作为一名 AI 技术博主我花了3天时间整理和实践了 Loop Engineering 范式下面我就和大家详细聊聊这个技术并在文章最后给大家一个详细且完整的 Loop 工程化的代码案例帮助大家快速上手 Loop Engineering。什么是 Loop EngineeringLoop Engineering是一种全新的 AI 编程思想用大白话来说就是我们不用手动向 AI 编程工具一条条地输入提示词而是通过设计一个能够自动发现需求、分发任务、检查成果、记录当前状态并决定下一步做什么的自循环系统。这个系统会不断地调用 AI 模型/工具直到我们指定的目标被达成为止。这有点像我们工程学里面的 PDCA 循环。简单来说它和传统模式的差异如下这是一个根本性的思维转变从 “与 AI 对话” 转向 “编程式 AI”。我们的工作不再是写出完美的提示词而是设计出完美的反馈系统。还记得大学计算机课程最头疼的就是“循环”遍历AI 编程的三次革命 Prompt Engineering 到 Loop EngineeringAI 编程在短短三年内经历了三次重大的范式转变每一次变革都极大地提升了我们的编程“生产力”从 提示词生成代码到 上下文 Harness 工程化思想其实已经能解决大部分软件开发场景了。比如我们以前需要手写的静态网站现在采用提示词 skills基本上没程序员什么事了公司的运营和产品经理都能搞定。再比如一个CRM系统我们只需要搭建一套成熟的 上下文 和 Harness工程再采用AI编程工具一天时间就能完成 80% 的工作量剩下的就是不断的人工测试优化然后上线。现在的 Loop Engineering就是要把我们的人工参与部分直接“砍掉”。下面我画了一个3阶段的演进图来致敬这次AI变革说了这么多我想告诉大家的是我们需要再次转变编程思维从“手艺活”转变成“规则制定者”。Loop Engineering 并不是孤立存在的它建立在上面我介绍的所有技术的基础之上我总结成了四层架构大家可以参考一下下面给大家详细介绍一下这4个模块Prompt 层解决 “怎么问” 的问题 —— 比如角色设定、输出格式、示例等Context 层解决 “让 AI 看到什么” 的问题 ——如 RAG、记忆管理、文件检索等Harness 层解决 “AI 在什么环境里工作” 的问题 —— 如工具调用、沙箱、权限控制业务规则等Loop 层解决 “AI 做完一步后怎么办” 的问题 —— 自动检查、修正、继续、停止条件Loop Engineering 是站在这四层架构的最顶端它关心的不是单次对话的质量而是整个系统的自运行能力。下面就和大家上干货了建议收藏。Loop Engineering 的核心原理下面分享一下国外大佬设计的 Loop 通用五阶段循环每一个编码循环无论是单 Agent 还是多 Agent —— 都遵循完全相同的五阶段循环直到满足可验证的停止条件。上面图片中提到的5层循环包括Discover (发现)Plan (计划)Execute (执行)Verify (验证)Iterate (迭代)我结合自己的理解梳理了一个流程图大家可以参考一下一个经验反思状态存在于外部而非上下文窗口我认为 Loop Engineering 最核心的思想哲学是不要信任模型的上下文窗口作为持久化存储。模型会遗忘会漂移会压缩信息导致约束丢失。企业级AI开发的最佳实践是所有状态都存储在外部系统中——git 仓库、markdown 文件、数据库、issue 跟踪系统等。每个循环迭代都从一个全新的上下文窗口开始但需要在实际持久化的内容基础上进行工作。这就是为什么最原始的 Ralph Loop 这么有影响力只用了一行 bash 代码就让AI永无止境的帮你干活while :; do cat PROMPT.md | claude-code; done给大家分析一下这行循环的作用每次循环都会重新读取 PROMPT.md 和当前代码库状态完全忽略之前的对话历史。这种看似简单粗暴的方式实际上解决了所有长对话上下文带来的问题。当然不得不说那个时间段的AI能力国内用这种做法只能是“白烧钱”Loop Engineering 的六大核心要素Addy Osmani 指出所有现代 AI 编码工具Claude Code、Codex 等都已经内置了 Loop Engineering 所需的六大核心要素一旦我们理解了这些要素就可以在任何AI工具中设计出有效的循环。下面我详细和大家介绍一下这6大要素。1. Automations (自动化)自动化是将一次性 AI 运行转变为真正循环的关键。它允许我们指定任务何时运行、运行频率以及在什么环境下运行。这里分享一个典型案例每日早上 7 点30分自动运行脚本处理前一天的 bug每当有新 PR 被打开时自动运行代码审查每2小时检查一次性能基准并进行回归每周五下午5点自动生成 CHANGELOG.md上面的场景对应到 Claude Code 的代码示例如下# 每天早上6点运行处理CI失败 /loop Run the triage skill on yesterdays CI failures and open PRs for fixes --schedule 0 6 * * * # 运行直到所有测试通过 /goal all tests in test/auth pass and the lint step is clean如果大家用了其他 AI Coding 工具原理也是类似的。2. Worktrees (工作树)无冲突协作并行当我们同时运行多个 AI 时需要考虑最多的问题就是文件冲突。Git 工作树为每个 AI Agent 提供了一个独立的工作目录共享相同的仓库历史但不共享文件。Worktrees 的工作原理如下我个人理解其实就是 git 那套协作机制我们把它搬到了 Loop 工程里来了。这里我写了一个 Claude Code 示例供大家参考# 在独立的工作树中打开一个会话 claude-code --worktree feature/add-search # 子代理自动使用独立工作树 /subagent Build the search API --isolation worktree3. Skills (技能)Skills 技能是将项目知识编码到磁盘上的一种方式。它包含了SKILL.md文件可选脚本参考资料AI Agent 可以在需要的时候调用这些技能而不是每次都重新学习项目的约定。skills 核心解决的问题有每次会话都要重新解释项目结构AI 经常忘记编码规范和最佳实践相同的错误在不同会话中反复出现我个人感觉其本质上就是经验的复用包。为了照顾到不熟悉Skills的朋友我再分享一下 Skills 的企业级文件结构skills/ database/ SKILL.md scripts/ migrate.sh references/ schema.md api/ SKILL.md testing/ SKILL.mdSkills.md 的文件示例如下# Database Skill ## 我们如何写数据库代码 - 使用Knex.js进行所有数据库操作 - 所有迁移文件都放在migrations/目录下 - 每个表必须有created_at和updated_at字段 - 永远不要在生产中使用ALTER TABLE DROP COLUMN ## 如何运行迁移 bash npm run migrateConnectors(连接器)连接器(基于MCP协议)主要作用是让循环能够与我们已在使用的工具进行交互。它是AI告诉你该做什么事情和AI实际帮你完成了哪些事情之间的关键区别。这里分享几个常见连接器供大家研究参考Issue跟踪GitHub Issues、Linear、Jira 等通讯Slack、Discord、Teams 等数据库PostgreSQL、MySQL、MongoDB 等CI/CDGitHub Actions、Jenkins、GitLab CI 等云服务AWS、GCP、Azure 等Sub-agents(子代理)最高效的循环设计原则是一个代理负责实现另一个代理负责验证。我个人认为让编写代码的模型来评判自己的代码就像让学生给自己的考试打分一样不可靠。所以一定要让不同的 Agent 来实现从生产到检验的完整流程。分享一下经典的三层代理协作架构6. State (状态)Loop范式的记忆保障模型会遗忘但仓库不会。所有复杂运行循环都依赖外部状态来记住自己的运行阶段比如什么已经完成了什么还在运行阶段。常见的状态存储方式有Markdown 文件STATE.md、AGENTS.md、PROGRESS.md任务队列tasks.jsonIssue 跟踪系统GitHub Issues、Linear数据库SQLite、PostgreSQL大家可以参考上面我分享的3种方式来设计 Loop 的记忆层。下面分享一个实际的案例说明如何设计记忆层# Loop State ## 2026-06-10 ### 已完成 - [x] 修复#123登录页面CSS问题 - [x] 更新依赖包到最新版本 ### 进行中 - [ ] 修复#124API返回500错误 - 尝试1修改auth中间件测试失败 - 尝试2检查数据库连接正在进行 ### 待处理 - [ ] 添加单元测试覆盖auth模块 - [ ] 重构用户服务Loop Engineering 的两大循环类型闭环 vs 开环Loop Engineering 有两种基本类型分别适用于不同的场景我整理了一个表格大家可以对比参考一下闭环的五个必要组成包括明确的目标 (Goal)精确地定义 “完成” 的样子充足的上下文 (Context)比如提供VISION.md、ARCHITECTURE.md、RULES.md等文件受限的动作 (Action)只允许使用必要的工具约束行为客观的反馈 (Feedback)包括如测试、lint、类型检查等清晰的停止条件 (Stop Condition)可验证的成功标准/结束条件这里我个人是建议大家****从闭环开始。只有当我们完全掌握了闭环设计并且有足够的预算和评估能力时再尝试开环。实战案例构建自动修复 CI 失败的循环接下来我带大家通过一个完整的实战案例来学习如何设计和实现一个 Loop Engineering 系统。这里我将构建一个每天早上自动运行修复前一天 CI 失败的循环。步骤 1准备项目结构首先在我们的项目中创建必要的文件夹和文件your-project/ .claude/ agents/ ci-fixer.toml code-reviewer.toml skills/ ci-triage/ SKILL.md code-fixer/ SKILL.md STATE.md .github/ workflows/ ci-fix-loop.yml步骤 2创建 CI 分类技能这里直接分享我的 skills/ci-triage/SKILL.md:# CI Triage Skill ## 目的 分析CI失败日志确定问题的根本原因和修复优先级。 ## 输入 - GitHub Actions CI运行日志 - 失败的测试名称和错误信息 ## 输出 - 问题分类测试失败、lint错误、构建错误、依赖问题、其他 - 根本原因分析 - 估计修复难度简单、中等、困难 - 是否可以自动修复是/否 ## 分类规则 - **简单**语法错误、拼写错误、简单的lint警告 - **中等**测试失败但错误信息明确、依赖版本冲突 - **困难**间歇性测试失败、复杂的逻辑错误、性能问题 ## 输出格式 json { issue_type: test_failure, root_cause: The user service is returning null when user not found, difficulty: medium, auto_fixable: true, file_path: src/services/user.js, line_number: 42 }步骤3创建代码修复技能skills/code-fixer/SKILL.md 的内容设计如下:# Code Fixer Skill ## 目的 根据CI失败信息修复代码问题。 ## 修复原则 1. 只修复与CI失败直接相关的问题 2. 不要重构不相关的代码 3. 保持代码风格与现有代码一致 4. 如果测试失败添加或修复相应的测试 5. 所有修复必须通过lint和类型检查 ## 输出 - 修改后的代码文件 - 修复说明 - 运行测试的结果步骤 4配置子代理.claude/agents/ci-fixer.toml 代码如下:name ci-fixer description Fixes CI failures instructions Use the code-fixer skill to fix the specified CI issue. Run tests after making changes. If tests pass, open a PR. model claude-3-5-sonnet-20260514 tools [edit, run-command, git, github] skills [code-fixer].claude/agents/code-reviewer.toml 代码如下:name code-reviewer description Reviews code changes instructions Review the code changes. Check for correctness, security issues, and code style. Approve or request changes. model claude-3-opus-20260301 reasoning_effort high tools [read, lint, security-scan]步骤 5创建 GitHub Actions 工作流这里涉及到 Github 的自动部署工作流 大家不熟悉的可以看我之前的文章这里就直接上实际的代码了。.github/workflows/ci-fix-loop.yml 代码如下:name: CI Fix Loop on: schedule: - cron: 0 6 * * * # 每天早上6点运行 workflow_dispatch: # 允许手动触发 jobs: fix-ci: runs-on: ubuntu-latest steps: - uses: actions/checkoutv4 - name: Set up Node.js uses: actions/setup-nodev4 with: node-version: 20 - name: Install dependencies run: npm ci - name: Install Claude Code run: npm install -g anthropic-ai/claude-code - name: Configure Claude Code run: | claude-code config set api-key ${{ secrets.ANTHROPIC_API_KEY }} claude-code config set github-token ${{ secrets.GITHUB_TOKEN }} - name: Run CI fix loop run: | claude-code --worktree ci-fix-$(date %Y%m%d) Use the ci-triage skill to analyze all failed CI runs from yesterday. For each auto-fixable issue: 1. Create a new branch 2. Spawn the ci-fixer subagent to fix the issue 3. Spawn the code-reviewer subagent to review the fix 4. If approved, open a PR with a clear description 5. Update STATE.md with the results Write all findings and actions to STATE.md. - name: Commit state changes run: | git config --local user.email ai-botexample.com git config --local user.name AI Fix Bot git add STATE.md git commit -m Update CI fix loop state for $(date %Y-%m-%d) || true git push步骤 6初始化状态文件这一步很简单但也非常关键 大家需要重点关注。STATE.md 内容如下:# CI Fix Loop State ## 运行历史 ### 2026-06-10 - 发现3个CI失败 - 自动修复2个简单问题 - 1个复杂问题标记为需要人工干预 - 打开PR: #125, #126 ## 待处理 - [ ] 修复#127复杂的测试失败需要人工审查下面我画了一个这个循环如何工作的流程图大家可以参考一下成本与安全考量Loop Engineering 虽然强大但如果使用不当可能会带来高昂的成本和安全风险。很显然Loop 可能会消耗大量的 API 额度。在中等规模代码库上运行 50 -100 次迭代可能花费 ¥500 - 1000甚至更高。所以我们需要设计一套可靠的成本管控策略下面分享一下我研究下来的一下方法和经验设置严格的迭代限制永远不要省略max-iterations最大迭代数从小规模开始先在 10-20 次迭代上测试观察行为后再逐步扩大计算 ROI这里需要设计一套符合公司自身的成本管控标准比如 ¥500 的循环节省 20 小时工作值得。完成 30 分钟能做的任务不值得使用成本较低的模型比如对于简单任务使用 Sonnet 而不是 Opus监控和警报设置每日 API 使用警报避免意外账单下面再来分享一下技术层面的安全实践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】