一、什么是循环工程（Loop Engineering）

2026年6月，一个新词在AI开发者圈子里彻底引爆——Loop Engineering（循环工程）。起因是Anthropic团队Claude Code负责人Boris Cherny在一次采访中透露："我早就不直接给Claude写提示词了。我现在的工作是写Loop（循环），让循环去给Claude发提示词，并让它自己决定下一步怎么做。"随后，Google知名工程师Addy Osmani迅速跟进并正式将其定名为Loop Engineering。

用一句话概括：循环工程，就是不再由人类手动向AI Agent输入Prompt，而是设计一套全自动的系统（外层循环），让AI自主在"执行→验证→迭代→终止"的闭环中自我纠错，直到达成设定的最终目标。

在传统模式下，开发流程是手动的：人类输入Prompt→AI生成代码→运行报错→人类复制报错给AI→AI再次修改。在这个模式里，人类自己就是那个疲于奔命的"循环"。而Loop Engineering的核心思想就是：把人类从这个循环里踢出去，用系统架构把这个循环自动化。

正如圈内大佬所言："不要再教AI怎么走路了，去给它建一条能自动修正方向的跑道吧。"

二、从提示词到循环：AI工程的四次跃迁

要理解Loop Engineering，必须看清楚过去四年AI工程范式的演进脉络。表面上是四个新词的更替，底下是同一个变量在持续增长：AI能连续自主工作的时间长度。

一问一答的时候，你管的是一句话；干几十步的时候，你管的是信息流；干几个小时的时候，你管的是运行环境；干几天的时候，你管的是调度系统。四者是叠加关系，不是替代关系——提示词没有死，它砌在每一个循环里面。

三、Loop的核心架构：双层循环模型

一个完整的工业级Loop系统采用双层循环架构：

3.1 外层循环（Outer Loop / 编排层）

负责目标拆解→任务分配→结果汇总→再计划。由编排系统（Orchestrator）管理多个内层循环的生命周期，处理跨会话的状态持久化与多维度综合评估。

3.2 内层循环（Inner Loop / 执行层）

基于经典的ReAct范式（Reasoning + Acting），单个Agent的工作循环包含五个阶段：

• Perceive（感知）：读取上下文、状态文件、工具输出
• Reason（推理）：链式推理，生成中间思考
• Plan（规划）：制定行动步骤，调用工具
• Act（行动）：执行工具调用（写文件、查DB、运行测试）
• Observe（观察）：读取工具输出，判断是否达成目标

关键原则：创作者与检验者必须分离——负责编写代码的AI，不再兼任成果验收工作，由独立小模型判断任务是否达标。

四、5+1构建模块：工业级Loop的六大组成

根据Addy Osmani的经典框架，一套可稳定运转的自动化循环由五大基础模块+记忆模块构成：

模块1：Automations（自动化调度）

Loop的核心动力，让循环成为真正的循环而非单次运行脚本。Claude Code提供两大核心指令：

• /loop：按固定周期重复执行，适用于周期性巡检类工作
• /goal：持续运行直至预设完成条件达成，适用于目标驱动型任务

模块2：Worktrees（工作树隔离）

多个Agent同时工作时极易文件冲突。Worktree为每个Agent分配独立工作目录与分支，共享仓库历史但互不干扰，任务结束后自动清理环境。

模块3：Skills（项目知识沉淀）

以SKILL.md文件为载体，存放项目规则、开发规范、历史踩坑记录等。项目认知只需整理一次，循环每一轮运行都会自动读取，无需重复说明。

模块4：Plugins/Connectors（连接器）

基于MCP协议与真实工具集成：问题追踪系统、数据库、测试接口、团队沟通软件等。让AI不仅能读写文件，还能自动创建PR、关联工单、CI检测通过后同步通知团队。

模块5：Sub-agents（子Agent）

分工协作的核心架构设计。标准分工链路：探索Agent→实现Agent→验证Agent，实现写审分离制衡，避免编写代码的模型自我包容、忽略问题。

模块6：Memory/State（外置记忆）

大模型单次对话结束后记忆清空，因此长期运行的循环必须依靠外置记忆载体：Markdown文件、项目看板等，独立记录任务进度、历史成果、待办事项、经验总结。记忆落地在磁盘而非对话上下文，保证循环重启后所有状态不会丢失。

五、Loop Engineering为何是AI落地的关键突破

1. 干掉微操（Micro-prompting）：不再需要每看一行代码就对AI说"这里不对改一下"，只需写好单元测试，剩下的脏活累活让AI在循环里自己跟自己死磕。
2. 具备自愈能力（Self-healing）：目标网站反爬策略变了？Loop内的评估器发现报错，AI自动尝试切换代理、修改解析逻辑，直至跑通。
3. 从"堆Prompt"变成"造系统"：提示词效果往往像玄学，但循环系统是纯粹的软件工程，可以引入内存机制、状态机和成本控制阀门。
4. 生产力指数级提升：Anthropic内部数据显示每位工程师代码产出涨了200%；Boris Cherny本人代码100%由Claude Code产出，每天提交10到30个PR。

六、适用边界与三大局限

适合做成循环的任务

• 任务具备重复性（至少每周执行一次）
• 结果可自动化验证（测试用例、lint检测、编译规则等）
• 充足Token预算（循环资源消耗远高于单次对话）
• 工具链路完整（AI可查看日志、运行代码、获取运行结果）

典型场景：CI故障分诊、依赖版本升级、代码格式修复、Issue自动转PR草稿。

三大局限性

1. 最终验证仍需人工：自动化循环给出的"完成"结果不等于代码真正无误，无人监管的循环也会无人监管地产生故障。
2. 积累理解债：AI产出代码效率越高，人工阅读理解代码的缺口越大，长期不审核会逐渐丧失对代码库的掌控力。
3. 催生认知偷懒：依赖自动化系统后，人容易放弃独立判断，全盘信任AI输出。

七、总结

从Prompt Engineering到Loop Engineering，AI开发门槛看似变低了（甚至不需要高超的提示词技巧），但对系统设计能力的要求却前所未有地提高了。在Loop Engineering的时代，最顶尖的工程师不再是那个代码敲得最快的人，也不是最会写提示词的人，而是能够完美定义问题、编写严密测试闭环、并能为AI划定边界的系统架构师。