文章介绍了AI领域新兴的五大工程Prompt Engineering、Context Engineering、Agent Harness Engineering、Loop Engineering和Evaluation Engineering并阐述了它们各自的核心功能与相互关系。这些工程并非替代关系而是从指令设计到任务全流程管理的五个不同视角。文章重点解析了Loop Engineering的概念、运作机制及其在大模型落地中的重要性强调其通过建立可持续推进、可验证、可停止的任务闭环有效解决AI Agent在复杂环境下的运行问题。同时文章通过实例说明了这些工程如何协同工作以及适合应用Loop Engineering的任务特征。最后文章指出在设计Loop时应优先定义停止条件并强调从“操作者”转向“系统设计者”的重要性。Loop Engineering循环工程来了其他AI工程还有用吗过去人们衡量一个人是否会用AI往往先看他能否写出清晰、有效的Prompt。到了AI Agent阶段问题变复杂了。Agent不再只生成一段文字它会读文件、调用工具、修改状态并根据环境反馈继续行动。一次任务可能跨越几十轮模型调用甚至持续数小时。此时单条Prompt写得再漂亮也无法独自解决上下文膨胀、工具误用、错误累积、结果验证、权限控制和何时停止等问题。为了解决这些问题AI领域出现了一系列“工程”Prompt Engineering、Context Engineering、Agent Harness Engineering、Evaluation Engineering以及近期开始受到关注的Loop Engineering。这些短时间内密集出现的各类工程它们是替代、迭代还是共生关系它们不是一批互相替代的新名词而是在回答不同层次的问题。简单地说它们不是五选一而是从单次调用到长期运行的五个工程视角。一、先搞清楚什么是Loop Engineering2026年6月在《Loop Engineering》一文中将其概括为不再由人持续充当那个“提示Agent的人”而是由人设计一个能够提示Agent、检查结果并决定下一步的系统。[1]拆开来看一个Loop通常包含以下6个过程1. 发现或接收任务2. 为Agent组装目标、规则和上下文3. Agent调用工具并产生结果4. 系统或另一个角色验证结果5. 根据反馈决定继续、重试、回滚、升级给人或者结束6. 把状态保存在本轮对话之外供下一轮或下一次运行继续使用。图1Loop Engineering的重点不是“循环”而是围绕循环建立验证、状态、边界和停止条件。因此Loop Engineering的重点并不是写一个while当条件成立时持续执行循环更不是让Agent无休止地运行。它真正工程化的是闭环周围的控制系统谁触发任务每一轮拿到什么信息可以使用哪些工具和权限什么证据能够证明任务完成失败后如何反馈和恢复最多运行多少轮、花多少钱何时必须交给人需要说明的是截至2026年6月Loop Engineering仍是一个非常新的从业者概念还没有形成统一的学术定义或行业标准。这个概念虽然新但它所描述的机制并不新。2022年的ReAct推理与行动协同论文已经展示了让模型交替进行推理与行动、再从外部环境获得新信息的基本范式。[7] Anthropic在2024年的Agent工程文章中也指出Agent通常是基于环境反馈、在循环中使用工具来完成任务的系统并且应设置最大迭代次数等停止条件。[2] Loop Engineering的新意在于把过去隐藏在Agent内部或依赖人手工推动的循环提升为一个独立的系统设计对象。二、几类“工程”分别在工程什么要理解各类工程之间的差异最直接的方法是考察它们各自关注和处理的主要对象。1. Prompt Engineering设计这一轮怎么说Prompt Engineering关注指令本身即如何清楚描述任务、给出约束、提供示例并要求稳定的输出格式。例如让模型检查一段代码可以这样编写提示词只报告会导致运行错误或数据损坏的问题每个问题必须给出文件位置、原因和最小修复建议如果没有发现问题返回空数组。这里优化的是一次或少量几次模型调用。典型产物包括系统提示词、任务模板、few-shot少样本示例和输出Schema结构模式。在本文讨论的几类工程中Prompt Engineering更早进入主流视野。[3] 但现在它依然重要。Agent每一轮行动都需要指令工具也需要清楚的描述。它的变化在于Prompt从用户手写的一段话逐渐变成系统根据任务和状态动态组装的一部分。2. Context Engineering设计这一轮让模型看见什么如果说Prompt关注“怎么说”Context Engineering关注的就是“给模型看什么”。Anthropic对Context Engineering的定义是在模型推理时选择并维护最合适的一组Token词元其中不仅包括Prompt也包括系统指令、工具定义、外部资料、消息历史和中间结果。[3]这比把资料全部塞进上下文困难得多。Agent每运行一轮都会产生新的日志、文件、搜索结果和工具输出。上下文窗口虽然越来越大但注意力并不是无限资源。而且信息越多未必越可靠无关信息、过期结论和冗长日志甚至反而可能稀释关键约束。Context Engineering常见的手段包括按需检索而不是一次加载全部资料对历史对话和工具结果进行压缩将长期状态写入文件、数据库或任务系统只在需要时逐步披露详细规则区分事实、假设、失败尝试和待办事项在上下文污染严重时重启会话再用结构化摘要恢复状态。可见Prompt是Context的一部分但Context不等于Prompt。3. Agent Harness Engineering设计Agent在什么环境里工作原始模型只能接收输入并生成输出。要让它成为能够工作的Agent还需要工具、文件系统、执行环境、记忆、权限、日志、错误恢复和控制逻辑。围绕模型的这套脚手架通常被称为Agent Harness或Agent Scaffold智能体支撑系统。Agent Harness Engineering关注的是怎样把模型包装成一个能安全行动、能观察环境、能从失败中继续的执行体。[4][5]其典型内容包括模型选择与路由工具及工具说明文件系统、Shell命令行外壳、浏览器等执行能力Sandbox沙箱和权限边界Memory记忆、Skills技能、项目规则Hooks钩子、中间件与错误恢复Subagents子智能体及任务交接日志、轨迹、Token、成本和延迟监控。因此Agent的一个简单且直观的表达可以是Agent Model模型 Harness同一个模型放进不同Harness最终表现可能明显不同。Agent是否拿到了正确工具、工具返回的信息是否清楚、执行环境能否验证结果、出错后是否有恢复路径都会影响实际成功率。4. Loop Engineering设计工作怎样持续向完成收敛Harness让一个Agent能工作Loop Engineering关心的则是这个Agent如何被放进一套可重复运行的闭环让任务持续向完成状态收敛。该文把两者的关系描述为Loop位于Harness的上层。[1] 这个说法很有解释力。Loop会使用Harness提供的模型、工具、Sandbox、记忆和日志但它还要处理Harness之外的一系列问题任务从哪里来人工请求、定时扫描、CI持续集成失败、告警还是Issue问题单工作怎样分配单Agent、多Agent串行还是并行状态怎样延续下一轮如何知道前一轮做过什么结果怎样验证测试、规则、模拟、模型评分还是人工审核失败怎样回流新的错误信息如何变成下一轮输入何时结束成功、预算耗尽、连续失败或风险升级多个任务怎样隔离分支、Worktree工作树、Sandbox或独立环境因此一个Harness可以被人手动调用一次不构成完整的工程闭环同一个Harness也可以被多个不同的Loop复用例如夜间扫描文档错误、自动修复失败测试和定期整理用户反馈等。5. Evaluation Engineering设计怎样知道它真的变好了这里用Evaluation Engineering统称围绕AI系统评估所做的工程工作它同样不是边界完全统一的正式学科名称。Evals评估容易被误解为Loop中的“验证步骤”但二者并不完全相同。Loop中的Validator验证器主要决定本次运行是否继续例如单元测试是否通过、返回结果是否符合Schema。Evaluation Engineering的范围更广它要设计任务集、成功标准、评分器、重复试验、基线和回归测试用于判断整个Agent系统的能力、稳定性和成本是否改善。[5]例如100个历史Bug缺陷中Agent能独立修复多少个同一个任务运行10次成功率和方差如何更换模型或Prompt后旧能力有没有退化平均需要多少轮、多少Token、多少人工介入Agent声称完成时环境中的真实结果是否真的正确Evals会反过来改进每一层Prompt需要怎样调整Context是否遗漏信息Harness是否缺少工具Loop的停止条件是否过松这些都应由评估数据而不是直觉决定。三、一眼看懂五类工程可以把五类工程压缩成五张“职责卡片”这样更容易对它们进行快速对照。Prompt Engineering核心对象指令与表达主要问题这一轮怎样说得更清楚典型产物Prompt模板、示例、输出Schema常见失败歧义、遗漏约束、输出格式不稳定。Context Engineering核心对象模型当前可见的信息主要问题这一轮应该让模型看到什么典型产物检索策略、上下文压缩、记忆、状态摘要常见失败信息缺失、上下文污染、注意力被稀释。Agent Harness Engineering核心对象Agent运行环境主要问题模型如何安全地观察和行动典型产物工具、Sandbox、Hooks、Memory、Tracing链路追踪常见失败工具误用、权限过大、出错后无法恢复。Loop Engineering核心对象任务闭环主要问题工作如何持续推进并可靠停止典型产物触发器、调度、状态机、验证器、重试与升级策略常见失败无限重试、错误放大、成本失控、任务“假完成”。Evaluation Engineering核心对象质量测量系统主要问题怎样证明整个系统真的更好典型产物任务集、Grader评分器、基线、回归评估常见失败指标失真、样本偏差、只看最终回答而忽略真实结果。从这五张卡片中不仅可以看到它们之间的差异也可以发现它们之间的依赖关系Prompt属于Context的一部分Context策略、工具和执行环境属于Harness的一部分Loop调用Harness并管理多轮任务Evals横向检验所有层。可见它们更像嵌套关系而不是技术潮流的接力赛Context Engineering没有让Prompt Engineering过时Loop Engineering也没有取代Harness Engineering。图2Prompt属于Context的一部分Context和工具策略进入HarnessLoop调用Harness推进任务Evals检验所有层。四、一个例子自动修复过期API应用程序编程接口示例假设一个团队维护大量技术文档。SDK软件开发工具包升级后文档中的代码示例经常过期。当前的目标是自动发现问题、生成修复并在验证通过后提交给人审核。OpenAI CookbookOpenAI示例库的文章《Build iterative repair loops with Codex》《使用Codex构建迭代修复循环》给出了一个相近的闭环Review审查、Repair修复、Validate验证验证失败形成结构化反馈再进入下一轮Repair。[6]如果用前面的分层来拆这套系统可以按如下说明设计。Prompt层告诉审查Agent只检查API名称、参数、依赖和可运行性不改写文章风格输出结构化问题清单。告诉修复Agent只修改已确认的问题保留原有教学目标。Context层提供当前文档、最新版官方API文档、仓库写作规范、最近一次验证结果和已尝试但失败的方案。不要把整个知识库和所有历史日志一次性塞给模型。Harness层为Agent提供读取文档、修改副本、运行代码、查询官方资料和查看Git Diff版本差异的工具在隔离目录中执行禁止访问生产凭据和直接合并主分支记录每次工具调用和文件变化。Loop层1. 夜间扫描或CI发现不可运行的示例2. Review Agent以结构化方式输出评审问题3. Repair Agent在独立工作区执行修复操作4. Validator从干净环境执行示例并检查输出和依赖5. 失败信息回到下一轮Repair6. 全部通过则创建待审核变更7. 连续三轮失败、修改范围超限或需要敏感权限时则停止并交给人。图3一个可控的修复Loop——验证失败形成下一轮输入验证通过进入人工审核越界则立即停止。Evals层用历史过期样例构建评估集长期记录修复成功率、误改率、平均轮数、Token成本、人工接受率和回归情况。只有这些数据稳定改善才能说明系统真的变好。从这个例子可以看到任何一层缺失都会产生不同问题Prompt含糊会让修复跑偏Context错误会让Agent依据旧文档修改Harness没有Sandbox会带来执行风险Loop没有停止条件会反复消耗资源没有Evals则无法知道成功是能力还是偶然。五、什么任务适合进入Loop适合Loop Engineering的任务通常具备以下四个特征1. 结果可验证有测试、Schema、规则、模拟环境或明确人工验收标准2. 操作可逆可以通过版本控制、快照或审批撤销3. 过程可限定权限、目录、轮数、成本和时间可以设置上限4. 任务会重复同类工作持续出现值得把人的处理经验固化进系统。所以代码测试修复、依赖升级、文档示例检查、告警归因、数据质量排查往往比制定公司未来三年战略更适合进入自动Loop。后者目标模糊、反馈延迟而且包含大量价值判断。如果一个任务没有可靠的完成判据就不应该先追求更强的自治。Anthropic关于Agent的建议是从能解决问题的最简单方案开始固定流程足够时优先使用Workflow工作流只有需要模型动态决策时才增加Agent复杂度。[2]六、设计Loop时先写停止条件在落地Agent时很多团队会先讨论Agent能做什么再讨论怎样控制它。其实这个顺序应该反过来先定义什么叫完成、什么叫失败、什么情况必须停。一个可投入使用的Loop至少应该回答以下7个问题1. 目标完成状态是否能用外部证据描述2. 状态跨轮次、跨会话的信息保存在哪里3. 反馈失败结果能否结构化地回到下一轮4. 权限Agent能读什么、写什么、执行什么哪些动作要审批5. 预算最大轮数、时间、Token和并发量是多少6. 恢复如何回滚、重试、换模型或从检查点继续7. 升级哪些风险、冲突或不确定性必须交给人真正可靠的Loop不是要运行得最久而是能更快获得可信反馈并在证据不足时及时停下。七、从“操作者”转向“系统设计者”Prompt时代人主要优化自己与模型的一次对话Agent时代人开始设计模型工作的环境Loop Engineering进一步把关注点移到任务如何被发现、执行、验证、记录和终止。这并不意味着人退出流程。恰恰相反人的责任从盯住Agent的每一步转向定义目标、证据、权限和风险边界。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