2026年6月AI 开发者圈子被一句话彻底点燃“你不该再给编程 Agent 写提示词了你应该设计一套循环机制Loops让这些循环去提示你的 Agent。”这句由 OpenClaw 创始人 Peter Steinberger 发出的“每月提醒”迅速引发了百万级浏览与全网热议。紧接着Claude Code 的创建者 Boris Cherny 也公开表示自己已经不再手动输入提示词而是让大量循环在后台运行。这标志着 AI 交互正在经历一次重大的抽象层级跃迁——从 Prompt Engineering提示词工程正式迈入 Loop Engineering循环工程时代。Chrome 团队的 Addy Osmani 就发了一篇推文昭示着 Loop Engineering 的到来究竟什么是 Loop Engineering它为什么能取代传统的对话式编程本文将带你全面拆解这一最新范式。一、什么是Loop Engineering简单来说Loop Engineering 就是用你设计的系统来替代你自己去手动 prompt Agent。过去两年我们与 AI 协作的方式是“一问一答”你输入一段话读返回的内容再输入下一段话。人是控制者Agent 是执行者。但这种方式受限于人类的思维带宽一旦任务变长、变复杂就需要人一轮轮往前推。Loop Engineering 的核心思想是**人类退出持续提示的位置转去设计一个能够持续调度、约束和验证 AI 的“循环系统”。**在这个系统中AI 像流水线一样自主运转自动发现工作、分配任务、检查结果并决定下一步。开发者的角色也从单纯的“问话者”升级为了“系统架构师”。图片来源什么是 Loop Engineering二、四代AI范式的演进关系要真正理解 Loop Engineering我们需要将其放在 AI 工程的演进脉络中来看。这四者是叠加关系而非替代关系Prompt Engineering提示词工程解决的是“怎么问”。关注单次调用的指令质量让人类逐轮驾驶模型。Context Engineering上下文工程解决的是“给它看什么”。通过 RAG 或记忆库把正确的项目背景、代码结构送进上下文窗口。Harness Engineering环境工程解决的是“在哪里安全运行”。为 Agent 提供工具、权限、沙箱环境和接管机制。Loop Engineering循环工程解决的是“如何持续推进与反馈闭环”。设计递归和迭代处理循环让 Agent 具备自我观察、自我规划、自我纠错的能力。三、核心架构5 1构建模块真正的Loop绝不是简单的机械重复Cron Job而是一套带有反馈闭环的工程系统。一个完整的 Loop 通常需要以下五个核心组件加上一个记忆层skills项目知识外置Agent每次session都是冷启动skill文件将约定、构建步骤和踩坑记录写进磁盘避免Agent反复从头解释项目。解决的是项目规则如何让AI理解项目。Connectors连接真实世界只会读文件的 Loop 很小。通过 MCP 等连接器Loop 可以查 Issue、读 CI 日志、发 Slack、调 API甚至直接开 PR。解决的是如何实际在做。Sub agentsmaker与checker分离不要让同一个模型写完代码又宣布“没问题”它几乎一定会偏袒自己。拆分为探索/实现 Agent 和审查 Agent是保证无人值守结果可信的前提。解决的是模型交叉检查。State/ Memory 持久化状态模型跨 Session 会失忆进度、试过的方案必须落在外部Markdown、Linear 看板等。Loop 能接力靠的是 State有点类似langgraph定义的stategraph靠状态在节点中传递上下文而不是聊天记录。解决的是隔离协作。Automations自动触发按计划自动跑一轮分拣Triage读取失败的CI和新开的Issue把值得处理的事项分发给独立的Sub-agent。解决的是怎么被触发的问题。Memory记忆无论是 Markdown 文件还是 Git 历史它为 Loop 提供了跨会话的连续性。解决的是Loop的记忆。四、关键挑战验证子Loop的缺失听起来 Loop 已经能“发现工作 - 写代码 - 审代码 - 开 PR”完美闭环了但仔细想一个问题它怎么知道“做完了”对于后端或 CLI 工具lint 干净、单测全绿就可以停止。但对于 App 或 Web UI“命令 exit 0”不等于“产品没问题”。界面对不对、真机能不能跑都不在源码里。于是多数 Coding Loop 实际停在“代码可合并”验产品这一步依然是人挨个点屏幕。要实现真正的 AI 研发闭环就必须补齐验证子 LoopVerification Sub-loop。它需要Connector连得上真机/浏览器验完自动把截图或结果送回 Coding Agent。Sub-agents点的和判的不是同一个 Agent不能自己说自己过了。State验过什么、哪一步挂了写进文件。五、成本和边界Addy并没有把Loop Engineering讲成一个万能方案。相反他特别提醒了两件事成本以及边界。成本不低loop一旦跑起来就不是简单的一问一答了。它会反复读上下文、反复试错、反复验证必要时还会同时调用多个Agent并行处理。如果任务本身不值得重复执行或者没有稳定反馈loop可能还没帮你省时间就先把成本烧掉了。AI能推进流程但不能替你负责AI说“完成了”不代表真的没问题AI说“测试通过了”也不等于业务逻辑就一定正确。一个没有人盯着的loop也会在没有人盯着的情况下持续犯错。所以loop真正替代的不是人而是重复劳动。真正该留在人手里的仍然是判断、验收和刹车。六、落地建议与避坑指南如果你准备着手构建自己的第一个 Loop请记住以下几条实战教训从小开始逐步迭代不要指望第一天就搭建出复杂的全家桶架构。第一版可以极简一个定时器 一个 Skill 一个保存状态的 Markdown 文件。跑通后再加入 Checker 机制与外部 Connector。内置硬停止条件为了防止失控严肃的 Loop 必须有明确的边界最大迭代次数、无进展检测跑了但没变化时停止、以及 Token 预算上限。让沉默成为敌人Loop 通常在后台静默运行。必须在关键步骤失败时加入通知机制Webhook 推送至飞书/Slack并在 Memory 层输出可被快速检索的格式化日志。警惕 Token 成本与理解力负债无限循环极易导致字符膨胀瞬间烧干预算。此外循环跑得越快如果不人工审查产出代码开发者对自己项目的理解就会越来越浅。
别再手写提示词了！一文读懂 AI 编程新范式：Loop Engineering（循环工程）
发布时间：2026/6/16 10:38:33
2026年6月AI 开发者圈子被一句话彻底点燃“你不该再给编程 Agent 写提示词了你应该设计一套循环机制Loops让这些循环去提示你的 Agent。”这句由 OpenClaw 创始人 Peter Steinberger 发出的“每月提醒”迅速引发了百万级浏览与全网热议。紧接着Claude Code 的创建者 Boris Cherny 也公开表示自己已经不再手动输入提示词而是让大量循环在后台运行。这标志着 AI 交互正在经历一次重大的抽象层级跃迁——从 Prompt Engineering提示词工程正式迈入 Loop Engineering循环工程时代。Chrome 团队的 Addy Osmani 就发了一篇推文昭示着 Loop Engineering 的到来究竟什么是 Loop Engineering它为什么能取代传统的对话式编程本文将带你全面拆解这一最新范式。一、什么是Loop Engineering简单来说Loop Engineering 就是用你设计的系统来替代你自己去手动 prompt Agent。过去两年我们与 AI 协作的方式是“一问一答”你输入一段话读返回的内容再输入下一段话。人是控制者Agent 是执行者。但这种方式受限于人类的思维带宽一旦任务变长、变复杂就需要人一轮轮往前推。Loop Engineering 的核心思想是**人类退出持续提示的位置转去设计一个能够持续调度、约束和验证 AI 的“循环系统”。**在这个系统中AI 像流水线一样自主运转自动发现工作、分配任务、检查结果并决定下一步。开发者的角色也从单纯的“问话者”升级为了“系统架构师”。图片来源什么是 Loop Engineering二、四代AI范式的演进关系要真正理解 Loop Engineering我们需要将其放在 AI 工程的演进脉络中来看。这四者是叠加关系而非替代关系Prompt Engineering提示词工程解决的是“怎么问”。关注单次调用的指令质量让人类逐轮驾驶模型。Context Engineering上下文工程解决的是“给它看什么”。通过 RAG 或记忆库把正确的项目背景、代码结构送进上下文窗口。Harness Engineering环境工程解决的是“在哪里安全运行”。为 Agent 提供工具、权限、沙箱环境和接管机制。Loop Engineering循环工程解决的是“如何持续推进与反馈闭环”。设计递归和迭代处理循环让 Agent 具备自我观察、自我规划、自我纠错的能力。三、核心架构5 1构建模块真正的Loop绝不是简单的机械重复Cron Job而是一套带有反馈闭环的工程系统。一个完整的 Loop 通常需要以下五个核心组件加上一个记忆层skills项目知识外置Agent每次session都是冷启动skill文件将约定、构建步骤和踩坑记录写进磁盘避免Agent反复从头解释项目。解决的是项目规则如何让AI理解项目。Connectors连接真实世界只会读文件的 Loop 很小。通过 MCP 等连接器Loop 可以查 Issue、读 CI 日志、发 Slack、调 API甚至直接开 PR。解决的是如何实际在做。Sub agentsmaker与checker分离不要让同一个模型写完代码又宣布“没问题”它几乎一定会偏袒自己。拆分为探索/实现 Agent 和审查 Agent是保证无人值守结果可信的前提。解决的是模型交叉检查。State/ Memory 持久化状态模型跨 Session 会失忆进度、试过的方案必须落在外部Markdown、Linear 看板等。Loop 能接力靠的是 State有点类似langgraph定义的stategraph靠状态在节点中传递上下文而不是聊天记录。解决的是隔离协作。Automations自动触发按计划自动跑一轮分拣Triage读取失败的CI和新开的Issue把值得处理的事项分发给独立的Sub-agent。解决的是怎么被触发的问题。Memory记忆无论是 Markdown 文件还是 Git 历史它为 Loop 提供了跨会话的连续性。解决的是Loop的记忆。四、关键挑战验证子Loop的缺失听起来 Loop 已经能“发现工作 - 写代码 - 审代码 - 开 PR”完美闭环了但仔细想一个问题它怎么知道“做完了”对于后端或 CLI 工具lint 干净、单测全绿就可以停止。但对于 App 或 Web UI“命令 exit 0”不等于“产品没问题”。界面对不对、真机能不能跑都不在源码里。于是多数 Coding Loop 实际停在“代码可合并”验产品这一步依然是人挨个点屏幕。要实现真正的 AI 研发闭环就必须补齐验证子 LoopVerification Sub-loop。它需要Connector连得上真机/浏览器验完自动把截图或结果送回 Coding Agent。Sub-agents点的和判的不是同一个 Agent不能自己说自己过了。State验过什么、哪一步挂了写进文件。五、成本和边界Addy并没有把Loop Engineering讲成一个万能方案。相反他特别提醒了两件事成本以及边界。成本不低loop一旦跑起来就不是简单的一问一答了。它会反复读上下文、反复试错、反复验证必要时还会同时调用多个Agent并行处理。如果任务本身不值得重复执行或者没有稳定反馈loop可能还没帮你省时间就先把成本烧掉了。AI能推进流程但不能替你负责AI说“完成了”不代表真的没问题AI说“测试通过了”也不等于业务逻辑就一定正确。一个没有人盯着的loop也会在没有人盯着的情况下持续犯错。所以loop真正替代的不是人而是重复劳动。真正该留在人手里的仍然是判断、验收和刹车。六、落地建议与避坑指南如果你准备着手构建自己的第一个 Loop请记住以下几条实战教训从小开始逐步迭代不要指望第一天就搭建出复杂的全家桶架构。第一版可以极简一个定时器 一个 Skill 一个保存状态的 Markdown 文件。跑通后再加入 Checker 机制与外部 Connector。内置硬停止条件为了防止失控严肃的 Loop 必须有明确的边界最大迭代次数、无进展检测跑了但没变化时停止、以及 Token 预算上限。让沉默成为敌人Loop 通常在后台静默运行。必须在关键步骤失败时加入通知机制Webhook 推送至飞书/Slack并在 Memory 层输出可被快速检索的格式化日志。警惕 Token 成本与理解力负债无限循环极易导致字符膨胀瞬间烧干预算。此外循环跑得越快如果不人工审查产出代码开发者对自己项目的理解就会越来越浅。
