什么是 Loop Engineering？AI 时代的循环工程完整解读

一、引言：AI 编程范式的新变量

2026 年 6 月，AI 编程圈被一个概念引爆了。

Claude Code 之父 Boris Cherny 在一场访谈中直言：“我不再给 Claude 写提示词了，是循环在跑，是它们在提示 Claude、自己琢磨该干什么。我的工作就是写循环。 ”紧接着，OpenClaw 创始人 Peter Steinberger 也在 X 平台上发声：“你不应该再亲自给编程 Agent 写提示词了。你应该设计 Loop，让 Loop 替你去写。 ”随后，Google Cloud AI 总监、前 Chrome 工程负责人 Addy Osmani 专门撰写长文，将这一概念系统化为 Loop Engineering（循环工程） 。

短短几周内，这个概念从硅谷迅速扩散至全球开发者社区。但 Loop Engineering 究竟意味着什么？它和我们已经熟悉的提示词工程（Prompt Engineering）、上下文工程（Context Engineering）、驾驭工程（Harness Engineering）是什么关系？它真的在宣告“提示词工程已死”吗？

本文AI铺子将从定义、演进脉络、核心组件、实践边界与风险等维度，对 Loop Engineering 进行完整解读。

二、什么是 Loop Engineering：核心定义

2.1 一句话定义

Loop Engineering（循环工程）的核心定义是：你不再逐句提示 AI，而是设计一套自动运转的系统，让它代替你去给 AI 下达指令、检查 AI 的输出、记录完成进度、决定下一步该做什么，然后不断循环执行，直到达成你预设的目标。

用 Addy Osmani 的话来概括：“循环工程，就是让自己退出亲自提示 Agent 的位置，转而设计一个替你完成这件事的系统。 ”

2.2 一个直观的类比

可以把传统的 AI 编程模式理解为“开手动挡的车”——踩油门、换挡、转弯，每一步都靠你自己操作。你给 AI 一句提示词，AI 回你一段代码，然后停下来等你下一条指令。你不说话，它就不工作。

而 Loop Engineering 的模式，更像是自动驾驶。你提前设定好目的地和安全规则，车会自己开，遇到红灯自己停、路况变了自己绕、到了目的地自动停车。你只需要偶尔看一眼仪表盘，确认方向没问题就行。

也就是说，你从“一句一句手动提示 AI”的操作者，变成了“设计循环规则”的管理者。

2.3 Loop 不是简单的定时任务

需要特别澄清一点：Loop Engineering 不等于定时任务。

没有判断能力的循环，AI 可能会把错误当成正确答案继续往下跑，越跑越偏。那跟 cron 定时脚本没区别，算不上 Loop Engineering。

一个真正靠谱的 Loop，需要具备三个核心要素：

1. 明确的目标和停止条件。停止条件必须是可验证的，比如“所有测试通过”“lint 零报错”“所有文件都处理完”。像“把代码优化一下”这种模糊表述，就不适合作为停止条件。

2. 反馈闭环。每轮循环结束后，Loop 必须检查这一轮的结果，判断是继续跑下一轮还是停下来。最常见的做法是跑完代码后自动执行测试，测试没过就继续修，测试过了就停止。

3. 状态记忆。AI 的对话窗口是有限的，关掉就没了。Loop 需要一个外部文件来记录当前进度——哪些任务做完了、哪些还没做、上一轮循环的结论是什么。这样即使中间中断重启，也不会从零开始。

三、从提示词到循环：AI 工程的演进脉络

Loop Engineering 不是凭空冒出来的概念。要理解它，需要先看清 AI 工程方法论的演进路径。

3.1 四个工程层级的递进

AI Agent 的工作流可以拆解为四个依次递进的工程层级：

• Prompt Engineering（提示词工程） ：关心的是“怎么问”——如何组织指令，让模型更准确地理解任务并按期望格式输出。

• Context Engineering（上下文工程） ：关心的是“给它看什么”——应该把哪些项目背景、代码结构、历史决策等信息放进模型的上下文里。

• Harness Engineering（驾驭工程） ：关心的是“在什么环境里运行”——为 Agent 搭建运行底座，包括工具暴露、沙箱隔离、权限控制、日志记录、失败恢复等。

• Loop Engineering（循环工程） ：关心的是“如何持续推进”——把原本由人一轮轮推动的“提示—执行—检查—修正”过程，设计成一个清晰、可控、容易沉淀经验的循环。

这四个层级不是互相替代的关系，而是层层叠加。Prompt 负责把任务说清楚，Context 负责给对材料，Harness 负责把模型接入工具和安全边界，Loop 负责让多步行动在反馈里收敛。

3.2 Harness 与 Loop 的边界

理解 Harness Engineering 和 Loop Engineering 的区别尤为关键：

Harness 关心的是 Agent 拿到任务以后怎么执行——上下文怎么组织、工具怎么暴露、命令怎么跑、沙箱怎么隔离、权限怎么控制、日志怎么记录、失败以后怎么恢复。Harness 是 Agent 的运行底座。

Loop 关心的是 Agent 完成一次执行以后，系统接下来怎么走——结果通过了是否生成 PR，结果失败了是否重试，连续失败了是否交给人，任务池里还有下一项是否继续启动新的 Agent。

可以用一个简单的类比：Harness 像一台可靠的加工设备，Loop 像一条小型生产线。设备决定单件产品能不能加工出来，生产线决定原料从哪里来、加工失败怎么处理、合格品流向哪里、什么时候停机维护。

四、Loop 的核心组件：六块积木

一个能真正运转起来的 Loop，需要六个核心组件。

4.1 自动化（Automations）

自动化是 Loop 的“心跳”。它在固定的时间点或者特定事件发生时自动触发，让 Loop 真正成为一个自行运转的系统。

在 Claude Code 里，可以用 /loop 跑定时任务，用 cron 做调度，用 hook 在 Agent 生命周期关键节点触发。还有一个重要的模式叫 /goal——它不按时间触发，而是一直运行到最开始所制定的标准真正完成为止。

4.2 工作树（Worktrees）

当开发者同时跑两个以上 Agent 的时候，时常会出现两个 Agent 写同一个文件的冲突问题。工作树（Worktree）的思路是在同一个仓库历史上切出一个独立的工作目录，一个 Agent 的修改完全碰不到另一个的工作内容，等于给每个 Agent 配了自己独立的工位，互不干扰。

4.3 Skill（技能）

Skill 是把开发者对项目的固定知识沉淀下来——代码风格、规范、架构、踩过的坑等等——打包展示给 Agent 看。Agent 每跑一轮都读一次，无需每次都重新输入。

4.4 插件和连接器（Plugins & Connectors）

让 Agent 能够接触真实工具链的接口。通过 MCP（模型上下文协议）等标准，Agent 可以连接代码仓库、测试系统、部署管道、监控平台等外部系统。

4.5 子 Agent（Sub-Agents）

当主 Agent 遇到复杂任务时，可以创建专门的子 Agent 来并行处理不同子任务，最后汇总结果。子 Agent 之间通过工作树实现隔离，互不干扰。

4.6 跨会话的记忆层（Memory）

记忆层是 Loop 的“外部大脑”。它跨会话记录任务进度、历史决策和已完成的成果，确保即使 Agent 的对话窗口重置，系统也不会丢失上下文。

五、实践中的关键问题与风险

Loop Engineering 虽然强大，但将其投入真实生产系统时，会触发一系列必须认真对待的问题。

5.1 Token 成本失控

Loop 能跑通项目，也可能跑爆账单。多 Agent、长时间运行和无人值守，让 AI 有机会从“完成小任务”升级为“推进完整项目”，但也会带来 Token 成本失控的风险。

一个可靠的 Loop，必须设置明确的成本上限和预算控制机制。

5.2 停止条件的模糊性

“什么时候算完成”是 Loop 设计中最容易被低估的问题。如果停止条件不清晰或不可验证，Loop 可能永远跑下去，或者过早停止导致任务未完成。

实践中，好的停止条件通常是可自动验证的客观标准，而非主观判断。

5.3 代码质量与“Slop”风险

关于代码越来越“slop”（质量下滑）的担忧是合理的。当 Loop 高速运转时，工程师可能开始合并自己无法完全解释的代码——不是因为变懒了，而是因为 Loop 的速度让“停下来搞清楚”变成了一种代价高昂的选择。

这要求团队在引入 Loop 的同时，保留人工 Review 和决策的位置。

5.4 从个人工具到组织流程的鸿沟

AI 编程工具最动人的叙事是个人效率的跃迁——一个开发者借助 AI 一天写出更多代码。但当 AI Coding 从个人工作台进入公司研发体系时，问题变得复杂。

企业真正关心的，不只是代码生成速度，而是交付链路是否可控，风险是否可追溯，权限是否清晰，知识是否沉淀，成本是否可预算。一名工程师用 AI 提效 30%，并不必然意味着整个团队交付效率提升 30%。更多代码有时反而带来更重的 Review 压力。

5.5 人工介入的时机

Loop Engineering 的激进主张是“把人从循环里的操作员挪到循环外的设计者”。但这并不意味着完全不需要人。

实践中，必须明确在哪些环节必须停下来交给人——比如连续失败多少次后人工介入、关键决策点需要人工确认、安全敏感操作必须有人授权。

六、总结

Loop Engineering 是 AI 工程演进到一定阶段的自然产物。当 AI Agent 已经从“能回答问题”进化到“能完成单次任务”之后，下一个问题就变成了：如何让一批任务持续、稳定、可控地向前推进。

它的本质不是发明了一个全新的技术，而是用工程化的方式，把“提示—执行—检查—修正”这个原本由人驱动的循环，转化为一个可设计、可运行、可监控的系统。

提示词没有死——它只是从你手里钻进了循环里。你不再一句句敲，而是写进循环、反复复用。你苦练的提示词非但没作废，反而更值钱了。

Loop Engineering 的真正挑战，不在于技术实现，而在于组织是否有能力、也有意愿，重新设计自己的生产流程。当 Agent 已经具备持续循环执行任务的能力之后，我们需要回答的问题不再是“Agent 能不能做”，而是“我们准备好了吗”。