1.1 Loop Engineering 概述与发展背景 — 循环工程的前世今生

本节导读：了解 Loop Engineering 的起源、发展脉络及其在 AI 工程领域的地位，理解从 Prompt Engineering 到 Loop Engineering 的范式转变背后的技术逻辑与行业驱动力。

学习目标

• 理解 Loop Engineering 的定义与核心思想
• 掌握从 Prompt Engineering 到 Loop Engineering 的四步演进历程
• 认识 2026 年 6 月的关键转折点及其行业影响
• 理解 Loop Engineering 解决的核心问题

核心概念

什么是 Loop Engineering？

Loop Engineering（循环工程）是 2026 年提出的 AI 工程新范式，其核心在于从"人工编写提示词驱动 AI"转变为"设计自动化系统，让系统自主、循环地驱动 AI 完成任务"。简言之，你的工作从"写提示词"变成了"设计循环系统"。

Peter Steinberger——OpenClaw 项目的创建者——在 2026 年 6 月率先提出这一观点："You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents."（你不再应该提示编程代理，你应该设计让代理自动提示自己的循环。）

几乎是同一时间，Claude Code 负责人 Boris Cherny 也表达了同样的看法："I don't prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops."（我不再手动提示 Claude 了，我有循环在运行，自动提示 Claude 并搞清楚该做什么。我的工作就是写循环。）

范式转变的四步演进

Loop Engineering 并非凭空出现，而是 AI 工程实践逐步演进的第四层抽象：

第一层：Prompt Engineering（2022–2024）

最早的技能是措辞。给模型一个角色、把任务分解成步骤、加入示例、让它"逐步思考"。Prompt Engineering 优化的是表达，但天花板明确——再完美的提示词也无法提供模型从未接收过的事实。

第二层：Context Engineering（2025）

焦点从提示词的措辞转移到模型推理时看到的一切——对话历史、检索到的文档、工具输出、Agent 状态、动态组装的知识。Shopify CEO Tobi Lütke 给出的定义广为流传："为任务提供足够的信息，使模型有理由能够解决它。"Andrej Karpathy 称之为"在上下文窗口中填入恰到好处的信息的精致艺术和科学"。

第三层：Harness Engineering（2026）

随着 Agent 开始在生产环境中自主完成多步工作，一个新的层面变得重要：harness（挽具）——围绕 Codex 或 Claude Code 等 Agent 的完整脚手架、工具、约束和反馈循环。Harness Engineering 让 Agent 从"聪明"变得"可靠"。

第四层：Loop Engineering（2026）

最新的框架聚焦于 Harness 中实际产生自主性的部分：迭代循环。Harness Engineering 问"Agent 需要什么环境？"，Loop Engineering 问"什么循环让 Agent 持续朝目标前进，什么时候该停？"

2026 年 6 月：转折时刻

2026 年 6 月第二周，一个想法重新定义了整个 AI 工程社区的话语体系：停止手动提示编程 Agent，开始设计自动提示 Agent 的循环。

• 6 月 7 日：Peter Steinberger 发帖声称相关技能不再是提示 Agent，而是设计循环来提示 Agent。该帖在数天内获得约 650 万次浏览，主导了此后一周的 Agent 讨论。
• 6 月 7 日同日：Google 工程师 Addy Osmani 发表了题为"Loop Engineering"的长文，为这一实践赋予了正式名称和系统性的"五大原语"解剖。
• 6 月 8 日：Boris Cherny 表示他已不再手动提示 Claude。

为什么是这个时候？因为底层的 Agent 终于足够好了。到 2026 年中期，编程 Agent 已经能自主运行足够长时间，并且能从自身错误中恢复——瓶颈发生了转移。当一次 Agent 运行可能持续一个小时、触及几十个文件时，最高杠杆率的事情不再是写更锋利的提示词，而是设计一个让 Agent 在整个过程中保持生产力、经过验证、不偏离目标的循环。

环境准备 / 前置知识

• 基础编程能力（Python 或 JavaScript）
• 对 LLM（大语言模型）的基本了解
• 有使用 ChatGPT、Claude 等 AI 工具的经验
• 了解 Git 版本控制基本操作

分步实战

步骤 1：理解循环思维 vs 提示词思维

提示词思维：你写一段提示词 → AI 给出回答 → 你判断结果 → 你再写一段提示词 → ……（你永远在循环中间）

循环思维：你设计一个系统 → 系统自动执行"目标→执行→验证→改进"的循环 → 系统在达到目标时停止 → 你只需审查最终结果

两者的核心区别：在提示词范式中，你本人就是循环。在循环工程范式中，你设计的是循环的轨道，让 Agent 在上面自主奔跑。

步骤 2：体验第一个循环

以 Claude Code 为例，体验最简单的循环模式：

# 安装 Claude Code（需要 Anthropic 账号）
npm install -g @anthropic-ai/claude-code

# 进入你的项目目录
cd my-project

# 使用 /goal 启动循环
claude
> /goal "让所有测试通过，lint 检查全部清洁"
​

这个命令做了什么？Claude Code 会：

1. 读取你的代码和测试
2. 运行测试，观察哪些失败
3. 分析失败原因，编写修复
4. 再次运行测试
5. 重复步骤 2-4，直到所有测试通过
6. 运行 lint 检查
7. 全部通过后自动停止

你不需要在每一步之间手动输入任何内容。 这就是循环工程的核心体验。

步骤 3：对比手动提示词的效果

同样的任务，手动提示词范式需要：

claude
> 运行测试
# 等待输出...
> 这个测试失败了，请修复 src/auth.js 中的登录验证
# 等待输出...
> 再运行一次测试
# 等待输出...
> 还有两个失败，请修复...
# 重复 N 次...
​

每个箭头之间，你都坐在电脑前等待、阅读、判断、输入。一个可能需要 15 轮迭代的工作，用循环工程只需要一行命令。

完整示例：一个简单的循环框架

下面是一个用 Python 实现的简化版循环框架，帮助你理解循环的核心逻辑：

"""loop_engineering_101.py - 最简循环工程示例"""
import subprocess
import json

def run_loop(goal: str, max_iterations: int = 10):
    """
    最简循环：目标 → 执行 → 验证 → 循环或停止
    对应 Loop Engineering 的核心模式：
    discover → plan → execute → verify
    """
    state = {
        "goal": goal,
        "iterations": 0,
        "attempts": [],
        "status": "running"
    }

    for i in range(max_iterations):
        state["iterations"] = i + 1
        print(f"\n--- 循环第 {i+1} 轮 ---")

        # 1. DISCOVER: 评估当前状态
        test_result = subprocess.run(
            ["npm", "test"],
            capture_output=True, text=True, timeout=120
        )

        passed = test_result.returncode == 0

        if passed:
            state["status"] = "success"
            print(f"✅ 目标达成！循环在第 {i+1} 轮完成。")
            break

        # 2. PLAN: 分析失败（这里是简化版）
        print(f"❌ 发现 {test_result.stdout.count('failed')} 个失败")

        # 3. EXECUTE: 调用 AI 修复（简化示例）
        print("调用 AI Agent 分析并修复...")

        # 4. VERIFY: 下一轮测试
        state["attempts"].append({
            "round": i + 1,
            "test_passed": passed
        })

        # 5. 停止条件：无进展检测
        if i > 2 and len(set(
            a["test_passed"] for a in state["attempts"][-3:]
        )) == 1:
            state["status"] = "stuck"
            print("⚠️ 连续 3 轮无进展，升级给人工处理")
            break

    else:
        state["status"] = "max_iterations"
        print(f"⚠️ 达到最大迭代次数 {max_iterations}，需要人工介入")

    return state

# 使用
result = run_loop("让所有测试通过")
print(json.dumps(result, indent=2, ensure_ascii=False))
​

常见问题 FAQ

Q1：Loop Engineering 和 Prompt Engineering 是什么关系？是替代还是共存？

A：共存且嵌套。Loop Engineering 包含但不替代 Prompt Engineering。你仍然需要写好提示词——只不过这些提示词被写进了 Skills、子代理指令和验证标准中，而不是你在聊天框里一条一条地输入。每一层都是对前一层的包装，不是取代。

Q2：Loop Engineering 是否只适用于编程领域？

A：不限于编程。虽然目前最成熟的实践集中在编程 Agent（Claude Code、Codex 等），但循环工程的核心模式——定义目标、设计验证、构建自主迭代循环——适用于任何可以让 AI 在多步骤中自主工作的场景，包括数据分析、内容生产、研究任务、运维自动化等。

Q3：个人开发者和小团队是否需要 Loop Engineering？

A：恰恰相反，小团队可能受益最大。Loop Engineering 的一个核心价值就是减少你在每一步之间的等待和手动操作。资源有限的小团队，通过设计好循环，可以让少量 Agent 做出超出团队人数的工作量。从 Addy Osmani 到 Peter Steinberger，推动这一范式的许多先驱恰恰是独立开发者。

最佳实践与避坑

• 从简单循环开始：不要一上来就搞多代理编排。先用 /goal 让一个 Agent 跑完一个任务
• 验证标准要具体："改善代码"是坏目标（永远不知道何时停止），"让所有测试通过"是好目标
• 设置硬上限：永远设置最大迭代次数，防止 Token 烧光
• 记录外部状态：Agent 的上下文窗口会丢失信息，用 Markdown 文件持久化进度
• 保持理解力：不要因为循环能自动运行就放弃对产出的理解——理解债务只会累积得更快

本节小结

本节介绍了 Loop Engineering 的起源与演进。我们看到 AI 工程从 Prompt Engineering 到 Loop Engineering 经历了四层抽象的叠加，每一层都在前一层的之上增加了新的关注点。2026 年 6 月是转折点——当编程 Agent 终于足够可靠时，瓶颈从"写出好提示词"转移到了"设计好循环"。

下一节我们将深入 Loop Engineering 的三个核心概念：循环（Loop）、验证器（Verifier）与自主性（Autonomy），理解它们如何构成循环工程的基石。

延伸阅读

• Addy Osmani - Loop Engineering
• AI Builder Club - Loop Engineering Guide 2026
• Tosea.ai - Complete Guide from Prompt to Harness

关键词：Loop Engineering, 循环工程, Prompt Engineering, Context Engineering, Harness Engineering, AI Agent, 2026 范式转变, 教程, 入门指南

难度：入门

预计阅读：12 分钟