文章阐述了AI编程工具的发展轨迹从自动补全到提示写代码再到并行Agent最终进入循环工程阶段。作者解释了循环系统的六个核心组件自动化触发、工作树、技能库、连接器、子智能体和记忆机制并举例说明了一个检查CI失败的循环如何运作。文章还指出了循环工程可能遇到的三个问题Token成本失控、虚假完成和代码库失控最后强调了循环设计对工程师技能提升的重要性。2026 年 6 月 7 日一个叫 Peter Steinberger 的人在网上发了一句话然后整个 AI 编程圈炸锅了。他说的是这个“你不应该再去提示编程 Agent 了。你应该去设计那个提示 Agent 的循环系统。”几天前Anthropic Claude Code 的创始人 Boris Cherny 在一场活动上刚好也说了同一个意思“我已经不再直接提示 Claude 了。我有循环在跑是循环在提示 Claude是循环在决定下一步做什么。我的工作是写循环。”这两句话加在一起在网上转了几百万次。但有意思的是转发的人大多数都看不太懂——循环到底是什么我花了一些时间认真研究了这件事写下这篇文章试图把这个概念从头说清楚。︱先说说你现在在做什么如果你用过 Claude Code、Codex、 Cursor 或者任何一个 AI 编程工具你大概有过这种体验你写一段提示词它给你代码你看了觉得差不多再写一段提示词让它继续它再给你一段你看看有没有问题再写……这个过程里你就是那个坐在循环里的人。你在手动驱动每一步你是系统的节拍器。这很正常。过去两年大家都是这么用 AI 的。但 Boris 说的那句话意味着他已经不这样做了。他把自己抽出来了放到了循环的外面。︱进化的三个台阶回头看这几年 AI 编程工具的发展其实是有轨迹的2023 年自动补全。 你敲代码AI 帮你补下一行你是主笔它是助手。2024 年提示写代码。 你描述需求它写出来你来审查。这个阶段诞生了提示工程这个说法大家开始研究怎么把提示词写得更好。2025 年并行 Agent。 你同时开 5 个、10 个 Claude 会话每个处理不同任务你在中间做协调像个项目经理。2026 年循环工程。 你不再是那个坐在里面提示的人你去写那个自动提示的系统。每一步你和 AI 之间的关系都在变。你离一线操作越来越远你的工作越来越像建系统而不是干活。有人可能觉得这有点夸张。但 Boris 有个数字放在那里他在 Claude Code 合并的 259 个 Pull Request 里100% 的代码是由 Claude Code 自己写的。这不是吹牛这是有 git 记录的事情。︱那么一个循环到底由什么组成拆开来看一个能跑起来的循环需要六样东西。自动化——循环的心跳循环必须能自己启动而不是等你来按开始键。这意味着你需要一个触发器每天早上九点或者每当有新的 Issue 被标记或者每次 CI 跑失败了系统自己醒来发现有活要干然后开始干。这个触发机制就是循环的心跳。没有它循环不是循环只是一次性的脚本。Claude Code 有 /loop 命令可以把一个任务变成 cron 定时任务。Codex 有专门的 Automations 标签页让你配置触发周期。两个工具用不同的名字实现了同一件事把发现工作、启动任务这件事从你手里接过去工作树——让 Agent 并行不打架一旦你同时跑多个 Agent马上就会遇到一个问题它们会互相覆盖文件。这不是理论上的风险这是真实发生的事情。两个 Agent 同时修改同一个文件就跟两个工程师不打招呼提交同一行代码一样最后谁的都不对。解决方案是给每个 Agent 一个独立的工作目录。Git 里有个叫 worktree 的功能可以从同一个仓库检出多个独立的工作副本互不干扰。Agent A 在自己的目录里改Agent B 在自己的目录里改改完了再合进主干。留下孤立的、没清理的工作树是实际生产中混乱的最主要来源这个细节值得重视。技能——让 Agent 不用每次从零学起每次启动一个新会话Agent 对你的项目一无所知。你的代码规范是什么构建命令是什么提交信息要遵循什么格式PR 模板长什么样如果这些东西不写下来Agent 每次都要重新猜或者你每次都要在提示词里重复解释一遍。Skills技能就是把这些项目知识结构化地存起来让 Agent 在需要的时候按名字调用而不是把一堵无人维护的说明文字堆在每次的提示词开头。Claude Code 里对应的是 CLAUDE.md 文件。Boris 自己说他们团队的 CLAUDE.md 大概有 2500 个 Token里面记录了常见错误、风格规范、设计决策每次有新东西学到就往里面加。这个文件本身也在进化。连接器——接入真实世界一个只能读写代码文件的 Agent能干的事情有限。真正有用的循环需要能跟你的工具链通信给 Jira 里的 Issue 改状态在 Slack 里发一条通知查数据库里的某个数据往 GitHub 开一个 PR。MCPModel Context Protocol就是做这件事的。它给 Agent 提供标准化的接口让它可以调用外部工具而不是只在文件系统里打转。这是循环能够真正融入工作流、而不只是跑在旁边的关键。子智能体——制作者与检查者必须分开这是循环设计里最容易被忽视、也最重要的一个原则。让 Agent 给自己的输出打分几乎是无效的。模型对自己的结果天然宽容它很难发现自己制造的 Bug就像人很难发现自己文章里的错别字一样——看太多遍了眼睛就瞎了。正确的做法是让一个独立的 Agent 来做检查理想情况下用不同的模型基于独立的信号打分。制作者负责生产检查者负责验收两个角色两套标准互不干扰。检查者发现的问题作为下一条指令反馈给制作者。这个循环一直转直到检查者也挑不出毛病为止。记忆——状态要在磁盘上不能在上下文里这是最容易被低估的一块也是让循环能跨天工作的根本。模型在两次会话之间什么都不记得。你昨天跑的那个循环做了什么处理了哪些 Issue还有哪些待处理它一概不知。所以这些状态必须存在对话之外。一个 Markdown 文件、一个 Linear Board、一个知识图谱都可以。循环每次启动先读这个文件每次结束把最新状态写回去。Agent 忘但文件不忘。这就是循环能在你睡觉的时候持续工作的原因。︱一个真实的循环是怎么跑的说了六个组件把它们串在一起看一遍。比如你想做一个每天检查 CI 失败的循环每天早上九点自动化触发。循环读取 TODO.md知道昨天哪些问题还没处理。制作者 Agent 拉取昨天的 CI 失败日志在独立的工作树里草拟修复方案。修完了检查者 Agent 独立跑一遍测试验证修复有没有引入新问题。如果没问题连接器帮你开一个 PR顺手更新 Jira 里对应的 Issue 状态。把已处理的内容写回 TODO.md。明天同一时间从这里继续。整个过程你不需要在场。你甚至不需要醒着。︱但这件事有三个坑得说清楚循环工程不是没有代价的有三个地方容易出问题。第一Token 成本失控。一个没有退出条件的循环会不断空转。子 Agent 加上检查者加上长时间任务叠加Token 消耗会以你想象不到的速度增长。解决方法是在循环启动之前就把退出条件写进去比如所有测试通过且 lint 无报错循环结束。这个条件必须在开始前决定不能在运行中临时改。先用慢的触发周期测几天看清楚成本曲线再考虑加速。第二虚假完成。无人值守的循环会在没有真正验证的情况下报告已完成。这就是为什么独立检查者是必须的而不是可选的。一个检查者本质上是在问结果是真的好还是只是长得像好第三代码库悄悄失控。这是最隐蔽的风险。循环合并代码的速度比你阅读的速度快得多。几周下来即使所有检查都显示绿灯你对自己的代码库里到底有什么可能已经失去了感知。测试全绿只能说明代码通过了测试不代表你清楚上线了什么。让循环保持诚实的方式不是相信检查通过而是阅读它合并的内容。这件事不能完全委托出去。︱这对我们意味着什么说完技术聊聊人。这一波讨论里有一句话我觉得说得很准未来最高杠杆的工程师不是写最多代码的人而是最擅长设计可靠 Agent 系统的人。这不是说写代码不重要而是说技能的重心在移动。就像当年从手写 SQL 到用 ORM从手写 HTML 到用框架每次抽象层级提升最有价值的技能也随之迁移。现在发生的事情是把提示 Agent这件事本身也抽象掉了。如果你现在还在研究怎么把提示词写得更好这没有错提示词永远不会消失一个烂提示词放进循环里只会更快地产出烂结果。但如果你只停在这一步你可能已经不在最高杠杆的位置了。还有一层身份变化值得注意循环设计需要工程判断力需要你理解系统的每个环节在做什么需要你在某些地方主动选择不放手。这不是让人变得可有可无而是让人的判断力变得更值钱。最后留一个问题 你现在的工作里有哪些重复的、可以写成退出条件的任务那可能就是你第一个循环的起点。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】