Loop Engineering 学习笔记：从手写 Prompt 到设计循环

为什么有这篇

最近我在看Agent Loop和Loop Engineering。

一开始我以为它只是“让 AI 多跑几轮”。但看了一些实践和讨论后，我的理解变了：Loop 不是多调用几次模型，而是把 Agent 的工作方式从“人一步步提示”，变成“系统自己持续推进”。

这篇先当成学习资料收集，不是最终结论。我的目标是把几个关键观点整理清楚：它是什么，为什么现在开始重要，和Prompt / Context / Harness的关系是什么，以及我自己可以怎么用。

结论先行

我现在的判断是：

1. Loop Engineering不是 Prompt 技巧，而是一套 Agent 持续工作的控制系统。
2. 它建立在Prompt、Context、Harness之上，解决的是“做完一步之后，系统怎么继续推进”。
3. 一个可用的 Loop 至少要有目标、状态、反馈、验证、记忆和停止条件。
4. 人不是退出循环，而是从“每一步都提示”变成“在关键节点确认”。
5. 现阶段最适合先落地的，不是超级自动化，而是需求、编码、测试这些明确边界的小循环。

这个概念解决什么问题

以前我们和 AI 协作，主要是人驱动。

我提需求 -> AI 回答 -> 我发现问题 -> 我再提示 -> AI 再修改

这套方式能用，但有几个问题：

• 人一直在流程里，容易变成瓶颈。
• 任务一长，就需要反复补上下文。
• AI 做完一步后，不知道下一步该干什么。
• AI 不知道什么时候该继续，什么时候该停。
• 失败后的修正逻辑，大部分还是人来驱动。

Loop Engineering解决的是这个问题：

❝

能不能设计一套系统，让 Agent 在目标、反馈、验证和停止条件之间自己循环起来？

❞

它的最小形态大概是：

输入目标 -> 读取状态 -> 选择下一步动作 -> 执行动作 -> 收集反馈 -> 验证结果 -> 更新记忆 -> 判断继续、停止或请求人确认

这个东西不是简单自动化脚本。

脚本更像固定流程；Loop 会根据反馈调整下一步。

几个大佬的定义怎么理解

Boris Cherny：我不再提示 Claude，我写 loops

Boris Cherny 有一句话很关键：

❝

I no longer prompt Claude directly. My job is to write loops.

❞

我的理解是：开发者的工作从“给 Agent 下每一步指令”，变成“设计让 Agent 自己下下一步指令的系统”。

比如自动维护 PR：

发现 PR 有评论 -> 读取评论 -> 修改代码 -> 跑测试 -> 如果失败继续修 -> 如果通过输出说明

这里人不是每步都插手，而是定义规则、权限和停止条件。

Peter Steinberger：不要给 Agent 写 Prompt，要设计给 Agent 写 Prompt 的 Loop

Peter Steinberger 的说法更直接：

❝

You should not be prompting your coding agent anymore. You should be designing the loop that prompts your agent.

❞

这句话对我启发很大。

以前我关注“这句 prompt 怎么写得更好”。现在要关注的是：

• 谁来触发 Agent？
• Agent 每轮看哪些信息？
• 结果怎么验证？
• 失败怎么处理？
• 什么情况下必须停下来问人？

这已经不是 Prompt Engineering，而是工作流设计。

Addy Osmani：Loop Engineering 是让系统替你提示 Agent

Addy Osmani 的定义比较系统：

❝

Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead.

❞

他把两类问题区分得很清楚。

我觉得这里最值得记的是六个要素：

为什么是 Prompt -> Context -> Harness -> Loop

我现在更愿意把 AI 开发分成四层。

Prompt -> Context -> Harness -> Loop

这个顺序很重要。

如果没有 Context，Agent 不知道背景。

如果没有 Harness，Agent 没有工具和边界。

如果没有 Loop，Agent 只能被动等人下一步指令。

所以 Loop 不是替代前面几层，而是建立在前面几层之上。

吴恩达的三层闭环，对我很有启发

Andrew Ng 把反馈循环按时间拆成三层，我觉得很适合用来判断人和 AI 的分工。

分钟级：Agent 自己处理

这类反馈很快，可以机器验证。

• 编译是否通过
• 单测是否通过
• 页面是否报错
• 接口返回是否符合 schema
• 文档格式是否符合要求

这类事情不应该每一步都问人。

小时级：人确认关键方向

这类事情需要人的判断。

• 产品方向是否对
• UI 流程是否合理
• 功能优先级怎么排
• 方案复杂度是否可接受
• 这个需求第一版做到什么程度

这就是人在回路的位置。

不是人一直盯着，而是在关键节点确认。

天/周级：真实用户反馈

这类反馈来自真实环境。

• 用户是否真的使用
• 指标有没有变化
• 功能是否解决真实问题
• 是否值得继续投入

这层不能靠 Agent 自己闭环。

所以三层关系可以这么看：

分钟级：Agent 自修复小时级：人确认关键决策天/周级：用户反馈修正方向

我现在最想先落地的 Loop

现阶段我不想一上来做“超级自动化”。

我更想先把几个小循环跑稳。

1. 需求侧 Loop

很多需求进不来，不是编码慢，而是需求太薄。

一句话需求 / 用户反馈 -> Agent 扩展成产品说明 -> Agent 生成可交互原型 -> Agent 自评审并修正 -> 输出关键决策点 -> 人确认 -> 进入设计和开发

这个 Loop 的价值是：先把需求变厚，再让后面的 SDD / Harness 去执行。

2. 编码执行 Loop

这个更适合在SPEC稳定后跑。

读取 SPEC -> 编码 -> 跑测试 / lint / 编译 -> 根据错误修复 -> 通过后提交结果 -> 连续失败则升级给人

这里重点不是让 Agent 发挥，而是让它按约束快速执行。

3. 维护类 Routine

这类适合长期运行。

定时扫描问题 -> 判断是否低风险 -> 自动修复 -> 验证 -> 生成记录 -> 高风险升级给人

比如失败测试、文档更新、简单 bug、接口变更同步。

现在需要警惕什么

Loop 听起来很美，但我现在不太相信“一步到位的全自动”。

几个风险要先写清楚。

1. 无限循环

Agent 一直修，一直失败，一直重试，成本会失控。

所以必须有：

• 最大步骤数
• 超时时间
• 连续失败上限
• 无进展检测

2. 错误被放大

如果目标本身错了，Loop 只会更稳定地跑向错误方向。

所以需求侧的关键决策，必须有人确认。

3. 验证不可靠

Agent 自己说“完成了”不算。

要尽量用：

• 测试
• 编译
• lint
• schema
• 截图
• 人工确认

4. 过度自动化

不是所有事情都应该自动。

我的原则是：

机器能验证的，交给 Agent 循环人类有上下文优势的，交给人确认高风险动作，必须停下来

一个可复用的 Loop 模板

我后面设计 Loop 时，可能会用这个模板。

## Loop 名称这个循环解决什么问题？## 目标最终要推进到什么状态？## 输入需要哪些材料？需求、代码、文档、测试结果、用户反馈？## 状态要记录哪些状态？已完成、失败原因、待确认问题？## 触发条件人工触发、定时触发、PR 评论、CI 失败，还是用户反馈？## 执行动作Agent 每轮能做什么？读文档、改代码、跑测试、生成原型？## 验证机制怎么判断做对了？测试、指标、评审、人确认？## 停止条件目标达成、连续失败、成本超限、高风险决策？## 人类确认点哪些节点必须交给人？## 记忆沉淀结束后要记录什么？

这个模板的重点不是形式，而是逼自己先想清楚：目标、验证、停止和人类确认点。

小结

我现在对Loop Engineering的阶段性理解是：

❝

它不是写更好的 Prompt，而是设计一个让 Agent 围绕目标持续执行、验证、修正、记忆并停止的工作系统。

❞

如果说Harness解决的是“Agent 怎么安全地做一次事”，那Loop解决的是“Agent 怎么持续把一类事推进完”。

我现在不会把它理解成最终答案。

更合理的做法是：先从需求侧、执行侧、维护侧这些小 Loop 开始，把验证和停止条件做扎实，再慢慢扩大自动化范围。

关键概念和信息

可以收藏的 5 个判断：

1. Prompt是一次输入，Loop是持续推进机制。
2. 没有验证机制的 Loop，很容易制造“形式完整但方向错误”的结果。
3. 人不应该盯每一步，但必须确认关键决策点。
4. 需求侧的问题，不能只靠更强的编码模型解决。
5. Agent 越能循环执行，人越要把目标、边界和停止条件定义清楚。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】