为什么有这篇最近我在看Agent Loop和Loop Engineering。一开始我以为它只是“让 AI 多跑几轮”。但看了一些实践和讨论后我的理解变了Loop 不是多调用几次模型而是把 Agent 的工作方式从“人一步步提示”变成“系统自己持续推进”。这篇先当成学习资料收集不是最终结论。我的目标是把几个关键观点整理清楚它是什么为什么现在开始重要和Prompt / Context / Harness的关系是什么以及我自己可以怎么用。结论先行我现在的判断是Loop Engineering不是 Prompt 技巧而是一套 Agent 持续工作的控制系统。它建立在Prompt、Context、Harness之上解决的是“做完一步之后系统怎么继续推进”。一个可用的 Loop 至少要有目标、状态、反馈、验证、记忆和停止条件。人不是退出循环而是从“每一步都提示”变成“在关键节点确认”。现阶段最适合先落地的不是超级自动化而是需求、编码、测试这些明确边界的小循环。这个概念解决什么问题以前我们和 AI 协作主要是人驱动。我提需求 - AI 回答 - 我发现问题 - 我再提示 - AI 再修改这套方式能用但有几个问题人一直在流程里容易变成瓶颈。任务一长就需要反复补上下文。AI 做完一步后不知道下一步该干什么。AI 不知道什么时候该继续什么时候该停。失败后的修正逻辑大部分还是人来驱动。Loop Engineering解决的是这个问题❝能不能设计一套系统让 Agent 在目标、反馈、验证和停止条件之间自己循环起来❞它的最小形态大概是输入目标 - 读取状态 - 选择下一步动作 - 执行动作 - 收集反馈 - 验证结果 - 更新记忆 - 判断继续、停止或请求人确认这个东西不是简单自动化脚本。脚本更像固定流程Loop 会根据反馈调整下一步。几个大佬的定义怎么理解Boris Cherny我不再提示 Claude我写 loopsBoris Cherny 有一句话很关键❝I no longer prompt Claude directly. My job is to write loops.❞我的理解是开发者的工作从“给 Agent 下每一步指令”变成“设计让 Agent 自己下下一步指令的系统”。比如自动维护 PR发现 PR 有评论 - 读取评论 - 修改代码 - 跑测试 - 如果失败继续修 - 如果通过输出说明这里人不是每步都插手而是定义规则、权限和停止条件。Peter Steinberger不要给 Agent 写 Prompt要设计给 Agent 写 Prompt 的 LoopPeter Steinberger 的说法更直接❝You should not be prompting your coding agent anymore. You should be designing the loop that prompts your agent.❞这句话对我启发很大。以前我关注“这句 prompt 怎么写得更好”。现在要关注的是谁来触发 AgentAgent 每轮看哪些信息结果怎么验证失败怎么处理什么情况下必须停下来问人这已经不是 Prompt Engineering而是工作流设计。Addy OsmaniLoop Engineering 是让系统替你提示 AgentAddy Osmani 的定义比较系统❝Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead.❞他把两类问题区分得很清楚。Prompt EngineeringLoop Engineering我该说什么才能获得最佳输出我该构建什么系统让 Agent 自主发现、执行、验证并记住工作人每一步都提示系统循环驱动人在关键点确认关注单次输出关注持续推进我觉得这里最值得记的是六个要素要素要回答的问题目标这轮循环要完成什么触发什么情况下启动执行Agent 每轮做什么验证怎么判断做对了记忆什么经验和状态要留下来退出什么时候停止或升级给人为什么是 Prompt - Context - Harness - Loop我现在更愿意把 AI 开发分成四层。Prompt - Context - Harness - Loop层次解决的问题我的理解Prompt怎么表达任务把意图说清楚Context怎么提供背景让 Agent 不要瞎猜Harness怎么让 Agent 能安全做事工具、权限、校验、工作区Loop怎么让 Agent 持续推进目标、反馈、记忆、停止条件这个顺序很重要。如果没有 ContextAgent 不知道背景。如果没有 HarnessAgent 没有工具和边界。如果没有 LoopAgent 只能被动等人下一步指令。所以 Loop 不是替代前面几层而是建立在前面几层之上。吴恩达的三层闭环对我很有启发Andrew Ng 把反馈循环按时间拆成三层我觉得很适合用来判断人和 AI 的分工。分钟级Agent 自己处理这类反馈很快可以机器验证。编译是否通过单测是否通过页面是否报错接口返回是否符合 schema文档格式是否符合要求这类事情不应该每一步都问人。小时级人确认关键方向这类事情需要人的判断。产品方向是否对UI 流程是否合理功能优先级怎么排方案复杂度是否可接受这个需求第一版做到什么程度这就是人在回路的位置。不是人一直盯着而是在关键节点确认。天/周级真实用户反馈这类反馈来自真实环境。用户是否真的使用指标有没有变化功能是否解决真实问题是否值得继续投入这层不能靠 Agent 自己闭环。所以三层关系可以这么看分钟级Agent 自修复小时级人确认关键决策天/周级用户反馈修正方向我现在最想先落地的 Loop现阶段我不想一上来做“超级自动化”。我更想先把几个小循环跑稳。1. 需求侧 Loop很多需求进不来不是编码慢而是需求太薄。一句话需求 / 用户反馈 - Agent 扩展成产品说明 - Agent 生成可交互原型 - Agent 自评审并修正 - 输出关键决策点 - 人确认 - 进入设计和开发这个 Loop 的价值是先把需求变厚再让后面的 SDD / Harness 去执行。2. 编码执行 Loop这个更适合在SPEC稳定后跑。读取 SPEC - 编码 - 跑测试 / lint / 编译 - 根据错误修复 - 通过后提交结果 - 连续失败则升级给人这里重点不是让 Agent 发挥而是让它按约束快速执行。3. 维护类 Routine这类适合长期运行。定时扫描问题 - 判断是否低风险 - 自动修复 - 验证 - 生成记录 - 高风险升级给人比如失败测试、文档更新、简单 bug、接口变更同步。现在需要警惕什么Loop 听起来很美但我现在不太相信“一步到位的全自动”。几个风险要先写清楚。1. 无限循环Agent 一直修一直失败一直重试成本会失控。所以必须有最大步骤数超时时间连续失败上限无进展检测2. 错误被放大如果目标本身错了Loop 只会更稳定地跑向错误方向。所以需求侧的关键决策必须有人确认。3. 验证不可靠Agent 自己说“完成了”不算。要尽量用测试编译lintschema截图人工确认4. 过度自动化不是所有事情都应该自动。我的原则是机器能验证的交给 Agent 循环人类有上下文优势的交给人确认高风险动作必须停下来一个可复用的 Loop 模板我后面设计 Loop 时可能会用这个模板。## Loop 名称这个循环解决什么问题## 目标最终要推进到什么状态## 输入需要哪些材料需求、代码、文档、测试结果、用户反馈## 状态要记录哪些状态已完成、失败原因、待确认问题## 触发条件人工触发、定时触发、PR 评论、CI 失败还是用户反馈## 执行动作Agent 每轮能做什么读文档、改代码、跑测试、生成原型## 验证机制怎么判断做对了测试、指标、评审、人确认## 停止条件目标达成、连续失败、成本超限、高风险决策## 人类确认点哪些节点必须交给人## 记忆沉淀结束后要记录什么这个模板的重点不是形式而是逼自己先想清楚目标、验证、停止和人类确认点。小结我现在对Loop Engineering的阶段性理解是❝它不是写更好的 Prompt而是设计一个让 Agent 围绕目标持续执行、验证、修正、记忆并停止的工作系统。❞如果说Harness解决的是“Agent 怎么安全地做一次事”那Loop解决的是“Agent 怎么持续把一类事推进完”。我现在不会把它理解成最终答案。更合理的做法是先从需求侧、执行侧、维护侧这些小 Loop 开始把验证和停止条件做扎实再慢慢扩大自动化范围。关键概念和信息概念我的理解需要注意Prompt一次任务表达只能解决怎么说清楚Context背景和状态防止 Agent 瞎猜Harness工具、权限、校验和工作区让 Agent 能安全执行Loop目标、反馈、验证、记忆、停止条件组成的循环不是多调用几次模型Routine可长期运行的 Loop适合维护、监控、周期任务Stop Hooks停止或升级规则控制成本和风险可以收藏的 5 个判断Prompt是一次输入Loop是持续推进机制。没有验证机制的 Loop很容易制造“形式完整但方向错误”的结果。人不应该盯每一步但必须确认关键决策点。需求侧的问题不能只靠更强的编码模型解决。Agent 越能循环执行人越要把目标、边界和停止条件定义清楚。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】
