本文介绍了AI编程的新范式——循环工程Loop Engineering它将人从手动输入Prompt转变为设计自动进化引擎。核心是五大构建块自动化、工作树、技能、连接器、子Agent加记忆层实现AI任务的持续优化。文章通过知识编译系统案例详解了其应用并提出了最小行动建议帮助读者快速入门。循环工程要求对任务有深刻理解但能极大提升效率和质量。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。一篇博文点燃了导火索多位行业人士相继发声指向同一个方向——Loop Engineering循环工程。相关人士说“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 Engineering1.1 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 EngineeringLoop 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cronGit hooks如 pre-commitGitHub ActionsClaude 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 MCPModel 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 Loop3.1 系统架构我有一个个人知识库核心就是一条 Loopinbox/ → /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 briefingRSS 和 Twitter 定时抓取进 inboxWorktree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ConnectorsTwitter fetch、RSS fetch 通过 MCP/脚本接入外部数据源Sub-agentscompile 时用独立 agent 做涟漪更新检查Memorywiki/_changelog.mdraw/_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 grep2. 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。多位行业人士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。相关人士回应很直接“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。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取