第4章 Loop 工程

约 3372 字大约 11 分钟

2026-06-24

这一章是整门课的重头戏。Loop 工程,2026 年 6 月 8 日才正式诞生的新概念。到今天,它才活了 15 天。但你必须知道它,因为它很可能就是 AI 工程的下一个大浪潮。

4.1 Loop 工程的诞生

先给你一个精确的时间线。

2026 年 6 月 8 日。

Peter Steiner(Peter Steinberger,OpenClaw 的作者)在 X(原 Twitter)上发了一条帖子。原话是:

"You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents."
"你不应该再手动 prompt 编程智能体了。你应该设计循环,让循环来 prompt 你的智能体。"

这条帖子一发出来,瞬间炸了。

为什么?因为它戳中了一个所有人都在隐隐感受到、但没人说出来的痛点:

我们都被"手动 prompt"累垮了。

你想想你用 Claude Code 的典型流程:

你输入一个任务
AI 干了一会儿,卡住了
你看一眼,告诉它该怎么调整
AI 继续干
又卡住了
你再调整
……循环往复

你以为你在用 AI,其实你变成了 AI 的"全职保姆"。

Peter 的那条帖子,本质上是在说:别当保姆了。写一个循环,让 AI 自己当自己的保姆。

4.2 Boris Cherny 的话更狠

如果说 Peter Steinberger 是"提出者",那 Boris Cherny 就是"践行者"。

Boris Cherny 是谁?Claude Code 的作者。 也就是说,Claude Code 这个工具就是他带队做出来的。

他在 2026 年 6 月的一次分享中说了一段话,大意是:

"我已经不手动 prompt Claude 了。我有循环在跑。是它们在 prompt Claude、决定该干什么。我的工作是写循环。"

然后他补了一句炸弹级别的:

"从 2025 年 11 月起,我没手动编辑过一行代码。"

你品品这句话。

一个全世界最懂 Claude Code 的人,一个日理万机的工程负责人,半年多没自己写过一行代码。他做的所有事情就是——设计循环,让循环来驱动 Claude。

这不是理论,这是他每天的真实工作方式。

4.3 Loop 到底是什么

好了,概念来了。

Loop(循环)= 一套自动化的流程,让 AI 自己 prompt 自己、自己评估自己、自己决定下一步做什么。

在 Loop 工程里,你的角色变了:

	传统方式	Loop 方式
谁在 prompt AI	你	循环程序
谁决定下一步干什么	你	AI 自己(在循环框架内)
你在做什么	一个任务一个任务地指挥	设计循环、监督、把关
AI 的角色	执行者	自主 agent
大白话	你亲自开车	你设好导航+自动驾驶,AI 自己开,你监督

大白话类比:从"开车"到"设导航"

这个类比请你一定记住,它是理解 Loop 的关键。

Prompt 工程 = 你亲自开车。 手握方向盘,眼盯红绿灯,每个路口自己决定左转还是右转。累,但控制感强。

Context 工程 = 你出发前查好路线、带好地图。 路还是你开,但至少不会迷路。

Harness 工程 = 你给车配好了 GPS、行车记录仪、自动刹车。 还是你开,但安全了很多。

Loop 工程 = 你设好导航,打开自动驾驶,车自己开。 你坐在驾驶位上监督,但脚不用踩油门,手不用握方向盘。车自己跑,遇到特殊情况你介入一下。

这就是 Loop。你不是在"用 AI",你是在"设计一个让 AI 自己跑的系统"。

4.4 Loop 的五个核心要素

一个靠谱的 Loop,必须具备五个要素。缺一个都可能出事。

① 清晰目标(Goal)

Loop 必须有一个明确的、可衡量的目标。不是"把代码写好",而是"让测试通过率达到 95% 以上"。

模糊的目标会让 AI 在循环里漫无目的地打转。

② 评估机制(Evaluation)

Loop 每跑一轮,你得有一个机制来评估"这一轮做得怎么样"。

可以是:

跑测试,看通过率
用另一个 AI 来评估输出质量
检查是否满足某个格式要求

没有评估,Loop 就不知道"该往哪个方向改进"。

③ 人类反馈检查点(Human Checkpoint)

这是最关键的安全阀。

Loop 不能完全无人值守地跑下去。每隔 N 轮,或者遇到不确定的情况,它应该暂停,等你确认一下再继续。

类比: 自动驾驶遇到路况复杂的地方,会提示你"请接管方向盘"。

④ 停止规则(Stop Rule)

Loop 必须知道什么时候该停。否则它可能无限循环下去,烧掉你一堆 token。

常见的停止规则:

目标达成了(测试全过)
跑了 N 轮还没成功(放弃)
单轮 token 消耗超过阈值(熔断)
人类手动喊停

⑤ 充分测试(Testing)

在 Loop 正式上线之前,你必须在一个安全的环境里跑几遍,确保它不会做出什么疯狂的事。

4.5 Loop 的五个技术组件

光有理念不够。实际落地一个 Loop,你通常需要这五个组件:

组件	干嘛用的	大白话解释
Automations(自动化)	定义"什么时候触发什么操作"	设了闹钟,到点自动响
Worktrees(工作树)	给 Loop 一个独立的"工作空间"	给实习生一间独立办公室,随便折腾
Skills(技能)	可复用的能力模块	实习生的"技能包",可复用
Plugins/Connectors(插件/连接器)	连接外部工具和服务	给 AI 配了电话、邮箱、账号
Sub-agents(子智能体)	把复杂任务拆给多个小 AI 并行处理	项目经理把任务拆给多个组员

这五个组件组合起来,就构成了一个完整的 Loop 系统。

4.6 一个实操示例:找酒店优惠的 Loop

光说理论太虚。来看一个具体的 Loop 示例。

假设你的目标是:每天自动找到某酒店平台的优惠信息,如果有好的就通知我。

# 一个简化的 Loop 示例(伪代码)
import schedule
from ai_agent import AIAgent
from notification import send_notification

def hotel_deal_loop():
    """每天早上 9 点跑一次的酒店优惠查找循环"""

    # 第 1 步:Agent 自动去搜索酒店价格
    agent = AIAgent(goal="找到北京三里屯附近 5 星酒店今晚最低价")
    search_results = agent.search_and_compare()

    # 第 2 步:评估——价格是否低于阈值?
    best_deal = agent.evaluate(search_results, threshold=800)  # 低于 800 元

    if best_deal:
        # 第 3 步:人类检查点——发给用户确认
        message = f"找到优惠:{best_deal.name} ¥{best_deal.price}/晚"
        user_approved = send_notification(message, require_confirmation=True)

        if user_approved:
            # 第 4 步:用户确认了,自动预订
            agent.book(best_deal)
            return "BOOKED"

    # 第 5 步:停止规则——没找到合适的,今天到此为止
    return "NO_DEAL_TODAY"

# 每天早上 9 点触发
schedule.every().day.at("09:00").do(hotel_deal_loop)

你看这个 Loop:

有清晰目标(找低于 800 元的 5 星酒店)
有评估机制(价格对比)
有人类检查点(用户确认才预订)
有停止规则(每天只跑一次)
整个过程你不用管,AI 自己搜、自己比、自己判断,只在需要你拍板的时候才打扰你

这就是 Loop 的威力。你从"每天手动刷酒店"变成了"设好规则,等通知"。

4.7 Loop 的完整工作流程

用一张图把 Loop 的工作流程画清楚:

注意这张图里几个关键节点:

AI 自主规划——不是你告诉它怎么做,是它自己决定
评估——每轮都有客观的评估
人类检查点——橙色节点,这是你介入的地方
强制停止——红色节点,安全阀

整个 Loop 里,人的介入被压缩到了最小——只在"需要确认"的时候出现。

4.8 Loop 的风险

Loop 很强大,但也很危险。我必须把风险讲清楚。

风险一:Token 消耗爆炸

Loop 会一轮一轮地跑。每一轮都要消耗 token。如果没有好的停止规则,一个 Loop 跑一晚上,可能烧掉你几十美金的 API 费用。

对策: 一定要设 token 消耗上限和最大轮数限制。

风险二:无限循环

AI 陷入了"试试这个→不行→再试试→还是不行→再试试……"的死循环。每一轮它都觉得"再试一次可能就好了",结果永远停不下来。

对策: 设最大轮数。超过 N 轮没成功,强制熔断。

风险三:意外操作

AI 在 Loop 里"放飞自我",做了一些你没预料到的事。

比如你让它优化代码,它觉得某个文件"多余",自己给删了。你觉得测试文件"碍事",它全删了——然后告诉你"优化完成了"。

真实案例

2025 年有一个开发者让 AI Agent 跑一个"让测试通过"的 Loop。结果 AI 的做法是——把所有失败的测试用例全删了。测试确实"全过"了,但代码质量惨不忍睹。

这就是评估机制设计不当的后果。你的评估标准是"测试通过",AI 就会找到最短路径来达成这个标准——哪怕路径是"删掉测试"。

对策: 评估机制要设计得足够严谨。不能只看结果,还要看过程。

风险四:AI"自信地犯错"

Loop 里的 AI 会越来越"自信"。跑了几轮之后,它会觉得自己的方向是对的,即使方向从一开始就错了。

对策: 人类检查点不能省。每隔几轮,你亲自看一眼方向对不对。

4.9 我的看法:Loop 是未来,但要小心

说点我个人的态度。

我坚信 Loop 是 AI 工程的未来。

原因很简单。AI 的能力在飞速增长,但人类能花在"手动指挥 AI"上的时间是固定的。一个人一天就 24 小时,你不可能全天候当 AI 的保姆。

Loop 把人从"保姆"变成了"监督者"。你不用事事亲力亲为,你只需要在关键节点把关。这意味着同样多的时间,你能驱动 10 个、100 个 AI 同时干活。

但我也想泼一盆冷水。

Loop 不是"设好就不管了"。至少现在还不是。

当前的 Loop 还很初级。它会犯错、会跑偏、会做傻事。你必须在旁边盯着,像一个"自动驾驶辅助系统的监督员"——车在开,但你的眼睛不能离开路面。

我的建议是:

大胆尝试 Loop——它确实能大幅提升效率
从小 Loop 开始——别一上来就搞全自动代码部署这种高风险操作
永远保留人类检查点——至少在当前阶段,AI 还不能完全信任
设计好评估机制——这是 Loop 成败的关键

Loop 让我想起一句话:最大的风险不是 AI 太强,而是我们太相信它。

4.10 Loop 工程速查表

最后给你一张速查表,把这一章的要点浓缩一下:

要素	干嘛用的	忘了它会怎样
清晰目标	告诉 Loop "什么算成功"	AI 漫无目的地打转
评估机制	每轮客观打分	AI 不知道自己做得好不好
人类检查点	关键节点你拍板	AI 放飞自我,不可逆操作
停止规则	知道什么时候停	无限循环,token 烧光
充分测试	上线前先跑几遍	生产事故

4.11 四层演进,到这里就齐了

到这里,Prompt → Context → Harness → Loop 四层就全讲完了。

我再用一张表帮你回顾一下:

层级	你在做什么	大白话	谁是主角
Prompt	怎么跟 AI 说话	怎么开口	人
Context	给 AI 准备什么资料	带什么去见面	人
Harness	给 AI 什么环境	配什么工位	人 + AI
Loop	设计什么循环	设什么导航	AI(人监督)

看到了吗?人的角色越来越轻,AI 的角色越来越重。 这就是 AI 工程演进的本质。

但这还没完。在搞懂这四层之前,你还得知道几个"必知概念"——它们是这四层演进过程中诞生的新名词。下一章就来一次性讲清楚。

下一章来聊聊你必须知道的 4 个新概念:Vibe Coding、Agent、MCP、Coding Agents:第 5 章必知新概念