OpenAI和Anthropic的资深AI工程师建议停止手动编写AI提示词转向设计能自动生成提示词的“循环”系统。循环工程通过“发现→规划→执行→验证→迭代”五阶段自动化流程让AI智能体自我改进。虽然循环工程初期成本较高但低价模型如DeepSeek、Kimi、MiniMax使其经济上可行。文章详细介绍了循环工程的构件、规模、类型及实操示例强调循环工程是未来AI领域的关键技能比提示词工程更具挑战和价值。内容总结OpenAI 的 Peter Steinberger 和 Anthropic 的 Boris Cherny——当今最资深的两位 AI 工程师——几乎在同一时间抛出同一个判断别再给智能体写提示词了去设计那些替你给智能体写提示词的「循环」。本文把这句话彻底拆开给出一套完整的思维模型——什么是循环工程、它由哪些构件组成、有哪些规模与类型、以及它为什么是 2026 年最值钱的工程能力。核心一句话提示词给智能体一条指令循环给智能体一份工作提示词工程师向 AI 索要输出循环工程师设计能产出「经过验证之结果」的系统。关键要点从「写提示词」到「写循环」旧方式里你亲自审查、修改、再提交——你就是那个反馈回路新方式里你只设定目标由循环自己跑完「发现→规划→执行→验证→迭代」五个阶段通过验证就交付没通过就再循环。隐形拦路虎是成本不是智能一次中等编程循环烧 5 万–20 万 token集群循环单次可达 200 万每天定时跑则每周数百万。两种规模单智能体循环像一个人反复打磨自己的草稿集群循环则是「编排器 专家 子智能体」一整支团队但树上每个智能体都跑同样的五阶段循环。两种类型先闭后开开放循环探索性强但烧钱、易变成「垃圾制造机」闭合循环有边界、有质量关卡、负担得起是今天真正划算的那个。建议从闭合循环起步等质量关卡成熟再放开。每个好循环的 6 个构件自动化心跳/触发发现、工作树并行不冲突、技能项目知识复利累积、插件与连接器在真实工具里动手、子智能体做的人≠检查的人、记忆两轮之间永不遗忘。杠杆支点挪位了但难度更高同一个循环有人用它在懂的工作上跑得更快有人用它逃避理解——循环分不出区别你能。所以循环设计比提示词工程更难而非更易。金句收尾一个可靠的循环胜过一千条完美的提示词。Peter SteinbergerOpenClaw 的作者如今就职于 OpenAI。昨天他发了这么一条“你不该再去给编程智能体写提示词了。你该去设计那些替你给智能体写提示词的循环。”紧接着Anthropic 的 Claude Code 负责人 Boris Cherny 用另一种说法表达了同样的意思“我已经不再给 Claude 写提示词了。我让一堆循环跑着由它们去给 Claude 写提示词、去决定该做什么。我的工作就是写循环。”当今最资深的两位 AI 工程师。同一个判断。大多数人看完只觉得这到底是什么意思我把它彻底研究了一遍。下面是全部——拆得明明白白。不掉书袋只给你需要的那套思维模型。收藏起来。它会改变你看待 AI 的方式。但首先大多数人永远不会去搭循环的原因循环听起来很美。然后你看到了账单。下面这些没人会一上来就告诉你。一个单智能体循环跑一个中等规模的编程任务5 万到 20 万 token。一个带编排器加 3 个专家智能体的集群循环50 万到 200 万 token。一个每天早上定时跑的循环每周烧掉数百万 token。按标准 API 定价认真做一周循环工程的花费比大多数人一整月的 AI 预算还高。这就是为什么 Peter Steinberger 那条推文底下全是这样的回复“你说得轻巧——你有用不完的 OpenAI 额度。”他们没说错。在正常预算下做循环工程很快就崩。每一次重试都要花钱。每一次自我纠错都要花钱。每一个子智能体都要花钱。每一遍验证都要花钱。那个自由探索的开放循环烧 token 的速度能让你眼睛发直。这就是那个没人愿意挑明的隐形拦路虎。循环不难设计。循环难在你养不起。第一部分旧方式 vs 新方式过去两年我们一次只给智能体喂一个任务。你敲一条提示词。智能体回应。你审查。你修掉不对的地方。你再敲一条。你就是那个循环。这一点正在开始改变。不再是让智能体去做一个落地页、然后每一步都你亲自盯着推而是搭一个循环由它去搞定发现、规划、干活、检查、迭代——直到目标达成。区别在于旧方式写提示词你 → 提示词 → 智能体 → 输出 → 你审查 → 你修改 → 重复新方式跑循环你设定目标 → 循环启动 → 智能体发现 → 规划 → 执行 → 验证 → 迭代 → 完成你不再为每一步写提示词了。智能体替你把这个循环转起来。提示词是给智能体一条指令。循环是给智能体一份工作。第二部分循环工程到底是什么循环工程Loop Engineering就是设计可重复的反馈循环、引导 AI 智能体从「尝试」走到「经过验证的结果」——整个过程无需人类不断干预。跑循环是你搭起来的一套机制。几乎任何智能体运行框架harness都能跑它。差别只在于你怎么把它接起来。最简单的形态是一个智能体在自己身上反复打磨→ 调研→ 起草→ 拿草稿对照目标做检查→ 修掉薄弱的地方→ 再跑一遍这个循环直到成果达标每一个循环——无论简单还是复杂——都走同样的 5 个阶段发现 → 规划 → 执行 → 验证 → 迭代通过验证 → 交付。没通过验证 → 再循环一遍。整个思路就这么简单。这篇文章里其余的一切无非是教你怎么把这个循环搭得正确。第三部分单个智能体 vs 一支集群跑循环有两种规模单智能体循环一个智能体独自跑完整个循环。把它想成一个人反复修改自己的草稿。它自己发现需要什么、规划工作、执行、验证质量出了问题就迭代。适合→ 聚焦的任务→ 简单的目标→ 有限的范围一颗大脑。一个循环。自我改进。━━━集群循环更大的版本是一支集群在跑循环。你给一个编排器orchestrator智能体一个目标。它把目标拆成若干块。把每一块交给一个专家智能体。这些专家再把更小的活儿交给它们各自的子智能体。整棵树不停地循环——发现、规划、执行、验证——直到目标达成。把它想成一整个团队从头到尾跑完一个项目。结构是这样→ 编排器掌管目标→ 专家智能体掌管各个步骤→ 子智能体干最细的活儿→ 评估关卡eval gate确保产出不是垃圾例子“做一个效率工具 App”编排器掌管整个使命↓ ↓ ↓调研专家 工程专家 QA 专家↓ ↓ ↓网络调研员 代码编写 调试 测试编写 缺陷跟踪树上的每一个智能体都跑同样的 5 阶段循环。发现 → 规划 → 执行 → 验证 → 迭代。关键在于单智能体循环像一个人反复修改自己的草稿。集群循环是一整个团队从头到尾跑完一个项目。第四部分开放循环 vs 闭合循环这是 2026 年最重要的一个实操区分不是所有循环都一样。它分两种。开放循环Open Looping探索性的。活动空间很大。你给智能体一个目标然后任它撒欢。它可以尝试不同路径、发现新东西、做出一些你没完全规定清楚的成果。这是最让人兴奋的那一端。也正是 Peter Steinberger 等人在 OpenAI 里干的事。代价呢它烧的 token 多到吓人。对那 90% 没有无限 API 预算的人来说开放循环目前还不实用。把它丢到标准松散的项目上它就变成一台垃圾制造机。快。乱。贵。闭合循环Closed Looping有边界的。由人先把端到端的路径设计好。→ 清晰的目标→ 定义好的步骤→ 每一步都有一道评估→ 一个让它停下、或交还给你的节点智能体照样在循环——但是在你搭好的框架里循环。它每跑一遍都更好因为每一遍都喂给下一遍。它能在正常预算下跑因为路径很紧凑。那道标准让它保持诚实。没有质量关卡AI 会漂移。有质量关卡AI 会进步。对今天大多数真实工作来说闭合循环才是真正划算的那个。你该用哪一种从闭合循环开始。先搭一套能可靠运转的紧凑系统。等你有了质量关卡再把它放开。第五部分每一个好循环的 6 个构件每一个站得住脚的循环都有这 6 样东西现在进入实操部分。一个循环在概念上有 5 个阶段。但你究竟要搭出哪些东西才能让它真正跑起来6 样东西。Claude Code 和 Codex 现在都把这 6 样齐活儿了。下面逐一来看——以及每一样在循环内部到底在干什么。自动化Automations这是触发「发现」、把循环带动起来的东西。循环的心跳。正是自动化让一个循环成为真正的循环——而不是你只跑过一次的那一次。你定义一条提示词、一个节奏、一个目标。循环按时跑。结果送到你面前。不再是你绕来绕去地查。→/loop按节奏重复跑→/goal一直跑直到你写下的某个条件真正成立给它“test/auth 下所有测试通过且 lint 干净。”然后走开。工作树Worktrees这是让多个「执行」阶段并行跑、又互不破坏的东西。并行的智能体不混乱。你一旦同时跑超过一个智能体文件就开始打架。两个智能体写同一个文件跟两个工程师不打招呼就往同几行代码上提交是一模一样的问题。一个 git worktree 给每个智能体一份它自己的、独立的工作目录在它自己的分支上——同一份仓库历史零冲突。一个智能体的改动根本碰不到另一个智能体的工作副本。技能Skills这是让「发现」更快的东西——智能体还没开工就已经懂你的项目。别再每跑一遍都从零开始解释你的项目。一个技能就是一个里面放着 SKILL.md 的文件夹——项目约定、构建步骤、还有那条我们不这么干因为上次出过事故。写一次每个循环都读。没有技能循环每一轮都从零把你的整个项目重新推导一遍。有了技能它会复利累积。智能体开工前就懂你的项目。→ VISION.md——成功长什么样→ ARCHITECTURE.md——技术栈和目录结构→ RULES.md——智能体永远不许碰的事插件与连接器Plugins and Connectors这是让「执行」落到实处的东西——循环在你真实的环境里动手而不只是在你的文件系统里。一个只能看见文件系统的循环是个很小的循环。连接器构建在 MCP 之上让智能体能读你的 issue 跟踪系统、查数据库、打你的预发布 API、往 Slack 里丢条消息。这就是「一个会说『修复方案在这儿』的智能体」和「一个会自己开 PR、关联 Linear 工单、等 CI 变绿后再在频道里 一声的循环」之间的区别。子智能体Subagents这是让「验证」诚实的东西——检查的那个永远不是动手做的那个。让做的人离评分的人远一点。写出这段代码的模型给自己的作业打分时太手软了。换一个带着不同指令的第二个智能体——有时甚至是不同的模型——它能逮住第一个智能体自我说服后放过去的东西。行得通的分工→ 一个智能体负责探索→ 一个智能体负责实现→ 一个智能体对照规格做验证/goal底层干的也正是这件事。由一个全新的模型来判断循环是否完成——而不是那个干了活的模型。记忆Memory这是让循环能持续下去的东西——第 47 轮的「发现」知道第 1 到第 46 轮已经都试过了什么。整个循环的脊梁。一个 markdown 文件。一块 Linear 看板。任何活在单次对话之外的东西。模型在两轮之间会忘掉一切。仓库不会。那个记忆文件记着试过什么、什么通过了、什么还没了结。明早循环从今天停下的地方接着干。它听起来简单到不值一提。每一个长跑的循环都靠它。第六部分真实的循环示例循环在实战中长什么样编程循环读 VISION.md ARCHITECTURE.md ↓ 规划下一处改动 ↓ 改代码 ↓ 自动跑测试 ↓ 若测试失败 → 读报错 → 修复 → 重测 ↓ 若测试通过 → 总结改动 ↓ 停中间没有人。智能体自己写、自己测、自己修、自己验证。━━━调研循环定义调研问题 ↓ 搜索资料来源 ↓ 归纳发现 ↓ 拿论点对照来源做核实 ↓ 比对相互冲突的信息 ↓ 综合出最终答案 ↓ 当置信度达到阈值时停下━━━内容循环定义好 主题 受众 目标 ↓ 生成草稿 ↓ 评审智能体审查草稿 ↓ 依据评审意见重写 ↓ 对照成功标准打分 ↓ 若分数达标 → 发布 ↓ 若分数不达标 → 再重写━━━销售触达循环定义 ICP理想客户画像 ↓ 找到匹配画像的线索 ↓ 用公司数据做信息增补 ↓ 对照标准做资格筛选 ↓ 个性化定制消息 ↓ 质量审查 ↓ 发送或升级交给人处理每一个循环都是同一副骨架目标 → 行动 → 检查 → 修复 → 重复直到完成。第七部分提示词工程师 vs 循环工程师2026 年正在裂开的那道技能鸿沟提示词工程师→ 打磨更好的指令→ 语言功底→ 更好的提示词→ 更好的单次输出→ 每跑一遍后仍要人工审查输出→ 你就是那个反馈回路循环工程师→ 设计更好的反馈循环→ 软件工程功底→ 更好的循环→ 可靠的、经过验证的结果→ 系统自己运转、检查、自我纠错→ 系统本身就是那个反馈回路提示词工程师 → “给我写个函数”循环工程师 → “写 → 测 → 修直到变绿”提示词工程师写更好的提示词循环工程师写 VISION.md前者人工审查输出后者自动审查测试前者只跑智能体一次后者搭一套会重复运转的系统前者为单次输出付费后者为「经过验证的结果」付费。工具是一样的。心态完全不同。提示词工程师向 AI 索要输出。循环工程师设计能产出「经过验证之结果」的系统。2026 年薪水最高的 AI 工程师靠的不是写更漂亮的英文句子。他们写的是那套逻辑——管着智能体如何发现、规划、检查自己的工作、以及知道自己什么时候算干完了。结语这就是循环工程。让我把全部再过一遍这场转变→ 过去两年我们一次只给智能体喂一个任务 → 现在我们设计能跑完整个循环的循环你真正要这正是为什么循环设计比提示词工程更难——而不是更容易。Boris Cherny 的意思不是说工作变轻松了。而是说那个杠杆支点挪位置了。去搭那个循环吧。但要像一个打算继续当工程师的人那样去搭它——而不是那个只负责按下「开始」的人。因为一个可靠的循环胜过一千条完美的提示词。而当 20 美元能买到 17 亿 token你终于负担得起去搭一个了。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