Ralph Wiggum 是一种 while 循环模式，让 AI 智能体持续处理定义明确的任务，直到达到完成信号。它源自 Claude Code 社区的实践，并适配于 ai-eng-system 工作流。核心理念是迭代优于一次成型、失败是数据、提示词质量决定成败、持久重试自动完成。
适用场景：测试驱动开发（先写失败测试，循环到全部通过）、缺陷修复、重构、带自动验证的功能实现、通过质量门禁（代码审查、lint、安全扫描）、过夜或周末自动化开发、从零实现完整功能。不适用场景：需要人工判断的任务（设计、UX、架构权衡）、模糊任务、一次性简单改动、依赖外部审批或人工配置的任务、关键生产系统、会超出上下文窗口的超长循环、复杂多阶段流程。
必要用法：始终设置最大迭代上限（建议 10-50），不可无限运行；设定唯一且精确匹配的完成承诺，如 <promise>COMPLETE</promise> 或 ✅ ALL_TESTS_PASSING；监控迭代次数与最近输出；提供取消机制。取消方式：删除 .cursor/ralph/scratchpad.md（或当前 scratchpad 路径），汇报已运行迭代数并总结部分进展。同时需跟踪 token 消耗、记录迭代日志、若 5-10 次无进展则停止、迭代间裁剪无关历史。
与 ai-eng-system 的集成：可直接调用智能体，例如 @full-stack-developer "Implement authentication using TDD. Keep iterating until all tests pass. Output <promise>DONE</promise>."；或在 /ai-eng/work 中使用 /ai-eng/work "Implement user registration feature"；也可在计划任务中配置 loop（enabled、max-iterations、completion-promise）。支持单智能体循环、多智能体顺序协作（实现→审查→补测试）以及基于 git worktree 的并行循环。
最佳实践：写清晰的完成标准与可增量推进的分阶段目标，采用自校正流程（写失败测试→实现→跑测试→失败则调试修复→重构→重复→输出完成承诺）。避免无限循环、模糊标准、忽略上下文窗口、缺少测试保护、无可视化进展、单一循环过于复杂、跳过验证、忽视成本等反模式。
限制与注意事项：其他内容（如基于研究的起源、外部参考、成本数据）资料有提及但属于社区案例；具体价格、平台支持等信息暂未提供。