过去三年AI 编程的方法论主轴经历了从 Prompt Engineering提示词工程 → Context Engineering上下文工程 → Harness Engineering外壳/脚手架工程 的三次跃迁。2026 年业界正在向第四代范式 —— Loop Engineering循环工程 演进。其核心标志不再是「人类如何更好地指挥模型」而是「模型如何自主工作autonomous execution并自主迭代进化self-improving」。本文面向专业技术人员系统梳理这一演进的技术脉络、关键实现机制、学术前沿成果Darwin Gödel Machine、Agentic RL、群组进化 GEA 等与工程化案例OpenAI Codex、Anthropic 长程应用、Hermes Agent、Self-Improving Skill 等并对 2026–2028 的技术趋势做出研判。核心判断Harness 解决的是「单个 Agent 能不能持续干活」Loop 解决的是「Agent 集群能不能自己派活、自己复盘、自己变得更强」。前者是外骨骼后者是自驱的飞轮。Peter Steinbergeropenclaw 创始人的提醒颇具代表性 —— 别再纠结于打磨单个 coding agent去设计能驱动 Agent 自我运转的 Loop。一、工程范式的四次进化理解 Loop 工程必须把它放在 AI 编程方法论的完整演进谱系中。下表概括了四代范式的核心差异。1.1 第一代Prompt Engineering提示词工程最早的范式核心是「如何把话说对」。围绕 zero-shot / few-shot、Chain-of-Thought思维链、角色扮演、输出格式约束等技巧展开。其本质局限是 单轮、无状态模型每次对话都是孤立事件无法跨轮次累积状态工程能力高度依赖人的「调教技巧」难以规模化、难以复现。1.2 第二代Context Engineering上下文工程随着上下文窗口从 4K 扩展到 1M重点转向 「喂什么、怎么喂」RAG 检索增强、记忆系统长短期记忆、上下文压缩与摘要、相关性裁剪。其代表性洞见是 —— 即使上下文加到 1M面对复杂长线任务模型依然会「遗忘」和「失焦」。光靠堆上下文调教不出能稳定落地的 Agent。这直接催生了第三代。1.3 第三代Harness Engineering外壳 / 脚手架工程Harness直译「马具 / 挽具」的核心隐喻是为模型穿上一套外骨骼让它能 7×24 小时干活而不崩溃、不烂尾。Martin Fowler、OpenAI 与 Anthropic 都对其给出了系统定义。Harness 不改变模型本身而是在模型外部构建一整套运行基础设施。一个完整 Harness 通常包含七大组件① 工具箱Tools——文件读写、终端、检索、API 调用② 工作环境Workspace——沙箱、版本控制、可回滚③ 记忆系统Memory——跨会话持久化的项目记忆④ 任务调度Orchestration——任务分解、子任务循环、TODO 管理⑤ 安全边界Guardrails——权限控制、危险操作拦截⑥ 监控Observability——执行轨迹、日志、指标⑦ 反馈回路Feedback Loop——测试、Lint、CI 结果回灌给模型。经典论断源自 learn-claude-code「Agency 来自模型Agent 模型 Harness」。模型提供智能与自主性AgencyHarness 提供让这种自主性得以持续、安全、可观测地落地的工程载体。Claude Code、OpenClaw、OpenAI Codex 本质上都是「模型 Harness」的具体形态。1.4 第四代Loop Engineering循环工程Loop 工程由 Peter Steinbergeropenclaw 创始人 明确提出是建立在 Harness 之上的元层meta-layer。其分层关系是Harness 为特定领域搭建完整的 Agent 基础设施Loop 自动地、循环地使用整套 Harness Agent人类只在最顶层指挥 Loop Agent。换言之第三代里人类是「下达每个任务的工头」第四代里人类退到「只设定目标的产品负责人」由 Loop 负责把目标拆成任务、派给一个或多个 Harness Agent 执行、收集结果、复盘失败、调整策略、再次发起 —— 形成一个 自调度 自评估 自修正 的闭环飞轮。业界判断沿这条路径「迈向智能可能就在 2027 年」。下面用一张概念图直观呈现四代范式的层级叠加关系。图 1 AI 编程工程范式四次进化的层级叠加关系Loop 建立在 Harness 之上二、Loop 工程的分层架构与控制循环从工程实现角度看Loop 工程可以拆解为「目标层 — 调度层 — 执行层 — 进化层」四个层次配合一个贯穿始终的控制循环Control Loop。2.1 四层结构2.2 Loop 的核心控制循环Loop 的运转可以抽象为一个不依赖人类逐步干预的闭环目标设定 → 任务分解 → 调度执行多个 Harness Agent→ 结果验证测试/Lint/CI→ 失败诊断 → 经验沉淀 → 策略调整 → 重新发起。该循环的关键在于「验证」与「进化」两个环节自动化 —— 这正是它区别于第三代 Harness 的本质。下图给出 Loop 控制循环的流程示意。图 2 Loop 工程的自调度—自验证—自进化闭环控制流2.3 与 Harness 的边界界定需要特别澄清一个常见误解Loop 不是更大的 Harness而是 Harness 的「使用者」。Harness 关注「单个 Agent 的运行外壳」其循环agentic loop是「思考—行动—观察」的微循环Loop 关注「整个交付目标的达成」其循环是「派活—验收—复盘—改进」的宏循环。一个 Loop 可以驱动多个异构的 Harness Agent如一个写代码、一个写测试、一个做评审并对它们的产出进行裁决与整合。三、模型自主工作Autonomous Execution的技术实践「自主工作」指模型在最小人类干预下长程long-horizon、多步骤地推进复杂任务。其底层技术支撑主要来自三个方向。3.1 长程 Agentic 能力与 Agentic RL学术界已将其形式化为 Agentic Reinforcement LearningAgentic RL。综述论文《The Landscape of Agentic Reinforcement Learning for LLMs: A Survey》给出的定义是把 LLM 从「静态的单步条件生成器」重新构想为「嵌入序列决策循环中的可学习策略policy」使其具备 规划、推理、工具调用、记忆维护与自我改进 等长期主体性行为从而在部分可观测、动态环境中呈现长期交互能力。训练范式上常用 on-policy 的 PPO 与面向可验证奖励的 RLVRReinforcement Learning with Verifiable Rewards、GRPO 等。编程场景天然适合 RLVR —— 因为「代码能否通过测试」是天然的、可自动判定的奖励信号无需人工标注偏好。工程系统层面2026 年出现了一批专为 Agentic RL 设计的分布式训练系统。例如港大与阿里开源的 ROLLART基于「硬件亲和工作负载映射、轨迹级细粒度异步执行、状态感知计算」三大原则在 3000 异构 GPU 集群上实现 1.35–2.05 倍 端到端训练加速支持数百亿参数 MoE 模型训练。中科大的 Agent-R1 v2 则面向多轮任务显著提升大模型长程规划能力。3.2 记忆系统从被动检索到工具化决策长程自主工作的最大敌人是「遗忘」。新一代记忆框架 Agentic MemoryAgeMem 把长短期记忆管理「工具化」并融入决策回路模型不再被动接受检索结果而是主动决定「何时记、记什么、何时取」。该框架采用 三阶段渐进式强化学习 分步 GRPO 解决记忆操作的稀疏奖励问题在五大长程任务基准上同时取得更优任务性能、更高质量长期记忆与更高效上下文利用。3.3 工程化落地OpenAI 的规模化实证自主工作已不止于实验室。OpenAI 在《Harness Engineering: Leveraging Codex in an Agent-First World》中披露的标志性案例一个 3–7 人 的小团队在 约 5 个月 内让 AI 生成了约 100 万行 生产级代码无人手写业务逻辑 —— 人类的工作重心完全转移到了「设计 Harness、设定目标、审查产出」。这一案例被广泛视为「Agent-First 开发模式」可规模化的有力证据。Anthropic 在《Harness Design for Long-Running Application Development》中则强调长程应用开发中的「上下文衰减管理」「子代理隔离」「检查点与回滚」等工程实践为自主工作的稳定性提供方法论。四、自主迭代进化Self-Improving从工程技巧到学术前沿如果说「自主工作」回答的是「Agent 能不能干完」那么「自主迭代进化」回答的是更深的问题 —— 「Agent 能不能越用越强」。这是 Loop 工程区别于此前所有范式的灵魂。本章按「轻量工程实践 → 系统级自进化 → 学术前沿自我改写代码 / 进化算法」三个层次展开。4.1 层次一轻量级自我改进不改权重靠记忆与反思最贴近当下工程落地的是 不触碰模型权重、纯靠「外部记忆 元认知反思」实现的自我改进。其本质是在任务执行之上增加一层「元认知反馈环」meta-cognitive feedback loop。4.1.1 Self-Improving AgentSkill 形态代表作是社区广泛使用的 self-improving-agent Skill作者 pskoett安装量级 10 万。它让 Claude Code、Codex、Copilot、OpenClaw 等编码 Agent 具备持续自我改进能力机制为三层Layer 1 实时反馈循环每次任务执行后立即评估、快速调整。Layer 2 周期性深度反思每周/每月深度分析识别系统性问题。Layer 3 记忆提升Promote把有价值的学习从临时 Markdown 提升到项目级记忆文件。其触发时机设计很有借鉴价值 —— 通过 Hook 机制在四类情况下自动捕获学习① 被用户纠正时识别「不对」「应该是」「这个方法已废弃」等语义② 命令/工具执行失败时error-detector 脚本捕获 Bash 报错③ 遇到知识盲区时④ 出现功能请求时。这些事件实时写入本地 Markdown积累到阈值后再「提升」为长期记忆使 Agent 跨 Session 不断变聪明。4.1.2 Hermes Agent闭环学习系统Hermes Agent 凭借自进化能力在 OpenRouter 排行榜实现约 204% 的增速。相比 OpenClaw 的手写配置Hermes 能自动积累经验并优化执行流程「越用越高效」。其三大子系统协同构成闭环Memory记录用户偏好 Skill提炼操作经验 Nudge Engine定时复盘。重要的是它的安全设计确保了「进化可控」—— 自我改进不等于失控。层次一的工程哲学进化发生在「模型之外」。模型权重冻结但 Agent 整体模型 记忆 技能库在持续进化。这是当前最安全、最易落地、企业可控的自进化形态。4.2 层次二系统级自进化与群组进化更进一步是在 Agent 系统层面引入进化机制让多个 Agent 变体在竞争与选择中迭代。GEA群组进化范式 / Group Evolution Agent通过维护多样化的 Agent 群体并进行进化选择在 SWE-bench Verified 上达到 71.0%、在 Polyglot 上达到 88.3% 的解决率显著超越单体 Agent。EverOSAgent Memory 自进化以记忆为核心驱动自进化报告称任务成功率最高提升 234.8%。DSPy GEPA把提示词/程序作为可优化对象用反思式进化Reflective Prompt Evolution自动搜索更优的 Agent 程序结构。Meta HyperAgents自指涉自我改进 / Self-referential Self-improvementAgent 不仅改进任务策略还改进「改进策略本身的机制」逼近递归自我改进。4.3 层次三学术前沿 —— 自我改写代码与开放式进化最激进的方向是让 Agent 直接修改自身代码并用基准实证验证改进效果 —— 这触及了「递归自我改进Recursive Self-Improvement, RSI」这一通往强智能的核心命题。4.3.1 Darwin Gödel MachineDGM由 University of British Columbia、Vector Institute、Sakana AI 等机构于 2025 年 5 月提出的 Darwin Gödel MachineDGM是该方向的标志性成果。其核心思想融合了 Gödel Machine 的「自我改写」理念与达尔文式「开放式进化」自改写Agent 能自己修改自己的代码被形容为「心脏手术式」的自我修改。实证验证每次改写后用 benchmark如 SWE-bench实测改进是否真实有效而非理论证明。多样性档案库Archive维护一个多样化的 Agent 档案库从中采样、变异、保留有效个体实现持续的开放式进化open-ended evolution。DGM 用「经验性验证」替代了原始 Gödel Machine「形式化证明改进有效」的不可行要求使递归自我改进首次具备了工程可操作性。4.3.2 AlphaEvolve 与递归进化生态Google 的 AlphaEvolve 将进化式代码生成应用于科学问题据报道解决了困扰数学界数百年的「亲吻数问题kissing number」相关进展证明进化式 Agent 能产出超越训练数据的新知识。从 DGM 到 OMEGA 框架「AI 递归自我进化系统」正从理论猜想加速迈向工程化落地。资本市场亦有响应 —— 已有公司如 Recursive Superintelligence以「AI 研发全流程自动化」为目标完成大额融资。下表对三个层次的自进化技术做横向对比供选型参考。维度层次一 记忆/反思层次二 系统/群组进化层次三 自改写代码是否改模型权重否否改系统/策略否改 Agent 代码代表技术self-improving-agent、HermesGEA、EverOS、DSPyGEPADGM、AlphaEvolve、OMEGA进化粒度记忆条目、SkillAgent 变体、提示程序Agent 源代码可控性/安全性高中需强约束沙箱档案落地成熟度已规模化试验/部分开源前沿研究典型指标成功率持续提升SWE-bench 71.0%可自我演化出更优 Agent五、关键支撑能力故障自愈Self-Healing长程自主运行必然遭遇失败Loop 能否持续运转取决于其「故障自愈」能力。一个成熟的自愈机制覆盖五个阶段的全生命周期自愈与自进化天然耦合每一次成功的自愈其「失败—诊断—修复」轨迹都应被沉淀为经验反哺到 4.1 节所述的记忆/反思层 —— 让 Agent 下次遇到同类问题时直接复用而非重新踩坑。这正是 Loop「自验证 → 自进化」环节的具体体现。六、工程落地的现实挑战与对策对专业技术人员而言理解趋势之外更需清醒认识 Loop 工程当前的工程化障碍。其中「奖励黑客」与「验证可信度」是自进化系统最隐蔽的风险当 Agent 既写实现又写测试时它可能学会「修改测试以通过」而非「修复代码」。工程上必须做到 验证主体与被验证主体的隔离并对验证逻辑施加只读约束。七、后续技术趋势研判2026–20287.1 范式趋势从「写 Agent」到「写 Loop」工程师的核心产出物从「单个 coding agent」上移为「驱动 Agent 自运转的 Loop 与验收契约」。人的价值集中在目标定义、验证标准设计与边界约束。RLVR Agentic RL 成为模型侧主线可验证奖励让编程、数学、工具使用等领域的长程能力持续提升模型自身的「自主性Agency」越来越强对外部 Harness 的依赖会相对下降。自进化从「外部记忆」走向「系统/代码自改写」层次一已规模化层次二在快速开源化层次三DGM 类将从研究走向受控的生产试点。7.2 工程趋势记忆即基础设施Agentic Memory 这类「工具化、可决策」的记忆系统将成为标配记忆质量直接决定进化上限。评估/验证基础设施崛起谁掌握高质量、防作弊的自动验证体系谁就掌握自进化的方向盘 —— 验证基础设施的重要性将不亚于训练基础设施。多 Agent 编排标准化Loop 调度层将出现类似「Agent 操作系统」的标准化框架统一任务、记忆、工具、安全的接口。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】