一、背景此前已有不少文章围绕 Agent 自进化这个主题展开过讨论内容涵盖了自进化框架以及 Skill 自进化等具体技术方向。而最近AI 领域又出现一个新的概念叫做 Loop循环或者叫 Loop Engineering中文翻译一般叫“循环工程”。本文将尽量系统化地介绍一下 Loop 与 Loop Engineering 究竟是什么以及它们背后有哪些思考。之所以关注 Loop Engineering主要是因为最近 AI 行业里不少大佬都在密集讨论这个话题。Boris ChernyClaude Code 负责人明确表示他在使用 Claude Code 时已经不再手写提示词Prompt了而是转向编写 Loop用 Loop 来驱动工作流的完成。Peter SteinbergerOpenClaw 创始人在 X 上指出不应该再用传统的提示词去指挥 Agent而应该通过设计 Loop 来引导 Agent 的行为。Andrej KarpathyAI 大神同样强调说“你必须把你自己从 Loop 的执行过程中移除出去You must remove yourself from the loop。”Addy OsmaniGoogle AI 总监在2026年6月初发表文章正式定义了「Loop Engineering」这一概念并在开头给出了核心定义Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead.Loop Engineering 就是把你从“给 Agent 提示词的人”这个位置上替换掉。你不需要再亲自去写提示词而是转而设计一套能够自动完成这件事的系统。听到这里可能很多同学会觉得Loop 不就是循环吗Agent 本身不就是一个 Loop 吗但需要强调的是此 Loop 非彼 Loop。二、Agent Loop vs Loop Engineering要理解 Loop Engineering首先需要搞清楚这个 Loop 与基础的 Agent Loop智能体内部循环的本质区别。我们可以通过以下对比来拆解-------------------------------------------------------------------------- | 【两大循环范式的本质区别】 | -------------------------------------------------------------------------- | 1. Agent Loop (智能体内部循环) | | - 本质模型与工具之间的内部执行循环 | | - 粒度单次任务内的多轮调用 (小循环) | | - 目标完成用户的具体请求 (通过 Function Call 驱动) | -------------------------------------------------------------------------- | 2. Loop Engineering (外部验收循环) | | - 本质人设计和控制的、面向需求验收的外部大循环 | | - 粒度跨任务 / 跨迭代的完整生命周期 (大循环) | | - 目标交付一个满足需求的、可验收的最终系统 | --------------------------------------------------------------------------1.Agent Loop智能体内部循环本质上讲Agent 本身就是一个 Loop。正常情况下大模型运行一次就是“输入一段话、输出一段话”它本身并不会在一次回复里自动完成工具调用和推理。所以想让 Agent 持续、自动化地运行就必须把它构建成一个内部执行循环。其核心逻辑是当用户输入进去之后LLM 的输出通常有两种情况。一种是直接给出 Response流程就结束了另一种是返回 Function Call。如果把 Function Call 对应的工具执行结果再次作为输入喂给大模型这就形成了一个循环。如果下一轮模型输出的是 Response循环停止如果依然是 Function Call则继续调用工具。无论现在的 Agent 有多复杂底层都是基于这个简单的原理构建的。当然为了防止死循环或任务中断业界通常会引入验证 Agent 或设置 Max Steps 上限。2.Loop Engineering外部验收循环大佬们现在密集讨论的 Loop跟底层的 Agent Loop 完全不是一回事。底层循环现在已经是默认的基础设施了而 Loop Engineering 是构建在 Agent 之上或 Harness 之上的是一种由人来设计和控制 Agent 使用方式的全新范式。正常情况下用 Agent流程往往是提一个需求如“帮我搭建一个某某系统”工具开始执行最终交付结果。整体来看这依然是一个“一次性”的过程。而在实际测试过程中AI 产出的结果经常无法一次性满足预期。于是网上就出现了一个很火的梗以前写代码用的是标准的键盘到了 AI 时代“写代码”变成了几个固定的按钮虽然是个梗但这确实是当下人机协同Human-in-the-Loop, HITL的真实常态。而 Loop Engineering 想要解决的正是如何把这个由人高频交互、反复调试的动作重构为自动化的闭环。三、从「人机协同循环」重构为「自动化验收闭环」从 Coding 到 Vibe Coding是从「写代码」变成了「提需求」而从 Vibe Coding 到 Loop Engineering则是从「提一个需求」变成了「提一套闭环流程」。【技术演进脉络】1. Coding (写代码) -- 核心动作人写代码。从需求到交付全程由人完成。 2. Vibe Coding (提需求) -- 核心动作人提需求模型写代码。高效率的一次性任务。 3. Loop Engineering (闭环) -- 核心动作人提一套闭环流程模型自主执行并迭代优化。在 Loop Engineering 范式下我们不再只是告诉模型要做什么而是把从开发/实现、测试/验收、反馈/分析到调优/改进的完整链路都定义好。开发 / 实现让模型完成初步代码开发。测试 / 验收基于测试集自动运行获取反馈。反馈 / 分析收集错误、评估问题、定位改进方向。调优 / 改进调整系统、修复问题并优化方案自动进入下一轮循环。这种 Pipeline 的触发方式主要有两种人工触发直接提一个 Loop 形式的 Pipeline让模型在预设的量化目标例如“测试通过率 ≥95%”下自主迭代直到目标达成。定时触发适用于周期性任务如每日自动拉取 PR 进行 Review、自动生成日报周报、或股票盯盘系统等。它在原有基础上进一步压缩了 Human-in-the-Loop 的比例将长程任务的能力真正释放。四、Loop Engineering 的六大核心框架根据 Google AI 总监 Addy Osmani 的定义一个完整的 Loop 核心架构主要包含以下六个 Primitive原语Primitive (原语)Job in the loop (循环中的职责)Codex app 中的实现Claude Code 中的实现1. Automations(自动化)负责任务的自动触发、调度与持续跟进使循环能定时或按目标自主运行。Automations tab挑选项目、Prompt、频率及环境结果进入 Triage 收件箱。 支持/goal运行至完成。Scheduled tasks、cron、/loop、hooks及 GitHub Actions。 支持/goal由独立小模型检查目标是否达成。2. Worktrees(工作树隔离)解决多个 Agent 同时操作引发的文件冲突确保并行任务环境独立。内置Worktree per thread多线程操作同一仓库互不干扰。支持git worktree、--worktree参数或子 Agent 的isolation: worktree。3. Skills(可进化技能包)沉淀项目知识与复用能力。在循环中不断更新让 Agent 越跑越聪明。Agent Skills (SKILL.md)通过$name或隐式调用。Agent Skills (SKILL.md)。4. Plugins / connectors(插件与连接器)负责连接外部工具与数据源如 MCP赋予 Agent 实际行动能力。Connectors (Model Context Protocol, MCP)及分发插件。MCP servers加上各类 Plugins。5. Sub-agents(子智能体)动态生成的“分支智能体”负责构思Ideate与验证Verify。定义为 TOML 文件存放在.codex/agents/。任务子智能体存放在.claude/agents/支持 Agent 团队协作。6. State(状态管理)追踪和记录“哪些事已经做完了”保持任务上下文的一致性。Markdown文件或通过连接器同步至Linear等工具。Markdown (AGENTS.md、进度文件)或通过 MCP 连接至Linear。在这些框架中Sub-agents子智能体的角色隔离设计尤为关键。例如由主 Agent 负责开发动态生成一个独立的验收 Sub-agent 负责推敲与纠错。这种“既当运动员不能又当裁判员”的博弈机制利用角色隔离打破了主 Agent 的认知盲区在自动化运转的同时守住了质量底线。五、简单实践与思考为了让大家更直观地感受这一范式的威力我们以一个常见的文本分类任务为例对比传统方式与 Loop 方式的落地差异传统方式人工驱动反复调整人编写提示词给定标准与样例 -- 模型输出分类结果 -- 人工检查准确率 -- 发现不准时人手动反馈并调整提示词 -- 最终将调好的提示词沉淀为 Skills。该过程高度依赖“人”在中间反复校验效率较低。Loop 方式自动循环自主优化在 Loop 定义中直接写入任务与量化目标如“请完成文本分类分类标准为 1/2/3/4/5完成后进行自评与验证若发现错误主动修正分类逻辑或标准直到在 100 条测试数据上达到准确率 ≥95% 或错误率 ≤5%为止最终将稳定能力沉淀为 Skills”。Agent 随即在闭环中自主转起来不需要人工中途干预。这种利用 Claude Code 或 Codex 结构化编写出来的 Loop不需要复杂的开源工程框架封装很多高级能力自己就能“跑”出来。经验之谈如果某项成熟任务每天都要跑更推荐将其沉淀为固定的脚本或复用 Skills而不是每天现开一个 Loop 去重跑。原因在于一是每天重跑 Loop 极其消耗 Token二是大模型每次的推理路径不一定相同容易导致结果“漂移”不易复现。六、Loop 不是银弹用之前需要先想清楚虽然 Loop Engineering 是提效神器但它对使用者描述需求和定义验证标准的能力要求其实更高了。在传统 HITL 模式下初始需求模糊一点没关系人可以在中间过程中不断给 AI 纠偏。但在 Loop 闭环中中间过程人不参与了如果开头没把需求写清楚、没把验证逻辑定义明白模型就会在错误的道路上疯狂发挥。跑了一大圈、烧了大量的 Token最后出来的东西依然不符合预期造成时间和金钱的双重浪费。因此当你有明确的需求和清晰的验证标准时Loop 绝对能显著提升自动化程度与交付质量但如果需求和验证本身就是模糊的老老实实回到 Human-in-the-Loop 模式先人工迭代几轮才是更稳妥、更经济的选择。七、总结在 AI 时代浪潮奔涌向前的当下技术迭代日新月异。Loop Engineering 并非孤立横空出世的颠覆性技术而是自动化流程演进的必然阶段。保持开放心态、清晰定义边界、持续精进实践我们才能更好地将 Agent 技术应用到各自的业务领域中。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】