新闻详情

新闻详情

首页 / 资讯中心 / 详情

前言《从Harness Engineering 到 Loop Engineering:长程任务Agent原理与实战》

发布时间:2026/10/26 11:46:13来源:尧图网络
前言《从Harness Engineering 到 Loop Engineering:长程任务Agent原理与实战》
前言写给每一个未来的 Loop 工程师“你不该再给编程 Agent 写提示词了你应该设计循环来提示你的 Agent。”—— Peter Steinberger, OpenClaw 创始人为什么写这本书2026 年中AI 工程领域正在发生一次安静的革命。如果说 2022 年 ChatGPT 的诞生让世界第一次意识到大模型的存在2023 年的 Prompt Engineering 让人们学会如何与模型对话2024 年的 RAG 与 Context Engineering 让模型拥有了记忆2025 年的 Harness Engineering 给了 Agent 一具身体——那么 2026 年兴起的 Loop Engineering则把人从 AI 的工作循环中推到了循环之外。这是一次范式跃迁。在这之前人是司机AI 是引擎在这之后人成了自动驾驶系统的设计师AI 是跑在路上的一辆辆车。这不是抽象的比喻而是正在发生的事实——Anthropic 内部工程师已开始将自己视为算力分配师Claude Code 负责人 Boris Cherny 在 6 个月内一个人通过 Loop 系统提交了 259 个 PR、497 次提交、4 万行代码。但这场革命还没有一本系统的技术书。市面上有 Prompt Engineering 的入门书有 RAG 的实战手册有 Agent 框架的 API 文档——但还没有一本书把从 Prompt 到 Context、从 Context 到 Harness、从 Harness 到 Loop 的完整演进链条讲透把 Loop Engineering 的原理、组件、设计哲学、实战案例一一拆解。这本书就是为此而写。这本书的定位这是一本面向工程师的硬核技术书不是科普读物也不是工具教程。本书的读者画像想从用 AI 写代码升级到设计 AI 工作系统的资深工程师在大厂负责 AI Agent 平台建设的架构师创业公司 CTO需要决定团队何时引入 Loop 工程实践AI 应用研究人员希望理解工业界的真实痛点任何对如何让 AI 自主完成长程任务这个问题着迷的人我们假设你已经会用 Claude Code、Cursor 或类似工具熟悉 Python/TypeScript 之一了解基本的大模型 API 调用——在此基础上带你看清楚 Agent 工程的全貌并掌握设计 Loop 系统的所有关键能力。这本书的结构全书分为 12 章 番外篇按原理 → 组件 → 实战递进第 1 章 引言从 Prompt 到 Loop 的范式跃迁建立全局认知第 2 章 长程任务的本质定义问题域理解为什么长程任务难第 3 章 Prompt Engineering 的边界回顾旧范式看清它的天花板第 4 章 Context Engineering上下文的工程化RAG 与长上下文的权衡第 5 章 Harness Engineering为 Agent 打造身体八大组件拆解第 6 章 Loop Engineering自主循环的设计哲学五大核心组件第 7 章 任务发现与调度Loop 的起搏器第 8 章 沙盒环境与 Worktree 隔离让 Agent 安全犯错第 9 章 独立评估Maker-Checker 范式破解自评分幻觉第 10 章 持久化记忆与状态管理让 Agent 拥有长时记忆第 11 章 Sub-Agent 协作与编排多 Agent 系统的设计第 12 章 实战构建端到端 Loop 系统番外篇Loop 工程师的一天与未来展望每一章都遵循以下结构开场金句——用一句话抓住本章核心正文——原理 实践 案例 类比大量纯文本图与表格——可视化呈现最佳实践 Tips——可操作的工程经验番外篇——增加趣味与跨学科视角本章小结——回顾要点思考题——引发深度思考写作风格声明本书刻意采用以下风格纯文本图表不用 mermaid、不用图片所有架构图、流程图、关系图都用 ASCII 线条绘制。理由有三纯文本在任何终端、任何编辑器、任何格式下都能渲染纯文本可以被 LLM 直接读取、引用、改写与 Loop 工程的精神一致纯文本强迫作者把图画清楚而不是被工具的漂亮欺骗类比与隐喻技术本质往往抽象类比让抽象落地。本书大量使用司机与自动驾驶、“马具与 Harness”、“起搏器与调度器”、工作记忆与持久化记忆等类比。对比与演绎每一种新范式都与上一代对比每一个设计决策都从根本原因演绎出来。金句驱动每节末尾有一条加粗金句作为本章思想的浓缩。真实案例所有原理都配工业界真实实现Claude Code、Cursor、Devin、HappyClaw、AutoGPT、LangGraph、AutoGen 等。一句话总结这本书Loop Engineering 的根本原因不是AI 变强了而是人跟不上 AI 了——所以我们不再当司机改当自动驾驶系统的设计师。致谢本书的写作受益于以下先行者的公开思考Addy Osmani——Loop Engineering 概念的提出者Andrew Ng吴恩达——三层 Loop 模型Peter Steinberger——OpenClaw 的实践Boris Cherny——Claude Code 的工程实绩Andrej Karpathy——Software 2.0 与 LLM 工程的哲学思考Anthropic、OpenAI、Google DeepMind 公开的技术文档与博客感谢 HappyClaw 开源项目本书第 5、7、8、9、10、12 章的大量实战剖析都基于其开源代码。关于作者本书由 HappyClaw AI Agent 系统协作完成。从大纲设计到 12 章并行写作全流程由 12 个独立 Sub-Agent 在 HappyClaw 平台上协同完成——这本身就是 Loop Engineering 的一次实践。写作时间2026 年 7 月。愿这本书帮助你从 Prompt 工程师蜕变为 Loop 工程师从司机蜕变为自动驾驶系统的设计师。——写于 2026 年 7 月AI 工程范式跃迁的黎明
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/25 4:02:17

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/26 10:03:11

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉