最近看到一句很有意思的话。我不再提示 Claude 了。我有运行中的循环在提示 Claude并决定接下来做什么。我的工作是写循环。这句话来自 Claude Code 的 Boris Cherny。它听起来有点夸张但可能说中了 AI 编程下一阶段的变化。过去两年我们大多数人和 coding agent 的关系是这样的我写 promptAI 给答案我看结果我再补一句 promptAI 再改人一直握着方向盘。AI 是工具人是一轮又一轮的操作者。但 loop engineering 想做的事情是把这个过程往上抽一层。不再是你每次亲自提示 agent而是你设计一个系统让这个系统去提示 agent、检查 agent、决定下一步。人设计 looploop 调用 agentagent 执行任务loop 检查结果loop 决定继续、重试、分派、停止这才是 Boris 那句话真正有意思的地方。不是“人不用工作了”而是工作的重心变了。Prompt engineering 解决的是“怎么问”Prompt engineering 关心的是怎么把问题描述清楚怎么给 AI 足够上下文怎么让它输出想要的格式。这当然还有用。但它的问题也很明显每一轮都依赖人。你要不断盯着、判断、补充、纠偏。Loop engineering 关心的是另一个问题我能不能设计一个循环让 AI 自己发现问题、处理问题、验证结果并在合适的时候停下来从第一性原理看工程本来就是一个闭环目标状态 - 当前状态 偏差根据偏差采取行动观察新状态继续修正写代码是这样做产品是这样做增长也是这样。AI 之前改变的是“行动”这一步现在 loop engineering 改变的是整个闭环。一个 loop 需要什么Google Cloud 的总监 Addy Osmani 在关于 loop engineering 的文章里把它拆成了五个组件再加一个记忆层。这个拆法很清楚。Automations让 loop 定时运行而不是等你想起来才跑一次。比如每天检查 CI 失败、open issues 和最近提交。Worktrees让多个 agent 并行干活时互不踩文件。每个 agent 在自己的分支和目录里工作。Skills把项目规则、历史约定、构建方式和踩坑经验写下来避免 agent 每次重新猜。Plugins / Connectors让 agent 接入 GitHub、Linear、Slack、数据库、监控平台和测试环境。Sub-agents把“做事的人”和“检查的人”分开。一个 agent 实现另一个 agent review。Memory用 markdown、issue board 或状态文件记录完成了什么、下一步是什么。模型会忘仓库不会。一个真实 loop 可能长这样假设你维护一个产品仓库。每天早上automation 自动运行。它读取昨天的 CI 失败、用户反馈、最近合并的 PR 和未关闭的 issue然后调用一个 triage skill把问题分成几类可以自动修复、需要人工判断、需要更多信息、暂时不处理。对于可以自动修复的问题它开一个独立 worktree让第一个 sub-agent 去修。修完之后第二个 sub-agent 按项目规范 review。然后跑测试。测试失败loop 把错误日志喂回去让 agent 继续修。测试通过loop 开 PR更新 ticket并把摘要写进状态文件。处理不了的按分级归类整理等你看。这时候你做了什么你没有一条条提示 AI。但你设计了它什么时候运行、看什么信息、能做什么、怎么判断成功、失败后怎么办、什么时候必须交给人。一天 150 个 PR真正值得看的不是数字Boris 被讨论最多的案例是一天提交很多 PR甚至可以全程用手机完成。这个故事最容易被误读成“AI 已经可以替人写代码了。”但我觉得真正重要的不是 PR 数量也不是手机。真正重要的是手机变成了控制面板。背后跑的是多个循环发现问题、分配任务、生成修改、跑测试、做 review、开 PR。人不再是每一步的操作者而是系统的设计者和审查者。Loop 不会替你成为工程师loop 越顺滑人越容易放弃理解。代码不是你写的PR 是 agent 开的review 是另一个 agent 做的测试也是自动跑的。时间一长你可能只剩下一个动作点同意。这不是自动化。这是认知外包。所以 loop engineering 里最重要的不是“让 AI 多干活”而是几个边界必须有清晰的停止条件。必须有独立验证。必须有权限控制。必须有外部记忆。必须有人类审查关键结果。尤其不要把 PR 数量当成价值。真正该看的指标是合并率、回滚率、缺陷率、review 成本、用户价值和团队理解程度。未来工程师写什么过去工程师主要写代码。后来工程师开始写 prompt。接下来高杠杆工程师可能会写 loop。也就是写一套持续运转的工作系统目标如何定义任务如何发现上下文如何加载工具如何调用结果如何验证失败如何处理状态如何保存风险如何拦截。代码仍然重要。Prompt 仍然重要。但它们都变成了 loop 里的零件。Build the loop. Stay the engineer.建立循环保持工程师的思维。因为 loop 不知道你是在加速理解还是在逃避理解。你知道。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】