态保存在文件而非上下文中，目录 .ralph/ 下含 state.md（当前迭代、任务、完成标准）、guardrails.md（从失败中积累的护栏/“标志”）、context-log.md（上下文加载记录）、failures.md（失败模式）、progress.md（已完成工作）。迭代循环为：读取状态文件、检查护栏、执行任务、把进度写入文件、用 git 提交检查点、按标准评估是否完成，未完成则触发下一轮，卡住则检测“gutte（沟槽）”并建议重开上下文。每次出错可添加一条“标志”（触发条件、指令、添加原因），护栏会注入后续迭代。
使用方式：在项目根目录创建 RALPH_TASK.md，写明 task、completion_criteria、max_iterations 及需求与约束，然后对 Cursor 说“Start a Ralph loop on this task”。可通过 .ralph/progress.md 监控进展。与 Cursor hooks 集成，用于 beforeSubmitPrompt 注入护栏、beforeReadFile 跟踪上下文、afterFileEdit 更新进度、stop 评估完成并触发下一轮或重开。
适用场景与限制：适合从零起步的项目、边界明确的任务迭代。最佳实践要求完成标准清晰可测、目标增量拆分、允许失败以积累教训、以文件与 git 而非上下文为准、不吝于重开上下文。资料未提供具体收费、价格或平台支持范围等信息。