Loop Engineering是Google Chrome开发者关系负责人Addy Osmani提出的概念旨在通过设计系统自动为AI Agent生成提示而非手动编写。该概念包含五个核心构件自动化心跳、工作树、技能、插件与连接器、子Agent以及记忆。这些构件旨在实现AI Agent的自主迭代与任务完成但开发者仍需负责验证和监督。Loop Engineering利用现有技术如Claude Code和Codex推动AI Agent向更高效的编程助手发展适合希望提升编程效率的开发者学习和实践。Loop Engineering2026年6月9日Google Chrome 的开发者关系负责人 Addy Osmani 在 X 上发了一篇长帖给一个叫 Loop Engineering 的概念做了系统定义。看到这词第一反应Agent 圈又造新词了。读完帖子发现这五个构件确实不是什么新发明。并且大部分已经内建在 Claude Code 和 Codex 里。只是告诉你你现在用的这些功能拼起来就叫 Loop Engineering了。本篇将结合Addy在X发的原文解释一下Loop Engineering的含义防止哪个面试官突然问起来你又不知道说啥了。What is Loop Engineering? · 什么是循环工程先看Addy原文给的定义。Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead. A loop can be thought of as a recursive goal: you define a purpose, the AI iterates until complete. It’s roughly five building blocks — and Claude Code and Codex both have all five now.循环工程是指不再由你亲自去 prompt Agent而是设计一个系统来替你 prompt。可以把循环理解为一个递归目标你定义目的AI 反复迭代直到完成。它大致由五个构建块组成——Claude Code 和 Codex 现在都有了这五块。Loop Engineering 的核心思想是不要再亲自去 prompt Agent。设计一个系统让系统替你去 prompt Agent。过去两年开发者用Coding Agent 的标准姿势是打开终端写 prompt看输出再写 prompt再看。Agent 只是工具每一步都需要人来推。现在这条路在变化——不是不用 Agent 了而是角色变了。开发者从操作员变成了设计师。设计一次循环自己跑。通俗点说Addy是想达到只Plan一次写一次方案后面Agent自动完成后续所有测试调优任务不用我们自己再测试再重新写prompt让agent去改。。。。感觉没啥新的东西Codex和Claude Code一直想达到这个效果但现在Agent仍然难以一次性做完做好一个大型项目。循环的概念像ReAcT,22年姚博士就想出来了为啥他们又要想出这门子新东西呢Claude Code 和 Codex 已经在产品层内置了子 Agent、worktree这些。以前这些只能用 bash 脚本现在都成Coding Agent的标配了。基础设施到位了概念就有名字了。我的观点就是: 引导技术趋势代表了现在LLM和Agent工业界有能力迭代出能一个走完完整生命周期的Coding Agent了。当时Skills出来的时候人们还不都说就是个Prompts Set而已吗现在也被各种非技术出身的个人用在了各个地方了。大家可以明年拭目以待继续期待Coding Agent的进步。Addy 把 Loop Engineering 拆成五个构件。读完没有什么新东西下面逐个展开一下如果清楚的话浏览一下即可。构件一Automations HeartbeatOpenclaw刚出来的时候最值得注意的就是Heartbeat机制。自动化是让循环真正循环起来的东西。要求一直开着机器按时间或事件自动运转形成一个闭环。不是让人要一直等着写prompt。Codex 的做法有一个专门的面板选项目、写 prompt、选个时间比如每天早上八点、选运行环境。运行结果的时候有产出的进 Triage 收件箱没发现的自动归档。OpenAI 内部已经把这套用在日常 issue 分流、CI 失败摘要、commit briefing、回归排查上。自动化可以调用 skill用一个$skill-name代替粘贴一大段指令。Claude Code 没有面板但有两条slack命令实现了同样的能力/loop按固定节奏重跑/goal一直跑到指定条件满足为止。/goal判断循环是否完成的从执行任务的那个模型换成了另一个独立的模型。这意味着写代码的不能自己给自己打分。逻辑上是合理的。最核心的问题还是可信度Agent是黑盒即使定义了 conditionAgent 自己跑了七轮修了两个 bug引入了一个新问题又自己修了。全程你没参与。最终结果是 condition 通过了。你能接受吗测试写的会对吗构件二Worktrees并行 Agent 的首要风险是文件修改冲突。两个 Agent 同时修改同一个文件后写入的直接覆盖前者。幂等性完全不能保证没有 diff、没有 merge、没有警告没了就没了。Git worktree 的目标就是解决这个。它不是 git branch而是在同一个 repo 下创建独立的工作目录各自挂独立分支共享同一个.git历史。Agent A 在目录 A 改Agent B 在目录 B 改物理上隔离。跑完之后由开发者决定是否 merge。Codex 内置了 worktree 支持Automations 可以直接配置为后台 worktree 运行。Claude Code 同样支持——子 Agent 可以设置isolation: worktree每次拿到一份独立 checkout跑完自动清理。会话级别也可以用--worktree参数打开隔离环境。worktree 只解决物理冲突不解决人的注意力瓶颈。Addy 叫 orchestration tax。你一次能认真审查几个 Agent 的输出不是工具决定的是人的处理能力决定的。构件三Skills前面几期详细讲过Skill,感兴趣的可以去看看。Skill 是一个SKILL.md文件放在项目目录里Agent 在适当的时候读到它。内容很简单这个项目怎么构建、测试用什么框架、lint 规则、哪些目录不要碰。核心原理是渐进式披露SKILL.md可以继续存文件路径解决上下文问题。没有 Skill 的时候Agent 每次冷启动对项目一无所知。开发者说帮我加个功能Agent 开始猜。用 npm 还是 pip、jest 还是 pytest、配置文件在哪。猜对九次没问题猜错一次可能删掉一个接口或覆盖一个手调的参数。Addy 把这种状态叫 intent debt意图债务。每次没有明确表达的意图Agent 都会用自己的理解去填补。而它的自信猜测经常看起来合理直到你把代码跑起来才发现问题。Codex 和 Claude Code 都支持 skill格式互通。Skill 是指令文件Plugin 是把 skill 和 MCP 连接器打包在一起的发布单元。个人使用只需写 skill团队共享则打包成 plugin。构件四Plugins Connectors 接入外部工具一个只能读文件系统和跑 bash 的 Agent能力的边界就是当前机器。要让它真正融入开发流程需要接入团队已有的外部工具。Connectors 基于 MCPModel Context Protocol让 Agent 能读取 issue tracker、查询数据库、调用 staging API等还能读Github仓库省的自己写API了。Codex 和 Claude Code 都支持 MCP为一个平台写的连接器在另一个平台上通常也能直接用。Plugin 则是把多个 connectors 和 skills 打包在一起便于团队共享和安装。没有连接器时Agent 在终端只靠已有代码进行推理。有连接器时交PR的时候接入Github的MCP,可以看到有没有冲突其实就是外部Tool。。。Agent 改完代码、自行开 PR、关联 ticket、等 CI 变绿、往频道发通知可以真正的做测试。构件五Sub-agents上期刚讨论过一个模型写代码同一个模型审查自己的代码——等于学生自批试卷。不出意外的话它永远不会给自己的代码打不及格。解决方案是把制造者和审查者分离成两个子 Agent。审查者可以配不同的模型写代码用成本低、速度快的那一个审代码用推理强、更仔细的那一个。Codex 把子 Agent 定义成.codex/agents/下的 TOML 文件每个 Agent 包含名称、描述、指令、可选模型和推理力度。Claude Code 结构相同目录是.claude/agents/子 Agent 之间还能通过消息传递协作。典型的分工模式一个 Agent 探索代码库、一个 Agent 实现修改、一个 Agent 对照 spec 验证。这种分离在 Loop Engineering 中特别关键因为循环在开发者不在场的时候跑。没有内建的审查机制没人能在每一轮干预质量。这也是 Claude Code 的/goal的底层原理循环完成时判断做完了没有的不是执行任务的模型而是独立的验证模型。子 Agent 的代价是 Token 消耗。每个子 Agent 都是独立的 LLM 调用有独立的上下文。所以不能滥用。只在风险最高的环节放置高质量的审查者其他环节用效率模型即可。第六件Memory五个构件之外还有一个 Addy 整篇文章反复提及但没放进构件列表的东西记忆。LLM 每次调用都会遗忘。一个循环如果跑了七八轮轮与轮之间完全没有状态留存——“上次改了什么、为什么改、试了哪个方案没成”——那每一轮都是从零开始。Addy 给出的解决方案非常简单一个 markdown 文件。或者一个 Linear board。我个人也倾向用md格式记录记忆相比RAG和SQL一个是便于修改一个是显式存储。这个memory主要记录的内容是已完成的任务、失败的尝试、待处理的条目、下次需要注意的事项。循环每次启动时读取这个文件加载上次的状态构建上下文的时候插入进prompt即可。最后作者还是骑墙写到这我觉得他的观点就是进一步自动化循环做大最好能一步出结果但是最后他还是要人做事但是确实现在Coding Agent能力远没有到达人的完全放手的水平。他在原文中最后强调这三点Verification is still on you.* 循环在无人值守时运行也在无人值守时犯错。它返回已完成是一个声明不是证明。没有人在代码跑之前先看一遍 Diff、跑一遍测试、点一下实际功能交付的就是未经验证的输出。Addy 的原话是“你的工作是交付你确认能跑的代码。”Your understanding still rots. 循环产出代码的速度越快仓库的实际状态和开发者脑子里的认知差距就越大。连续几周不审查循环的 diff项目对你来说已经变得陌生。Addy 称这为 comprehension debt循环本身不会改善它只会加速它的累积。Cognitive surrender is the risk. 如果循环持续产出看起来能用的结果人迟早会放弃自己的判断——不再看细节、不再质疑、照单全收。设计循环这个行为本身是中性的。带着判断力做它放大你的效率。为了逃避思考而做它放大你的盲目。循环分不出这个区别。回到对标题的回答这玩意完全不是新发明。更像是对已经分散在 Claude Code 和 Codex 产品里的能力做了一次命名和串联。只是因为他是Addy发在X上了然后就火了。。。。不管Agent圈的造词热对于developers自己可以尝试从最确信的部分开始做一下更进一步的自动化成熟的workflow是效率的来源。但说实话automation的效果还是在首轮prompt的编写水平和模型能力上。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取