Ralph Wiggum Loops: AI-agnostisk Autonom Kodning

Ralph Wiggum Loop er en autonom kodningsmetode udviklet af Geoffrey Huntley, der bruger en simpel bash-loop i stedet for komplekse agent-orkestreringssystemer. Teknikken er opkaldt efter Ralph Wiggum fra The Simpsons på grund af filosofien om “persistent iteration på trods af tilbageslag.”

Hvad er et Ralph Wiggum Loop?

I stedet for at give en AI-agent en stor opgave, der skal løses i én omgang, bruger Ralph-teknikken en simpel for-loop:

for i in {1..N}; do
  claude --print "Pick ONE incomplete item from plans/prd.json and implement it. Run tests. If they pass, commit. Update the PRD."
done

Dette er ” Ralph Loop” - en dårlig bash-script der bliver ved med at genstarte AI-agenten, og agenten finder ud af hvad den skal gøre. Navnet kommer fra Geoffrey Huntleys oprindelige beskrivelse: “Ralph is a Bash loop.” [^1]

Hvorfor virker det?

Konventionel AI-kodning fejler ofte fordi:

1. Context window limits - Store prompts rammer token-grænser
2. Forvirring - Agenter bliver forvirrede over komplekse instruktioner
3. Ingen fremskridt-tracking - Svært at vide hvad der er lavet

Ralph løser disse problemer ved:

• Context reset - Hver iteration starter med frisk context window
• State persistence - Fremskridt gemmes via git og filer
• Én opgave ad gangen - Maksimal fokus per iteration [^2]

Hvordan fungerer en iteration?

flowchart TD
    Start[Run AI] --> Read[Read codebase & spec]
    Read --> Work[Do work]
    Work --> Test[Run tests]
    Test --> Check{Tests pass?}
    Check -->|No| Commit[Commit changes]
    Check -->|Yes| Update[Update progress]
    Update --> Learn[Save learnings]
    Learn --> Signal{Done?}
    Signal -->|No| Reset[Reset context]
    Reset --> Start
    Signal -->|Yes| Exit[Exit loop]

Hver iteration:

1. AI starter med frisk context
2. Læser kodebase for at forstå state
3. Skriver kode og kører tests
4. Gemmer fremskridt og learnings
5. Tjekker for completion marker
6. Hvis ikke færdig, reset og loop [^3]

Kom i gang med Ralph

Installation af ralph CLI

Som den mest modne implementation anbefales ralph CLI:

npm install -g @wiggumdev/ralph

Du skal også have en AI CLI:

• Claude Code (anbefalet): npm install -g @anthropic-ai/claude-code
• OpenCode: npm i -g opencode-ai

Quick Start

# Initialize i dit projekt
cd dit-projekt
ralph init

# Rediger din prompt
zed .plans/PROMPT.md

# Kør loopet
ralph run

Konfiguration

Ralph bruger TOML config i .ralph/config.toml:

adapter = "claude"
maxIterations = 20
plansDir = ".plans"
debug = false
tui = true

Prompt eksempel

Din prompt i .plans/PROMPT.md bør inkludere:

1. Find den højeste prioritet og arbejd KUN på én feature
2. Før ændringer, søg i kodebase
3. Implementer med TDD
4. Kør typecheck og tests
5. Opdater prd.json med afsluttet arbejde
6. Append learning til progress.txt
7. Commit changes

Hvis alle features er færdige, output:

<promise>COMPLETE</promise>

Andre implementationer

Der findes flere Ralph Wiggum Loop implementationer:

Konklusion

Ralph Wiggum Loop er en deceptiv simpel tilgang til autonom AI-kodning. I stedet for komplekse orkestreringssystemer opnår Ralph bedre resultater med basic iteration. Teknikken er særligt effektiv til:

• Store projekter der kræver mange features
• overnight udvikling mens du sover
• Vedvarende forbedringer over tid

“Me fail English? That’s unpossible!” - Ralph Wiggum

Kilder

• wiggumdev/ralph - Ralph Wiggum agentic loop CLI (MIT License)
• The original Ralph concept by Geoffrey Huntley
• Anthropic’s research on effective harnesses for long-running agents