用途：/loop 用于对同一目标运行多轮完整 Algorithm 循环，每轮建立于上轮之上，逐步逼近理想状态。适用于一次难以完成、需多轮打磨的工作，如技能、提示词、图表或写作。默认每轮之间由人工审核和纠偏；与 /optimize（自主变异循环）不同，/loop 运行的是带人工评审环节的完整 Algorithm 流程。
主要能力：每轮迭代是一次完整 Algorithm 循环（OBSERVE 到 LEARN）；上轮的 LEARN 阶段为下轮的 OBSERVE 提供输入；ISC 标准会随迭代演进；ISA 记录迭代次数与累计改进；跨迭代保留 ISC 标准与死胡同台账，避免重复走已否决的路径。可选 --autoresearch 启用自主模式，借用 pi-autoresearch 的三个模式：轮次间无人工审核、死胡同台账（ISA 维护 ## Dead Ends 段）、对迭代分数做 MAD 置信度门控，将低信噪比迭代标记为噪声并记录边际、不更新基线。默认行为不变，autoresearch 仅限主动开启。
使用方式：命令形式如 /loop --target "path/to/target" --iterations 5；也可加 --goal "make diagrams more consistent"；--resume 恢复上一次循环；--status 显示迭代历史；--autoresearch 开启自主模式，例如 /loop --target "path" --goal "X" --iterations 20 --autoresearch。参数：--target PATH 必填，指定要改进的文件、目录或技能；--goal TEXT 可选，默认推断，定义“更好”的含义；--iterations N 可选，默认 3，为循环次数上限；--resume、--status、--autoresearch 均为可选，autoresearch 默认关闭。
适用场景：适合夜间运行的场景、以及轮次间人工审核过慢的目标，也适合需要跨多轮积累改进记录的工作。
限制与注意：每次循环运行多个完整 Algorithm 循环，每轮都是完整的 OBSERVE 到 LEARN 过程，时间和 token 开销较大。需设定清晰的退出条件，否则循环可能无限运行。人工审核发生在轮次之间，不建议跳过，它是反馈机制。官方文档未提供具体价格、平台限制和效果保证。