01为什么会出现 Loop EngineeringLoop Engineering就是用你设计的系统来替代你自己去 prompt agent。这里的 loop 可以理解为一个递归目标你定义一个目的AI 反复迭代直到完成。它大概由五个基本模块构成Claude Code 和 Codex 现在都已经具备了。我认为这可能是我们未来与编码智能体协作方式的雏形。不过现在还早我自己也保持怀疑因为 token 成本是个必须认真对待的问题使用模式因人而异差别可以非常大。同时你仍然需要某种方式保证质量不下滑关于代码越来越 slop 的担忧也是合理的。虽然这样说还是很值得好好聊聊 Loop Engineering 究竟是怎么回事。Peter Steinberger 最近说过「你不应该再去手动提示编码智能体了。你应该设计让智能体自动运行的 loop。」Anthropic Claude Code 负责人 Boris Cherny 也说「我不再手动提示 Claude 了。我有 loop 在跑它们负责提示 Claude、决定下一步做什么。我的工作是写 loop。」那这些话到底是什么意思过去大概两年你从编码智能体那里「拿到东西」的方式就是写一个好的提示词然后提供足够的上下文。你输入一段话读它返回的内容再输入下一段话。智能体是一个工具你全程控制着它一轮接一轮。但这种方式某种程度上已经过去了或者说至少有一批人认为它要过去了。现在你构建一个小型系统让它自己去发现任务、分配任务、检查任务、记录完成情况、决定下一步然后让这个系统去触发智能体。你不用亲自去触发智能体让这个系统来做这件事。我之前写过与此相近的两个概念agent harness engineering为单个智能体构建运行环境和 factory model构建软件的系统。Loop engineering 就在 harness 的上一层它是一个跑在计时器上、能自己生成小助手、并且能自我驱动的 harness。让我意外的是这件事已经不再是工具层面的问题了。一年前如果你想跑一个 loop你得自己写一堆 bash 脚本然后永远维护那堆脚本它只属于你一个人。现在这些模块已经直接内置在产品里了。Steinberger 列出的清单和 Codex 应用几乎一一对应和 Claude Code 也几乎完全一样。一旦你意识到两者的结构是相同的你就不会再纠结用哪个工具了你只需要设计一个在任何工具里都能跑起来的 loop。02一个 Loop需要五个模块memory一个 loop 需要五样东西外加一个记忆的地方Automations按计划自动触发独立完成发现和分类triage工作Worktrees让并行运行的多个智能体互不干扰Skills把项目知识写下来让智能体不用每次都靠猜Plugins 和 Connectors把智能体接入你已经在用的工具Sub-agents一个负责生成另一个负责检查第六样东西是 memory。一个 Markdown 文件或者一块 Linear 看板任何能活在单次对话之外、记录「已完成什么」和「下一步是什么」的地方都行。听起来简单得不像话但这是所有长时间运行的智能体都依赖的同一个技巧。我在《long-running agents》里专门写过模型在每次运行之间会忘掉一切所以记忆必须存在磁盘上而不是在上下文里。智能体会忘但代码仓库不会。Claude Code 和 Codex 现在都具备了这五个模块。名字在两个产品里略有不同但能力是同一回事。我想逐一讲清楚因为细节决定一个 loop 到底能不能跑好处理不好它就会在你不注意的地方悄悄出问题。Automationsloop 的心跳Automations是让 loop 成为真正的 loop、不只是你手动跑了一次的东西。在 Codex 应用里你在 Automations 标签页创建一个 automation选择项目、要运行的提示词、运行频率以及是在本地 checkout 上跑还是在后台 worktree 上跑。有发现的运行会进入 Triage 收件箱什么都没发现的运行会自动归档这个设计很贴心。OpenAI 内部用它来处理一些枯燥的日常任务比如每日 issue 分类、汇总 CI 失败、写 commit 简报、排查上周某人引入的 bug。Automation 还可以调用 skill这样你的定期任务就能保持可维护性用 skill-name 触发不用把一大堆指令粘贴进一个没人会去更新的定时任务里。Claude Code 用另一种方式实现了同样的效果通过 scheduling 和 hooks。你可以用 /loop 按间隔运行一个提示词或命令可以安排 cron 任务可以用 hooks 在智能体生命周期的特定节点触发 shell 命令或者直接推到 GitHub Actions 上这样关掉电脑它也照样跑。核心思路完全一样定义一个自主任务给它一个节奏发现结果会主动来找你你不用四处去查。还有一个值得了解的「in-session primitive」它更接近这篇文章真正想说的东西。/loop 按节奏重复运行/goal 则会持续运行直到你写下的条件真正成立每一轮结束后一个独立的小模型会检查是否已经完成所以写代码的智能体不是给自己打分的那个。你给它一个条件比如「test/auth 里所有测试通过lint 也干净」然后走开。Codex 里有同样的东西也叫 /goal它会跨轮次持续工作直到可验证的停止条件成立支持暂停、恢复和清除。同一个原语两个工具都有这其实是贯穿这篇文章的整体规律。这一层的作用是把任务浮出水面loop 的其余部分负责对这些任务采取行动。Worktrees让并行不变成一团乱麻一旦你同时跑超过一个智能体时文件就开始互相冲突了这就是失败的来源。两个智能体同时写同一个文件和两个工程师在没沟通的情况下提交同一行代码是完全一样的麻烦。git worktree解决了这个问题它是一个独立的工作目录跑在自己的分支上但共享同一个仓库历史所以一个智能体的改动从物理上就无法碰到另一个智能体的 checkout。Codex 直接内置了 worktree 支持多个线程可以同时访问同一个仓库互不干扰。Claude Code 用 git worktree、–worktree flag在独立 checkout 里打开一个会话、以及 isolation: worktree 设置给 subagent 用让每个助手都有一个用完自动清理的全新 checkout来实现同样的隔离。我在《orchestration tax》里写过这件事的另一面worktrees 消除了机械层面的冲突但你仍然是那个瓶颈你一天能认真 review 多少份产出才是你实际能跑多少个 agent 的上限不是工具。Skills让智能体不用每次都靠猜一个 skill就是让你不用每次开新会话都从头解释一遍项目是怎么回事的方式。两个工具的格式相同一个文件夹里面有一个 SKILL.md包含指令和元数据加上可选的脚本、引用和资源文件。Codex 在你用 $ 或 /skills 调用时运行 skill或者在任务描述与 skill 描述匹配时自动触发。这就是为什么一个简洁、无聊的描述比一个聪明的描述更好用。Claude Code 的做法完全一样我在《agent skills》里写过这个模式。Skills 也是让 intent 不再反复付出成本的地方。我在《intent debt》里说过智能体每次会话都是从零开始的你没说清楚的地方它会用一个「自信的猜测」来填上。一个 skill就是把这些意图写在外面约定、构建步骤、「我们不这么做是因为那次事故」写一次智能体每次运行都读到。没有 skillsloop 每个周期都要从零推导你的整个项目有了 skills它会复利增长。有一点需要搞清楚skill 是编写格式plugin 是发布方式。当你想跨多个仓库共享一个 skill或者把几个 skill 打包在一起你就把它们打包成一个 plugin。Codex 和 Claude Code 都是这样。Plugins 和 Connectors让 loop 触及真实在用的工具一个只能看到文件系统的 loop是一个很小的 loop。Connectors 基于 MCP 构建让智能体能读取你的 issue tracker、查询数据库、访问 staging API、在 Slack 里发消息。Codex 和 Claude Code 都支持 MCP所以你为一个工具写的 connector 通常在另一个里也能直接用。Plugins 则把 connectors 和 skills 打包在一起让你的队友一键安装你的整套配置不用从记忆里重新拼一遍。有了 Connectorsloop 才能真正在你的实际环境里干活不只是跟你说如果我能操作的话我会这么做。这就是一个说「这是修复方案」的智能体和一个自己开 PR、关联 Linear ticket、等 CI 变绿后自动 ping 频道的 loop 之间的区别。Sub-agents让生成者和检查者分开loop 里最有用的结构设计没有之一就是把写代码的和检查代码的拆开。让写代码的模型来评审自己的代码它会对自己太好说话。一个拿着不同指令、有时甚至是不同模型的第二个智能体能抓住第一个模型自己没意识到、或者选择忽略的问题。Codex 只在你要求时生成 subagents同时运行然后把结果合并成一个答案。你在 .codex/agents/ 里用 TOML 文件定义自己的 agents每个有名字、描述、指令以及可选的模型和推理力度你的安全审查员可以是一个高力度的强模型而你的探索者可以是某个快速的只读工具。Claude Code 在 .claude/agents/ 里用 subagents 和 agent teams 做同样的事任务在它们之间传递。两个工具里常见的分工都是一个 agent 探索一个实现一个对照规格验证。我之前写过两次这个逻辑一次是《code agent orchestra》一次是《adversarial code review》。它在 loop 里之所以特别重要是因为 loop 在你不盯着的时候跑所以一个你真正信任的验证者是你敢走开的唯一理由。Sub-agents 确实会烧更多 token因为每一个都要做自己的模型和工具调用。所以别到处用只在真正需要有人帮你再把把关的地方才值得开。这其实也是 Claude Code 的 /goal 背后的逻辑决定 loop 有没有完成的应该是是一个全新的模型而不是那个做了这些工作的模型生成者和检查者分开这件事在这里被用到了「要不要停」这个判断上本身。03完整的 Loop 长什么样把这些拼在一起一个单线程就变成了一个小型控制台。以下是我一直在用的一种形态每天早上一个 automation 在仓库上跑起来。它的提示词调用一个 triage skill读取昨天的 CI 失败、open issues、最近的 commits然后把发现结果写进一个 Markdown 文件或 Linear 看板。对于每一个值得处理的发现loop 会开一个隔离的 worktree派一个 sub-agent 去起草修复方案再派第二个 sub-agent 对照项目 skills 和现有测试来审查这份草案。Connectors 让 loop 自己开 PR、更新 ticket。loop 处理不了的东西落进 triage 收件箱等我来看。状态文件state file是把整个系统串起来的那根线它记得尝试过什么、通过了什么、还有什么悬而未决所以明天早上的运行会从今天停下来的地方继续。看看你实际做了什么你只设计了一次你没有手动提示任何一个步骤。这就是 Steinberger 那句话真正变成现实的样子而且它在 Codex 里和在 Claude Code 里是同一个 loop因为两边的模块是同样的模块。04Loop 仍然****离不开人Loop 改变了工作的形态但它并没有让你变得多余。随着 loop 越来越好有三个问题反而会变得更尖锐**验证仍然是你的责任。**一个无人值守运行的 loop同时也是一个无人值守犯错的 loop。把验证 sub-agent 和生成者拆开是为了让 loop 的「完成了」这个判断有点意义。即便如此「完成了」也只是一个声明不是证明。我一直在重复同一句话你的工作是发布你亲自确认过能跑的代码。**如果你放任不管你对代码库的理解会腐烂。**loop 跑得越快、产出越多你没亲手写过的代码就越堆越多实际存在的东西和你真正理解的东西之间的差距就越大。这就是理解债跑得越顺的 loop只会让这个差距增长得越快。唯一的解法是你真的去读 loop 生成的东西。**最舒服的姿势很可能是最危险的。**当 loop 自己跑起来你很容易停止发表意见直接接受它给你的任何东西。我把这叫做认知投降。设计 loop 是解药也可以是加速剂带着判断去设计它它是解药用它来逃避思考它是加速剂。同一个动作完全相反的结果。05工程师要带着判断去设计 LoopBuild the loop. Stay the engineer. 我认为这是我们工作方式演进的一个预演。但话说回来如果我不亲自 review 代码或者完全依赖自动化 loop 来修复问题产品质量就会下滑很可能陷入一个越挖越深的恶性循环。所以去搭建你的 loop但别忘了直接提示智能体仍然是有效的关键是要找到正确的平衡。Loop 也会因人而异产生完全不同的结果。两个人可以搭出完全一样的 loop却得到截然相反的结果。**一个人用它在自己深刻理解的工作上跑得更快另一个人用它来逃避理解工作本身。**Loop 不知道这两者的区别但你知道。这就是为什么设计 loop 比提示词工程更难不是更容易。Cherny 说的那句话不是说工作变简单了而是说杠杆点移动了。Build the loop但要像一个打算留在工程师位置、不只是「按下启动键的人」那样去 build 它。传统产品经理正在成为下个被淘汰的“传统岗位”。过去画原型、写 PRD、跟进度的“传统技能包”在AI时代正迅速贬值。63% 的企业转型做 AI 产品当下的问题不再是“要不要学 AI ”而是“如何构建 AI 产品”。前段时间还跟字节、腾讯的资深 AI 产品经理沟通他们反馈在大量招人只要有 AI 相关的项目经验基本都能拿到面试机会而且领导很舍得给钱涨薪 40-60% 很正常01接下来的产品人得卷AI能力了如今AI大火行业极速发展的背后懂AI 产品人才却严重稀缺。这不是要你转技术岗而是要掌握构建 AI 产品的核心方法如何将你的领域知识转化为 AI 产品的核心竞争力如何用 AI 技术实现你的产品需求如何设计真正懂用户的 AI 交互体验……懂AI就是产品经理的“救命稻草”风口之下与其焦虑被行业淘汰不如先人一步享受AI技术带来的红利我把AI产品经理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】不限年龄不限岗位没有代码基础也能学现在扫码完课还送《AI产品面试题库》《AI大模型应用案例集》02掌握技术实战快速转型想成为一名卓越的AI大模型产品经理需要从技术、到项目实战的全方位转型指南**1**AI产品应用原理解析产品经理也能听懂对于产品经理来说如果你不懂技术做不了业务和AI大模型技术衔接、定义不了数据需求是没法完整的落地一个产品的本次课程专门面向产品经理人群解析当下最热门的AI产品应用的必备的「大模型」、「多模态」的实际应用和算法原理解析AI产品应用技术积累大模型能力简单易懂不需要会代码小白也能掌握大模型微调掌握主流大模型如DeepSeek、Qwen等的微调技术针对特定场景优化模型性能。学习如何利用领域数据如制造、医药、金融等进行模型定制AI Agent智能体搭建学习如何设计和开发AI Agent实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手产品如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等2超全行业案例解析课程详细讲解现阶段大模型在各个行业和领域的应用现状包括零售与电商、教育、医疗、泛娱乐、法律等等10大行业详细讲解案例的思路、应用场景以及背后的技术原理、核心技术揭秘各个行业、场景的真实现状和未来产品的发展与机遇可以说讲解完一个案例就能积累一个AI产品实践的经验课程中所涉及到的实战项目都可以直接在自己的工作中使用让自己的产品/项目有可借鉴的成功案例3AI产品经理求职专项辅导课程中会系统的帮助大家拆解字节、腾讯、百度等大厂AI PM岗位JD关键词掌握AI PM高频面试题型与回答框架展示 AI 相关能力的关键技巧Prompt设计、模型评估、A/B测试、成本意识、与算法/工程协作经验To B类AI产品经理突出“行业理解 技术落地 商业闭环”能力的简历结构设计展示项目成果从客户需求洞察到技术方案设计展现端到产品思维如何评估To B AI产品的可行性、客户付费意愿与实施成本To C类AI产品经理拆解头部公司岗位JD将过往尽力转化为AI产品叙事逻辑从行业趋势、产品设计题、案例分析数据分析题、技术理解边界等全流程辅导面试避免无效海投、锁定最适合的AI产品岗位03本次课程全程直播讲解能直接对话大佬和专业助教不懂就问超详细的案例小白也能轻松get完课后还赠送《AI产品经理面试题库》、《AI大模型应用案例集》不断更新中……适合人群想转型AI产品经理、AI项目管理专家、AI产品解决方案等岗位想进行AI产品创业的创业者想成为制作AI产品的程序员想利用AI解决企业问题的管理岗想在AI方向寻找就业方向的毕业生AI方向前景广阔、待遇好目前很多产品人已经通过完整学习拿到大厂高薪offer收入嗷嗷涨我把AI产品经理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】