Loop Engineering即“循环工程”是利用自动化循环驱动大模型完成任务的新技术。文章介绍了Loop Engineering的起源、组成部分任务自动化、并行隔离、技能、MCP和插件、子Agent、记忆以及典型应用场景强调通过设计循环可以减少手动干预提升效率。适合想要学习大模型应用的开发者建议收藏。最近 AI 圈有个新词挺火叫 Loop Engineering也就是 “循环工程”本篇文章来讲一讲带你搞清到底什么是Loop Engineering。起因是两句话Claude Code 的负责人 Boris Cherny 说他已经不怎么给 Claude 写提示词了主要是在跑一堆循环由这些循环驱动 Claude、决定下一步该干什么他的工作变成了“写循环”。另一个是小龙虾 OpenClaw 的作者 Peter Steinberger 说不要再给编程 Agent 写提示词了应该去设计那些给 Agent 写提示词的 Loop。老规矩开始前先抛几个问题你可以想想1、Loop Engineering 是什么跟 Prompt Engineering 有什么区别2、一个完整的 Loop 由哪几部分组成3、Loop Engineering 有哪些典型的使用场景一、为什么会出现 Loop Engineering过去两年大家用 Agent流程大多是这样你写一个好提示词把上下文交代清楚然后打一句看它回一句再继续打下一句。Agent 是工具但是需要人来掌握流程一来一回地推进。所以你有没有发现在这个流程中其实你自己就是那个循环。但问题是任务一复杂你的打字速度、耐心和注意力就会变成瓶颈。现在随着大模型能力越来越强在一次对话里它可能自己跑几十分钟甚至几小时。这时候再靠人去编写提示词就显得没那么有必要了尤其很多时候人给的提示词其实也是问的大模型。所以与其继续琢磨 “提示词怎么说更准”不如直接搭一个小系统让它自己找活、自己派活、自己检查、自己记下做完了什么然后自己决定下一步。工程师们给这个循环下了个定义一个递归目标。你定一个任务目标AI 自己迭代直到干完这就是 Loop Engineering。二、一个 Loop 的组成部分1、任务自动化这是整个循环的心跳到达指定时间任务能够自己启动自己去找有什么任务要干不用人手动启动任务。如果没有自动化的话那就算不上一个循环最多是一个跑过一次的脚本。2、并行隔离如果你同时跑好几个 Agent它们可能会同时写同一个文件会有并发修改问题导致任务失败所以我们必须要做好隔离。最佳实践是利用 Git 的 worktree 功能可以给每个 Agent 单独开一个分支目录这样就不会修改到对方的文件了。3、Skills/技能这就是我们之前说的 Skill用来定义任务需要的流程和规范不同任务需要的 Skill 不一样由用户来提供把任务规则写进一个文件这样大模型在自己做任务时就能够有决策依据。4、MCP 和插件这部分作用是让 Loop 能够真正连接上任务需要的工具例如底层可以走 MCP 协议让 Agent 能读 issue、查数据库、向通讯软件里发消息。5、子 Agent关键是把不同的任务交给不同的子 Agent执行例如把写代码和检查代码拆开不要让写代码的 Agent 同时负责检查代码因为它很容易手软导致放过一些问题。有时候你换一个指令不同、或者模型都不一样的 Agent 来检查代码有可能检查出来更多问题。6、记忆这部分非常重要为了持久化任务状态和关键信息可以把记忆放在一个 markdown 文件中最终落到硬盘上这样后续启动不同的对话也能够知道任务的一些背景。三、一个完整 Loop 示例可能只说理论太抽象这里举一个真实例子就明白了每天早上一个定时任务在你的代码仓库上跑。它先通过一个 Skill 去检查昨天的 CI 失败、还开着的 issue、或者最近的提交把检查出来的东西写进一个文件。对于每个任务Loop 都会开一个独立的 worktree启动一个子 Agent 去起草修复再派第二个子 Agent 对着项目规则和现有测试去检查。通过 MCP 把 PR 准备好、更新工单如果有搞不定的任务就写个列表等你处理。你有没有发现对于上面那个循环中你只是设计了它一次后面这些步骤一句提示词都不需要手写这就是一个完整的 Loop。四、常见的 Loop 应用模式上面那个例子是 Bug 修复类的循环但循环这东西换个不同场景的任务具体实现也会有些变化主要体现在两点1、靠什么信号判断对不对2、在什么条件下算干完了这两点一变其实整个循环就会跟着变现在业界已经沉淀出几种比较典型的模式通过上面的应用场景可以发现设计循环很关键的点是这个任务有没有一个大模型能自动读到、又能相对明确判断对错的信号。例如测试驱动就很经典用例全部通过完成否则就是没完成信号非常明显Agent 照着用例的运行结果一轮轮改就行。编译器驱动也一样类型错误清单就在那里清零就是任务目标这类信号明确的任务最容易设计循环。但是对于产品迭代这种就不太好搞例如 “跟设计稿对齐” 很难标准化常常得靠截图比对这种循环没法完全甩手关键节点还是要留人把关。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、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。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】