Anthropic 工程师提出了 Loop Engineering 方法论定义了 AI 工程实践的第四层栈。 LangAlpha 作为一个面向金融的 AI Agent 平台分享一下我们是如何在在Agent工程上的思考。一、背景AI 工程的四层栈2026 年 6 月Peter SteinbergerOpenClaw 作者、Boris ChernyClaude Code 负责人 和 Addy OsmaniGoogle Chrome 团队三位顶级工程师在一周内同时点燃了一个概念——Loop Engineering。三人的共识指向同一个转变设计的对象从Agent 的单次行为转变为驱动 Agent 的完整系统。这并非取代已有的 Prompt Engineering、Context Engineering 和 Harness Engineering 而是在它们之上叠加第四层。每一层向上关注的单元放大一号层级名称关注单元核心新增能力1Prompt Engineering一句话指令的精确编写2Context Engineering一个窗口上下文组装与管理3Harness Engineering一次运行工具-模型-基础设施的耦合设计4Loop Engineering一个自运转循环定时运行 · 派生助手 · 自我喂养二、Harness Engineering一次运行的设计Harness Engineering 关注的是一次 Agent 执行这个单元——模型如何调用工具、 工具如何返回结果、中间件如何编排、基础设施如何隔离。 它不是写一个提示而是设计承载提示、工具和模型的执行框架本身。 LangAlpha 在这层的设计由四个核心支柱构成。2.1 PTC 模式代码作为工具调用的中间层传统的 AI Agent 通过 JSON 格式的工具调用与数据交互 模型输出一个 JSON blob后端解析后执行函数再将原始数据塞回 context window。 这种做法有两个根本问题一是大量原始数据涌入上下文迅速消耗 token 预算 二是 LLM 无法对数据做真正的计算——它只能读数据不能操作数据。LangAlpha 的PTCProgrammatic Tool Call颠覆了这一范式。 其核心流程是这一设计的工程含义是深远的LLM 充当架构师而非搬运工。 它写代码决定要拿什么数据、如何处理但处理过程在沙箱中完成。 这是Generator / Evaluator 分离的第一层体现—— LLM 生成方案沙箱运行时验证结果。代码执行成功与否 stdout / stderr / 文件产物是客观事实不依赖 LLM 的自我评价。2.2 25 层中间件栈约束的组合LangAlpha 的 Agent 并非一个手写的 LangGraph StateGraph。 它通过deepagents库的create_agent()创建 包裹在一个约 25 层的中间件链中。这个栈在src/ptc_agent/agent/agent.py中组装中间件职责注释工具参数解析将 LLM 输出的工具调用参数标准化Harness 入口受保护路径阻止 Agent 访问 /etc、/proc 等系统目录安全约束错误处理捕获工具调用异常优雅降级容错泄漏检测检测 API 密钥、密码等敏感信息泄露安全产物发射文件写入/图表生成后通知前端可观测性多模态支持处理图片、PDF 等非文本输入输入扩展技能加载运行时加载预构建 Skillsdcf-model、comps-analysis 等能力注入引导系统提示词注入与工作区上下文Context Engineering子代理分发BackgroundSubagentOrchestrator 协调并行子代理Loop Engineering 入口HITL人类检查点——用户可在工作流中途介入控制保留上下文压缩超过 120K token 阈值时自动压缩历史消息Token 管理模型重试/回退瞬时错误自动重试故障转移到备用模型弹性提示缓存缓存系统提示以减少重复 token 消耗成本优化工作区注入注入 agent.md workspace 上下文持久化感知记忆感知从 Memory/Memo 存储注入持久知识跨会话状态值得注意的是中间件的分层与解耦安全约束路径保护、泄漏检测 在工具调用层能力注入技能、子代理在编排层 持久化感知工作区注入、记忆在上下文层。 每层独立演进互不阻塞。这体现了 Stripe 架构的核心主张——可靠性来自约束的质量而非模型的大小。2.3 Daytona 沙箱结构化的执行环境沙箱生命周期自动停止1 小时无活动后自动归档7 天快速重启自动删除90 天GC 回收快照基于 config hash 版本化Python3.12工作区目录结构/home/workspace/ ├── agent.md # 持久化工作区指令 ├── work/task/ # 任务数据 图表 ├── results/ # 最终报告 ├── data/ # 共享数据集 ├── tools/ # MCP Python 包装器 └── .agents/ ├── user/ # 用户配置 记忆 └── skills/ # 技能模块每个工作区对应一个独立的 Daytona 沙箱 VM。work/task/的任务隔离目录确保了并发子代理之间互不干扰—— 这正是 Loop Engineering 中Worktrees组件的实际落地。 沙箱快照基于agent_config.yaml的哈希值版本化 确保工作区重建时依赖一致。2.4 多模型弹性层LangAlpha 通过一个提供商无关的模型层抽象了多个 LLM 后端 OpenAI (o3/o4-mini, GPT-4o)、Anthropic (Claude Sonnet/Opus 4)、 Google (Gemini 2.5)、DeepSeek (V3/R1)、Qwen、Kimi、Doubao、GLM、MiniMax 等。 两层弹性机制自动重试瞬时错误自动重试故障转移通过llm.fallback配置链式降级到备用模型推理级别标准化不同提供商的 reasoning_effort 自动映射双模式PTC 模式做深度多步分析Flash 模式做快速对话三、Loop Engineering自运转循环的设计Loop Engineering 的定义是替换你自己作为给 Agent 下指令的人 转而去设计一个能自动完成这件事的系统。它的三个核心能力是定时运行、派生助手、自我喂养。 Anthropic 论文定义了 Loop 的五个动作和六个组件。 下面逐一映射 LangAlpha 的实现。3.1 五动作的完整映射Loop 动作LangAlpha 实现代码/模块防失败模式 Discovery仪表盘系统市场指数、新闻简报、自选股作为代理上下文预构建发现技能idea-generation、morning-note、catalyst-calendarpages/Dashboard/skills/防 Blind Loop仪表盘预设 技能模板确保每次触发有明确目标 HandoffBackgroundSubagentOrchestrator 通过 Task() 产生隔离子代理5 种内置子代理 用户自定义Steering Queue 支持运行中指令src/ptc_agent/agent/subagents/agent_config.yaml防 Tangled Loop子代理隔离上下文互不污染update/resume 机制✅ VerificationPTC 天然分离LLM 写代码 / 沙箱执行Flash 快速验证确定性路径门控agent_config.yaml → filesystemDaytona runtime防 Nodding Loop代码执行结果是客观事实非 LLM 自我评价 Persistenceagent.md 工作区指令Memory用户级 工作区级LangGraph CheckpointerSSE 会话回放MemoryContextMiddlewareCheckPoolsse_events防 Amnesiac Loop多层持久化重启后无缝接续⏰ SchedulingAutomations 系统 CRUD 模板库Compaction 中间件自动触发pages/Automations/agent_config.yaml → compaction防 Manual Loop自动化是一等公民模板降低调度门槛3.2 六组件的工程落地⚡ Automationspages/Automations/定时研究 CRUD模板库Mag 7 财报前等skills/automation/ WorktreesDaytona 沙箱每工作区独立 VMwork/task/任务隔离子代理隔离上下文 Skills20 预构建技能dcf-model、comps-analysis、earnings-preview 等SkillsMiddleware 运行时加载 Connectors10 MCP 服务器stdio/HTTPFMP · SEC EDGAR · Polygon · Yahoo · X API · Scrapling Sub-agents5 内置 用户自定义Task() 并行异步update/resume 迭代服务器重启后自动重建 Memory用户级 工作区级持久记忆Memo 存储Markdown/PDF/CSVLangGraph BaseStore PG3.3 Generator / Evaluator 分离五层嵌套实现 ⭐这是 Loop Engineering 方法论中最核心的设计原则。Anthropic 工程师 Prithvi Rajasekaran 的实证观察指出 让 Agent 评判自己刚写的代码它会自信地给出好评——即使质量平庸。 这不是智商问题而是结构性缺陷Agent 的上下文里塞满了为什么这样写的自我说服链条 它看到的不是结果而是导致结果的理由。LangAlpha 在五个不同层级上实现了 Generator/Evaluator 分离层级Generator分离机制Evaluator为什么有效L1LLM 写 Python 代码→ 沙箱执行 ←Python 运行时 文件系统代码执行结果stdout/stderr/文件是客观事实不是 LLM 自评L2一个子代理起草修复→ 任务交接 ←另一个子代理审查隔离上下文窗口无自我说服链L3PTC 模式深度分析→ 模式切换 ←Flash 模式快速验证更快、更小的独立模型做快速判断L4LLM 文件操作→ 硬编码门控 ←路径白名单 断路器确定性规则 Agent 无法绕过Stripe 模式L5Agent 自主运行→ 人类检查点 ←HITL Steering Queue保持能够干预的位置三条纪律之三可靠性来自约束的质量而非模型的大小。— Stripe Minions 架构主张每周合并 1,300 机器 PRL1 到 L4 构成了从软约束到硬约束的递进L1 依赖运行时事实L2 依赖隔离上下文 L3 依赖模式切换L4 依赖不可绕过的确定性门控。L5 保留了人类的最终裁决权。 这个五层设计体现了一个关键认知验证层的独立性必须与生成层同等级别地工程化 而不是作为附属功能后加。3.4 四种隐藏成本的防御体系Loop Engineering 论文特别警示了四种静默积累的成本。 LangAlpha 在架构中为每一种都设置了防御 Verification Debt应对PTC 客观验证代码执行结果非 LLM 自评Flash 快速二次验证 Comprehension Rot应对agent.md 子代理视图工作区级文档持久记录子代理进度实时透明 Cognitive Surrender应对HITL Steering人类检查点内置在中间件中用户可中途介入 Token Blowout应对Compaction PTC120K token 阈值自动压缩数据不入 context window四、关键架构决策4.1 BackgroundSubagentOrchestrator派生助手的引擎LangAlpha 的子代理系统通过Task()工具实现这是 Loop Engineering 中派生助手能力的核心。关键设计决策并行执行隔离上下文子代理在独立的上下文窗口中运行防止主代理的推理链漂移。 每个子代理返回浓缩结果给主代理使编排器保持精简。 这解决了一个 Agent 管太多事导致上下文膨胀的核心问题。update / resume迭代而非重做主代理可以向仍在运行的子代理发送后续指令update 也可以用完整上下文恢复已完成的子代理继续优化resume。 服务器重启时子代理状态从 LangGraph 检查点自动重建。4.2 Memory 与 Memo双重持久化体系LangAlpha 实现了两个独立的持久化存储均基于 LangGraph 的BaseStoreAPI存储作用域写入者内容中间件Memory用户级 工作区级Agent 自动持久偏好、投资风格、跨沙箱知识MemoryContextMiddlewareMemo用户级用户上传研究报告 PDF、投资论文 Markdown、参考文档MemoAwarenessMiddlewareMemory 对应 Loop 中自我喂养的能力——Agent 在运行中积累的知识用户偏好、分析框架 自动沉淀到持久存储中下次会话自动注入。Memo 则让用户可以将外部知识注入系统。 两者共享请求作用域缓存单轮中多次读取只命中存储一次。在 Loop 第一次无人值守运行前设置单次预算、每日预算、最大重试次数。 这不是为了省钱而是把开放式风险转化为有界风险。— Loop Engineering 论文三条站立式纪律之二4.3 CompactionToken 爆炸的自动防御LangAlpha 的 Compaction 中间件是 Loop Engineering 中Token Blowout成本管理的直接实现。 其配置精确地体现了有界风险原则compaction: enabled: true token_threshold: 120000 # 超过此阈值触发压缩 keep_messages: 10 # 保留最后 10 条消息 truncate_args_trigger_messages: 40 # 超过 40 条消息时截断工具参数 truncate_args_keep_messages: 10 # 最近 10 条不做截断 truncate_args_max_length: 2000 # 每个参数值最多 2000 字符这个设计在保留足够上下文让 Agent 继续工作和防止 token 无限堆积之间找到了工程平衡点。 配合 PTC 模式数据不进入 context windowLangAlpha 在多轮深度分析中能维持稳定的 token 消耗。五、全景架构四层栈在 LangAlpha 中的完整呈现六、结语终极公式的工程实践LangAlpha 的架构设计体现了这个公式的三个关键维度第一系统的完整性。五个 Loop 动作Discovery → Handoff → Verification → Persistence → Scheduling 在 LangAlpha 中都有明确的代码级对应不是概念上的可以参考而是工程上的已经落地。 六个组件也没有遗漏——从 MCP 服务器集群Connectors到 Memory/Memo 双存储Memory 从 Skills 目录Skills到 Daytona 沙箱Worktrees再到 Automations 页面Automations 和子代理注册表Sub-agents。第二约束的层次化。Generator/Evaluator 分离不是单一机制而是五层嵌套——从最软的依赖运行时事实L1 PTC 到最硬的确定性门控L4 路径白名单再到人类保留最终否决权L5 HITL。 这个层次化设计意味着即使某一层的验证被绕过下一层仍然在起作用。第三成本的自觉防御。LangAlpha 对 Loop 的四种隐藏成本Verification Debt、Comprehension Rot、 Cognitive Surrender、Token Blowout都设置了对应的架构防御——不是事后补救 而是作为中间件栈和基础配置的内置约束。Compaction 中间件的三层截断策略 全文压缩 / 参数截断 / 预算约束尤其体现了把开放式风险转化为有界风险的工程思维。对于正在构建金融Agent 系统的工程师而言LangAlpha也许能够提供一些思考的帮助。