AI编程新范式：循环工程时代来临
引言：告别单轮 Prompt，进入循环工程时代
2026 年 6 月，硅谷掀起了一场关于 AI 编程新范式的讨论。Google 工程师 Addy Osmani 的一篇博文点燃了导火索，Anthropic Claude Code 负责人 Boris Cherny 和 OpenClaw 作者 Peter Steinberger 相继发声，指向同一个方向——Loop Engineering（循环工程）。
Boris Cherny 说："我现在已经不直接 prompt Claude 了，有一套 loops 在运行，它们会 prompt Claude，并判断接下来要做什么。我的工作是写 loops。"
这句话精准概括了这场范式转变的核心：从"人向 AI 写提示词"到"人设计提示词生产系统"。
一、什么是 Loop Engineering？
1.1 范式转变
先看一个对比，理解传统模式和 Loop 模式的本质区别：
| 维度 | 传统 Prompt Engineering | Loop Engineering |
|---|---|---|
| 触发方式 | 手动输入 | 按时间 / 事件自动触发 |
| 运行周期 | 单次对话 | 持续运行，跨会话 |
| 状态管理 | 在上下文窗口里 | 在磁盘上（文件/看板） |
| 人的角色 | 操作者 | 设计者 |
| 验证方式 | 人眼检查 | 子 Agent 独立验证 |
一句话总结：Prompt Engineering 是人喂 AI 答案，Loop Engineering 是人构建 AI 自动进化引擎。
1.2 与 Harness Engineering 的关系
Loop Engineering 建立在 Harness Engineering 之上。Harness 解决"一次做对"——为单次 AI 任务搭建可靠的运行环境（规则、文档、检查项）。Loop 解决"持续做对"——让整出戏自己演下去。
- •Harness：静态的，规则和文档等 Agent 来用
- •Loop：动态的，自己发现工作、分发工作、检查工作、记录进度，然后决定下一步做什么
二、五大构建块 + 记忆层
一个真正能跑起来的 Loop，需要五样东西 + 一个记忆层：
1. Automations（自动化）—— 让 Loop 自己动起来
这是循环的心跳。按时间表或事件自动触发，完成发现和分类工作，不需要人工介入。
实现方式：
- • 定时任务（cron）
- • Git hooks（如 pre-commit）
- • GitHub Actions
- • Claude Code 的
/loop、/goal命令 - • Codex 的自动化标签页
关键点：设置最小间隔和最长运行时间，避免 Token 失控。Claude Code 的做法是 Loop 最小 1 分钟间隔，最长运行 3 天，到期自动停止。
2. Worktrees（工作树）—— 让并行 Agent 不打架
当多个 Agent 同时在代码库上工作时，没有隔离机制会导致互相覆盖改动。Worktree 就是解决这个问题的。
每个 Agent 拥有独立分支和目录，共享 repo 历史，互不干扰。Claude Code 支持--worktree参数，Codex 每个线程内置独立工作树。
最佳实践：Agent 写代码用独立 worktree，避免和正在编辑的文件冲突；子 Agent 验证时也用独立 worktree 获取最新快照。
3. Skills（技能）—— 让 Agent 不靠猜
把项目知识写下来，避免 Agent 每次只能靠猜测。这是把"只有你知道"的上下文转化为"Agent 也知道"的结构化输入。
Skills 不是 prompt，而是包含执行逻辑、输入输出规范、项目上下文的可复用文件。写一次，永久复用。
实战建议：不要上来写大而全的 Skill。先写一个最小版本，跑通了再加细节。Skill 是迭代长出来的，不是一次设计出来的。
4. Connectors（连接器）—— 让 Loop 连接真实世界
循环不能活在真空中。它需要读取实际环境的信息，也要把结果写回环境。
通过 MCP（Model Context Protocol）或自定义脚本，Agent 可以：
- • 读取 GitHub Issue
- • 查询数据库
- • 调用 API
- • 发送 Slack 通知
- •自己开 PR，而不是只给建议
关键点：Connector 是双向通道——既要能读取，也要能写入。
5. Sub-agents（子 Agent）—— Maker 和 Checker 分开
这是最反直觉但最重要的原则。
早期让一个 Agent 既做生产又做验证——结果它总是说"不用改"。后来拆成两步：一个 Agent 生产，另一个 Agent 拿着新素材去验证。质量提升立竿见影。
自检是无效检测。独立 verifier 是你放心走开的唯一原因。
Claude Code 和 Codex 都支持子 Agent 定义：
- • Claude Code：
.claude/agents/目录 - • Codex：
.codex/agents/目录，TOML 格式定义
6. Memory（记忆）—— Loop 的脊柱
记忆层是跨会话记住"做了什么、还剩什么"的地方。它可以是：
- • Markdown 文件
- • Linear board
- • 状态文件
实战案例：在知识编译系统中，wiki/_changelog.md记录每次运行的变更，raw/_registry.md记录素材处理状态。
三、实战案例：知识编译 Loop
3.1 系统架构
我有一个个人知识库，核心就是一条 Loop：
inbox/ → /triage 过滤 → raw/ → /compile 编译 → wiki/ → /briefing 推送洞见 → 我 ↑ | └──── RSS/Twitter 自动抓取 ←←←← 我的行动产生新素材 ←←←←←←←←←←←←←←←←←←←←←←3.2 五个构建块落地
| 构建块 | 具体实现 |
|---|---|
| Automation | 每天 6:03 自动触发 briefing；RSS 和 Twitter 定时抓取进 inbox |
| Worktree | 编译时用独立 worktree，避免和正在编辑的文件冲突 |
| Skills | /triage、/compile、/briefing各是一个 Skill，包含完整执行逻辑 |
| Connectors | Twitter fetch、RSS fetch 通过 MCP/脚本接入外部数据源 |
| Sub-agents | compile 时用独立 agent 做"涟漪更新"检查 |
| Memory | wiki/_changelog.md+raw/_registry.md作为跨会话状态 |
3.3 运行数据
两个月跑下来的实际数据：
- •自动过滤了 200+ 篇 inbox 素材，真正进入 raw/ 的不到 30%
- •wiki 从 0 编译到 50+概念条目，全部由 AI 写和维护
- • 每天早上收到briefing，平均唤醒 2-3 个已经忘了的知识连接
关键体感：没有"管理"这个系统。每天早上花 3 分钟看 briefing，偶尔手动扔一篇文章进 inbox。Loop 自己在转。
四、设计 Loop 的三大实操原则
原则一：先跑最小 Loop，再加层
不要一上来就搭五层全家桶。第一版 Loop 只需要：
- • 一个 cron（定时触发）
- • 一个 skill（执行逻辑）
- • 一个 markdown 文件（当 memory）
跑一周确认基本逻辑对了，再加 sub-agent 做质量检查，再加 connector 接数据源。
Loop 是迭代长出来的，不是一次设计出来的。
原则二：Maker 和 Checker 必须分开
这是最反直觉但最重要的一条。早期让 Agent 自己判断"这次编译是否需要更新已有条目"——结果它总是说"不用"。
拆成两步后：一个 agent 编译，另一个 agent 拿着新素材去对比所有已有条目。更新率从 5% 跳到 30%。
自检是无效检测。
原则三：Silent Failure 是 Loop 最大的敌人
Loop 在你没看的时候运行。如果它悄悄失败了，你可能一周后才发现。
应对措施：
- 1. 每次运行写
_changelog.md，格式可 grep - 2. briefing 里包含一个"异常"模块，专门报告 Loop 运行中的问题
- 3. 关键步骤失败时发通知，而不是静默跳过
五、风险与挑战
Loop Engineering 虽好，但也别贪杯。
5.1 调试难度大
调试跑 47 轮的状态机，比修好一条 prompt 难 10 倍。社区有人反馈："一开始设置容易，但之后有很多痛点，修复费劲。有人后悔引入 Loop，迁移到其他方案耗费时间和资源，只能继续撑着。"
5.2 Token 消耗大
Loop 模式下 Token 消耗量显著增加。Boris Cherny 和 Peter Steinberger 背后有公司资源支持近乎无限的 Token，但社区很多人 Token 预算有限。
Peter 的回应很直接："你的时间真不值钱吗？"Token 充裕的公司可以用 while 循环，Token 紧张的初创公司可以用 for 循环（设定上限）。
5.3 长任务稳定性
让 Agent 长时间运行不跑偏是核心挑战。Anthropic 的做法：
- • 把长时任务能力写入模型权重
- • 改造模型外部的 Harness——将需求拆解成持久化文件，在新上下文窗口中反复执行
最新的前沿模式是生成器—评估器—规划器结构，借鉴生成对抗网络的思想。
六、从今天开始的最小行动
如果你想试试 Loop Engineering，不需要搭一个完整系统。从这三步开始：
第一步：找一个你每天/每周重复做的 AI 任务。
比如：review PR、整理笔记、扫描新闻、检查代码质量。
第二步：把它写成一个 Skill 文件。
不是 prompt，是 Skill——包含执行逻辑、输入输出规范、项目上下文。写一次，永久复用。
第三步：给它加一个触发器。
哪怕只是一个 cron job，让它每天自己跑一次。
恭喜，你有了第一个 Loop。
剩下的——sub-agent 验证、worktree 隔离、memory 持久化——等你觉得 Loop 不够可靠的时候再加。
结语：工程师的自我进化
从 Prompt Engineering 到 Context Engineering 到 Harness Engineering，再到 Loop Engineering——每一次演化，人的角色都在后退一步。
但"后退"不是"消失"。你从"写 prompt 的操作者"变成"设计系统的架构师"。
你的判断力、品味、对质量的要求——这些东西不是被替代了，而是被放大了。
Loop 是放大器。放大好的判断，也放大坏的判断。
这件事比 prompt engineering 更难，而不是更简单。它要求你对所做的事情有足够深刻的理解，才能设计出真正可靠的循环。
杠杆点已经移动了。
构建你的 Loop——但要像一个仍然打算做 engineer 的人那样去构建它。