2026 年 6 月一个新词热门了起来Loop Engineering循环工程。它的核心主张听起来近乎挑衅——你不该再亲自给 AI 写提示词了。事情的引爆点是 OpenClaw 的作者 Peter Steinberger发布的八百万人阅读的一条推文你不应该再亲自给编程 Agent 写提示词了你应该去设计那个驱动 Agent 的循环。几乎同一时刻Claude Code 负责人 Boris Cherny 也在公开场合表示他自己已经不再亲自给 Claude 写提示词了而是让一堆循环跑着这些循环会自己提示 Claude、自己判断该做什么而他的工作就是写循环。6 月 7 日Google 工程师 Addy Osmani 在博客里给这件事正式起了个名字Loop Engineering。随后Anthropic 的工程师把这套实践写成了一份完整的手册https://drive.google.com/file/d/1qzKI4DKnyHRpXK1J3ATPqwaqLc0iNu-M/view?pli1我们把手册里最有价值的部分整理成了这篇文章读完你大概会明白为什么一线工程师正在从「写提示词的人」变成「设计循环的人」什么是循环工程过去两年AI 圈冒出了一堆 XX 工程。先是提示词工程教你怎么把一句提示写好后来是上下文工程研究该往模型的窗口里放什么、删什么再后来是 Harness 工程关心一次 Agent 运行该带哪些工具、什么状态算完成。但循环工程切入的角度不太一样。提示词工程、上下文工程、Harness 工程背后本质都在讲同一件事如何通过工程的方式给 AI 提供最合适的输入。它们默认都有一个人坐在键盘前一行一行指挥 Agent。但循环工程把这个人从位置上删掉了你不再身处循环之内而是站在循环之外去构建那个循环本身。也就是说你写的东西不再是给 Agent 的提示词而是一个会自动向 Agent 发提示词的系统。你也从那个写提示词的人变成了设计让 AI 自动写提示词的人。把这四个工程放在一起可以用一个金字塔来理解从下往上每一层关心的东西都比下一层大一圈。最底下是提示词工程关心一句话该怎么说。往上是上下文工程关心一个窗口里该装什么。再往上是 Harness 工程关心一次运行该带什么工具、怎么从失败里恢复。而最上面是最重要的循环工程关心怎么让这一切一遍又一遍自己跑起来。在循环工程的新世界里设计的系统会自己运转它被定时任务唤醒在循环里生成子 Agent 去干活再把这一轮的结果喂给下一轮。那么为什么这个词偏偏在这个时候冒出来这是因为过去半年围绕 Agent 的工具悄悄跨过了一个临界点模型和编程 Agent 已经足够可靠能在没人盯着的情况下完成一件完整的任务单次跑一个 Agent 的成本降得足够低所以反复按定时器跑任务不再显得浪费定时调度这种能力也进了主流工具定时让 Agent 按照循环执行任务变得可能。所以当零件都到位了把它们拼起来这个动作自然就同时在很多人脑子里冒了出来。而名字总是滞后于实践几个月在有人喊它循环工程之前前沿的工程师们早就在写循环啦。如何搭建循环工程说到循环这个词很容易让人误会成空转但其实它每转一圈都在做具体的事。具体的Anthropic 的手册把循环拆成了五个动作1、发现自己找出这一轮值得做的活2、交接把任务移交出去并且互相隔离3、验证引入另一个 Agent 来说不4、持久化把状态写到对话之外的地方5、调度让它一轮接一轮地转下去。这五个动作里少了任何一个循环要么转不动要么在原地打转。这里有一个很好的例子Osmani 用这套流程给自己搭建了晨间分诊循环每天早上他会启动一个自动化定时任务读取昨天失败的 CI 测试、还开着的 issue、最近的提交然后 AI 会把值得处理的东西写进一个 Markdown 文件。对每一项循环工程开一个独立的 git 工作树一个子 Agent 起草修复第二个子 Agent 对照测试审查然后自动开 PR、更新工单。针对循环工程无法处理的内容会把它发到收件箱等人处理与此同时状态文件会保留第二天等人确认好了接着干。整个循环过程全程不用人插手但它会在恰好该等人的地方停下来。手册也给出了这个例子和循环工程五个动作的对应关系搭建循环工程的关键如果要从这份手册里挑出最值钱的一段那就是关于「验证」的部分。Anthropic 的工程师 Rajasekaran他在做长时间运行的应用时发现了一个现象让一个 Agent 给自己刚写出来的东西打分它几乎总是信心满满地夸自己但是人一眼就看出来质量很平庸。为什么会这样呢因为代码被写出来的时候Agent 的上下文里已经塞满了「为什么要这么写」的理由所以它回头看自己的输出时看到的不是结果而是那条说服自己的链条。而这个问题「循环工程里会被无限放大如果每一次「这够好了吗」都由刚写完的那个 Agent 来决定它每一轮都会对自己的判断认同跑得越久就会导致整体输出的质量变得很差。Rajasekaran 试过让生成器对自己更严厉效果很差。后来他换了思路调教一个独立的评估器去怀疑一切反而容易得多。这里的核心思路是你没法要求一个 Agent 跳出自己的视角但你可以换一个 Agent 进来因为它会带着完全不同的指令从零审视这段代码。这个原则在银行业也有一个名字叫制衡原则几十年前银行就规定录入一笔大额转账的人和审核这笔转账的人必须是两个人。关于评估社区里还有一个常用的校准方法直接告诉评估器默认假设这段代码是坏的直到它被证明没问题。与此同时仅仅使用一个独立的评估器还不够还需要让它使用合适的工具进行评估如果评估器只读代码它判断的是「这看起来对吗」不是「它跑起来对吗」。所以这里还要引入真正的代码在前端任务里Rajasekaran 把评估器接到了 Playwright让它能真的打开页面、点按钮、截图、检查 DOM像个 QA 工程师那样干活。Claude Code 把这套生成、评估的结构变成了一个叫 /goal 的命令给 Agent 一个停止条件让它一直跑到满足为止而且由一个全新的小模型来判断条件成不成立不是干活的那个模型说了算。如果用一句话总结这部分那就是让生成器决定循环能产出什么让评估器决定它不会产出什么。这也是为什么说评估是做好循环工程的关键评估器决定了循环工程的下限。循环工程的最佳实践和建议此外手册里提到了关于循环工程的一些最佳实践第一个经验该让模型自动触发什么。回到前面那个 Osmani 的晨间分诊的案例这里有一个值得注意的细节自动化触发的应该是一个技能而不是一堆没人在意的指令。因为技能可以复用、可以维护。第二个经验是什么可以信任模型什么不可以。这里要提到 Stripe 的 Minions他每周合并超过 1300 个 PR但没有一行是手写的。他的循环工程的触发很轻量在 Slack 里 一下机器人或者加个 emoji 反应就行。这里他让模型稳定运行的关键是能硬编码解决的事就绝不交给模型。所以他从来不让 LLM 自己去找上下文因为模型不可控。Stripe 的做法是在模型被定时任务触发之前先用一段确定性的编排逻辑把上下文组装好扫链接、拉 Jira、查文档、定位相关代码。此外他还有一个核心习惯最关键的判断工作绝不能交给模型所以这 1300 个 PR 仍然是由人来审。第三个经验如何让循环真正在你睡觉时还在跑。很多人以为本地反复跑 /loop 就等于让循环替自己值夜班。但本地循环需要机器一直开着你合上笔记本盖子它就停了。所以如果你要循环工程真正可以在你睡觉时跑你得用云端的定时调度或者 GitHub Actions。第四个经验注意循环工程带来的隐形成本循环越好用越危险。为什么呢因为循环跑得越爽犯的错越不容易发现有四笔隐形账单它在运行时绝不会提醒你。第一种是验证债务。每个AI 生成的、被合并的 PR 都省了你的时间但这个省下来的时间往往变成了一堆没人验证的代码可能会在某一天就成为线上的超级 Bug。如何避免呢建议定期复盘 AI 生成的内容。第二种是用进废退。你越习惯用 AI 写代码你就越不擅长自己写代码。如何避免呢每天读一个有代表性的代码逼自己练习。第三种是认知投降。循环工程越可靠你越容易放弃自己的判断它生成什么你就用什么。针对这个问题建议是给自己留一条底线循环可以帮你执行任务但不能替你做决策。第四种是 Token 爆炸。循环一轮轮跑确实会产生不少的消耗尤其是一些意外情况比如一个 bug 就能空转一整夜那么第二天你收到的就不是修好的代码而是一张意外的发票。针对这一点建议循环开始前就设硬上限包括每次运行的预算、每天的预算、最大重试次数。手册里最后提到同样一个循环两个人来搭可能走到完全相反的终点差别不在循环本身。一个人用循环是为了在自己已经理解的事情上跑得更快。他读代码有方向感知道哪里该信、哪里该停。循环放大的是他原本就有的判断力。另一个人用同样的循环是为了从此不用再理解。代码能生成计划能生成PR 能生成修复也能生成。六个月后前者变强了后者变成了一台自己看不懂的机器的看门人。循环让生成这件事变得极其简单门槛几乎被抹平了。剩下稀缺的是判断力知道哪个方案是对的、哪条线该停、哪个输出能跑但从根上就错了。所以这份手册最重要的一句话是去搭你的循环但要像一个打算继续做工程师的人那样去搭它——而不是一个只会按启动键的人。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】