写在前面欢迎大家关注Rocky的公众号WeThinkIn欢迎大家关注Rocky的知乎Rocky DingAIGC/LLM/AI Agent算法工程师/开发工程师面试面经秘籍分享WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家StarAIGC时代的《三年面试五年模拟》AI算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】AI算法工程师面试秘籍Rocky最新撰写AI AgentAI智能体的深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC算法岗/开发岗面试面经交流社群涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能等AIGC面试干货资源欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。核心导读2026 年 6 月 30 日Claude 官方发布了《Getting started with loops》。这篇文章表面上是在讲 Claude Code 的使用方法但 Rocky 认为它真正揭示的是 AI Coding 进入下一阶段的工作方式变化Prompt 不再是核心生产单位Loop 才是。所谓 Loop不是简单让模型多跑几次也不是把一句提示词复制进自动化脚本。它的本质是让 Agent 在一个可观测、可验证、可停止的循环里持续推进任务直到满足某个质量标准、时间窗口或事件条件。这件事真正值得讨论的并不是 Claude 又多了一个技巧而是开发者与 AI 工具的关系正在变化。过去我们把 AI 当成“更聪明的问答框”人提问模型回答人再追问。现在更高阶的用法正在把 AI 当成“可运行的工作流节点”人定义目标、边界、验证器和停止条件Agent 自己在文件、命令、测试、代码修改和上下文管理之间循环。Rocky认为AI Coding 的上半场比的是谁会写 Prompt下半场比的是谁能设计 Loop。Prompt 解决的是“模型知道你要什么”。Loop 解决的是“模型如何持续接近你要的结果并且知道什么时候该停”。这两者看起来只差一步实际差的是从聊天产品到生产系统的距离。一、为什么 Prompt 到 Loop 是 AI Coding 的一次范式变化早期 AI Coding 的典型交互很简单开发者把需求、报错或代码片段贴给模型模型给出解释、补丁或建议。这个阶段最重要的能力是表达清楚问题也就是大家常说的 Prompt Engineering。但真实软件工程不是一次问答。一个 bug 修复通常需要读代码、定位调用链、修改实现、运行测试、看报错、继续修改、补测试、检查边界条件最后再做一次回归。一个功能开发更复杂它要理解需求、拆任务、读现有架构、动多处文件、跑本地验证、处理 lint、更新文档、避免破坏旧行为。如果每一步都由人手动追问AI 只是一个强大的辅助工具。只有当这些步骤被组织成循环Agent 才开始接近真正的执行系统。Claude Code Agent SDK 的官方文档也把这个方向讲得很清楚它把 Claude Code 作为库来构建生产级 AI Agent提供读取文件、运行命令、搜索、编辑代码等能力并复用 Claude Code 的 agent loop 与上下文管理。换句话说Agent 不只是会说它还要能在工具环境里做事。这就是 Loop 的意义。Loop 把一次性回答变成了一组持续动作读取当前状态。决定下一步动作。调用工具执行。接收反馈信号。根据反馈修正策略。判断是否达到停止条件。这个循环越清晰AI Agent 越像一个可交付系统这个循环越模糊AI Agent 越像一个会聊天但不稳定的助手。二、Claude 官方提出的四类 Loop本质上是四种控制权分配方式Claude 官方文章把 Loop 从低到高分成四种turn-based、goal-based、time-based 和 proactive。表面看这是四种用法底层看其实是四种控制权分配方式。Loop 类型人类控制什么Agent 控制什么适合场景Turn-based loop每一轮下一步动作单轮任务执行结对编程、快速问答、局部修改Goal-based loop目标、边界、停止条件拆解路径、连续执行、验证修正修 bug、写功能、重构、补测试Time-based loop时间频率、周期任务定期检查、汇总、巡检日报、回归、依赖扫描、质量巡检Proactive loop触发事件、响应策略事件到来后的自动处理PR 审查、告警响应、线上问题初筛Turn-based loop 是最接近传统聊天的方式。人类仍然掌握节奏每一轮都决定下一步。它的好处是安全、可控、适合探索缺点是效率上限明显因为 Agent 每走一步都要等人。Goal-based loop 开始把一部分控制权交给 Agent。人类不再规定每一步而是规定目标、边界、验证标准和停止条件。比如“修复 auth.py 里的登录 bug必须通过现有测试不要改公共 API”。这时 Agent 可以自己读文件、改代码、跑测试、继续修直到达到目标。Time-based loop 进一步把任务放进时间结构里。它不是解决一个即时问题而是周期性运行每天检查依赖风险、每小时扫描失败测试、每周总结代码质量变化。这类 loop 的关键不在“聪明”而在可持续、低噪声、稳定输出。Proactive loop 则把触发条件从人类输入改成外部事件。新 PR 到来、CI 失败、线上告警、指标异常都可以触发 Agent 主动介入。这是最接近生产系统的形态也是风险最高的形态因为 Agent 可能在没有人类即时监督的情况下做出修改或建议。Rocky认为这四类 Loop 的升级路径本质上是 AI Agent 从“被动回答”走向“主动执行”的路径。越往后人类越少参与中间步骤越需要把验证器、权限、回滚、日志和停止条件设计清楚。三、Loop 的关键不是自动化而是验证器很多人一听 Loop就会想到“让模型自动跑”。但自动跑并不等于可靠。一个没有验证器的 Loop只是把错误重复得更快。Anthropic 在“parallel Claudes 构建 C 编译器”的工程文章里给了一个非常好的例子。那次实验里多个 Claude 实例并行工作在同一个代码库上目标是用 Rust 从零构建一个能编译 Linux 内核的 C 编译器。实验规模很夸张近 2000 个 Claude Code session、约 2 万美元 API 成本、最终产出约 10 万行编译器代码并能构建 Linux 6.9 的 x86、ARM、RISC-V 版本。但这篇文章真正有价值的不是这些数字而是作者反复强调的一点让 Agent 长时间运行关键不是“把 Claude 放进 while true”而是为它设计测试、环境和反馈让它知道自己是否真的在前进。这句话听起来很朴素但它是 Agent 工程的核心。如果验证器不好Agent 会优化错误目标。它会通过测试但不代表解决了真实问题它会生成大量代码但不代表架构更好它会看起来很忙但不代表项目在向正确方向推进。所以一个真正可用的 Loop至少要包含五个部件部件作用如果缺失会发生什么目标定义说明要解决什么问题Agent 容易陷入无意义探索上下文入口告诉 Agent 从哪里理解系统Agent 花大量 token 重新找路工具边界限定能读、能改、能执行什么风险扩大可能破坏无关内容验证信号判断结果是否变好Agent 可能优化错误目标停止条件决定什么时候结束Agent 可能过度修改或长期空转Rocky认为未来 AI Coding 的核心竞争力不会只是“谁的模型更会写代码”而是“谁能把模型放进一个高质量验证闭环”。模型能力决定上限验证器决定下限。商业交付最怕的不是上限不够高而是下限不可控。四、为什么长任务必须从“一次交付”变成“状态推进”Claude loop 机制还有一个容易被忽视的价值它把长任务从“一次交付”改成“状态推进”。传统 Prompt 思维里我们很容易期待模型一次给出完整答案。比如“帮我重构这个模块”“帮我实现一个权限系统”“帮我分析这个仓库”。但复杂任务的正确做法通常不是一次回答而是持续推进状态当前系统是什么样。哪些部分已经完成。哪些失败路径已经试过。哪些测试仍然失败。下一步最值得做什么。哪些风险需要人类确认。Anthropic 的 C 编译器实验也提到一个很关键的点每个 Agent 被放进新的容器时没有上下文需要重新定位自己。因此作者让 Agent 维护 README、进度文件和当前状态记录帮助后续循环快速接上。这对普通开发者同样重要。很多人使用 AI Coding 工具时问题不在模型不聪明而在项目状态没有被外化。所有东西都藏在聊天记录里Agent 每次都要重新理解人类也很难判断它到底推进到了哪里。真正成熟的 Loop 应该把状态写进系统而不是只写进对话。例如一个代码修复 Loop 可以要求 Agent 每轮更新当前任务假设。已修改文件。已运行测试。失败原因。下一轮计划。是否需要人类确认。这看起来像工程琐事但它决定了 Agent 能不能从“会做事”变成“可协作”。当状态被外化之后Loop 才能跨轮次、跨 Agent、跨时间窗口持续运行。五、Agent Loop 会重构开发者能力结构如果 AI Coding 只是 Prompt那么开发者的核心能力是把需求说清楚、把上下文喂完整、把答案改正确。如果 AI Coding 进入 Loop开发者的能力结构会发生变化。第一开发者要会定义目标而不只是描述任务。目标要包含成功标准、失败边界、不可修改范围和验收方式。模糊目标会导致 Agent 高速跑偏。第二开发者要会设计验证器。测试、lint、静态检查、快照对比、性能基准、人工审核清单都会成为 Agent 工作流的一部分。未来会写测试的人不只是为了人类写测试也是为了 Agent 写导航系统。第三开发者要会拆并行任务。一个 Agent 一次只能做一件事多个 Agent 并行时最怕互相覆盖、重复解决同一个问题。如何把任务拆成独立失败点、如何用 lock 或分支隔离、如何合并成果会变得越来越重要。第四开发者要会做权限和回滚设计。Proactive loop 越强风险越大。哪些目录可以改哪些命令可以跑哪些操作必须审批哪些结果可以自动提交哪些结果只能给建议这些都不是附属问题而是生产系统设计问题。第五开发者要有跨周期判断。工具会变化Claude Code、Codex、Cursor、Devin、各种 Agent SDK 都会迭代。但“目标定义、上下文管理、工具边界、验证器、停止条件、状态外化”这些能力不会过时。这也是 Rocky 经常说的认知护城河。工具红利会退潮认知红利会沉淀。会用某个按钮是短期能力会设计一个可靠 Loop 是长期能力。六、从产品和商业角度看Loop 才是 AI Agent 的交付单位AI Agent 项目最容易犯的错误是把 demo 当成产品。一个 demo 可以展示模型能读文件、能写代码、能调用工具、能给出计划。但产品要回答另一个问题它能不能在真实环境里反复做对它能不能知道自己错了它能不能在权限边界内行动它能不能留下可审计记录它能不能在失败时安全停止这些问题都不是单轮 Prompt 能解决的它们属于 Loop 设计。从商业闭环看客户真正愿意付费的不是“模型回答很好”而是“这个流程替我稳定节省了时间降低了成本并且风险可控”。这意味着 AI Agent 的定价、交付、运维和验收最终都会围绕 Loop 展开。比如企业代码审查 Agent真正卖的不是“会看 PR”而是一套持续运行的审查循环新 PR 触发、读取 diff、结合项目规范、识别风险、给出建议、标记置信度、必要时请求人工确认。再比如线上故障排查 Agent真正卖的不是“会解释日志”而是一套事件响应循环告警触发、收集指标、关联变更、生成假设、执行安全只读诊断、输出处理建议、升级给值班工程师。这就是为什么 Rocky认为Loop 才是 AI Agent 的交付单位。模型是能力底座工具是执行接口Loop 是把能力和接口组织成业务价值的容器。七、普通开发者应该如何开始设计自己的 Loop不需要一上来就做复杂的 proactive agent。对大多数开发者来说可以从最小 Loop 开始。第一个阶段先把 turn-based loop 做扎实。每次让 Agent 执行一个清晰的小任务要求它说明修改文件、运行测试和残余风险。这个阶段的重点是培养“结果必须验证”的习惯。第二个阶段进入 goal-based loop。给 Agent 一个完整目标但同时给出边界和停止条件。例如修复用户登录失败的问题。只允许修改auth和session相关模块必须通过现有单测如果需要改数据库 schema先停止并说明原因。这种任务比单轮 Prompt 更接近真实工程因为它允许 Agent 自己拆步骤但仍然受边界约束。第三个阶段做 time-based loop。比如每天让 Agent 扫描一次失败测试、依赖升级风险、近期 TODO 或代码复杂度变化输出简短报告。这个阶段的关键是控制噪声报告要短信号要强最好能指向具体文件和具体建议。第四个阶段再尝试 proactive loop。比如新 PR 创建后自动做一次风险初筛但不要直接自动合并。先让 Agent 只读分析、给出建议、标注置信度逐步建立可信度之后再开放更高权限。这条路径的本质是先让 Agent 可验证再让 Agent 可持续最后才让 Agent 更主动。八、边界Loop 不是无人驾驶至少现在不是Loop 很强但它不是魔法。Anthropic 的 C 编译器实验已经展示了 Agent teams 的潜力也展示了边界。即使在巨大投入下最终编译器仍然有局限不能完全替代真实编译器生成代码效率不如 GCC某些关键能力仍然需要绕开或借助外部工具。作者也明确提醒自动化系统很容易让人看到测试通过就误以为工作完成而这在真实软件里很危险。这点非常重要。Loop 放大了 Agent 能力也会放大错误。如果验证器不足、权限过大、日志不清晰、回滚机制缺失Agent 可能快速制造大量看似合理但难以维护的代码。所以 Rocky 对 Loop 的判断不是盲目乐观而是结构性乐观Loop 会成为 AI Agent 的核心工程范式但安全、验证、审计和人类责任不会消失只会变得更重要。未来成熟的 AI Coding 工作流不会是“人完全不管Agent 自动写完所有代码”。更可能是人类定义目标和边界Agent 负责在局部空间里高速试错验证器提供客观反馈人类在关键节点做判断。这是一种新的协作关系。人类不再只是敲代码也不再只是写 Prompt而是设计任务系统、质量系统和反馈系统。九、给 AI 算法工程师、开发者和创业者的启发对 AI 算法工程师来说Loop 意味着 Agent 研究不能只看模型能力。工具调用、上下文压缩、记忆管理、状态机、评估器、权限控制、异常恢复都会成为核心问题。模型越强这些系统问题越重要。对开发者来说Loop 意味着职业能力会从“会写代码”扩展到“会组织 AI 写代码”。未来优秀开发者不是被 Agent 替代的人而是能把 Agent 放进高质量工程闭环的人。对产品经理来说Loop 意味着 AI 产品设计不能只写功能列表而要设计触发条件、用户确认点、失败路径、回滚机制和输出形态。一个 Agent 产品好不好不看它 demo 多酷而看它在第十次、第百次运行时是否仍然可靠。对创业者和投资人来说Loop 意味着 Agent 创业不能只靠模型包装。真正有价值的公司会沉淀场景知识、工作流数据、验证体系、行业接口和交付能力。单点工具会被平台吸收但高质量 Loop 可能成为垂直场景的生产基础设施。结语Prompt 是入口Loop 才是生产关系Claude 官方这次关于 loops 的讨论真正给 Rocky 的启发是AI Coding 正在从“会问模型”进入“会组织模型工作”的阶段。Prompt 仍然重要但它越来越像入口。真正决定交付质量的是 Prompt 之后的那套循环上下文如何进入工具如何执行反馈如何返回验证如何判断状态如何保存权限如何控制失败如何停止。AI 不会奖励一个人背了多少提示词模板它会奖励一个人能不能把不稳定的模型能力组织成稳定的生产流程。这就是 Loop 的本质。它不是一个新名词而是 AI Agent 从聊天助手走向生产系统时必须补上的工程骨架。工具会迭代模型会换代工作流会被重构。真正能跨周期留下来的是开发者对目标、系统、验证和风险的判断能力。Prompt 负责开始Loop 负责完成。推荐阅读Rocky一直在运营技术交流群WeThinkIn-技术交流群这个群的初心主要聚焦于技术话题的讨论与学习包括但不限于算法开发竞赛科研以及工作求职等。群里有很多人工智能行业的大牛欢迎大家入群一起学习交流请添加小助手微信Jarvis8866拉你进群1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识和Rocky一起学习探究扩散模型的本质原理与和核心基础知识同时不断跟进扩散模型的最新发展。Rocky在本文中对扩散模型的本质做了全面系统的梳理与讲解深入浅出完整解析扩散模型DDPM、DDIM、SDE、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 深入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识https://zhuanlan.zhihu.com/p/19751746910491895624. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识深入浅出完整解析DeepSeek系列核心基础知识6、Sora等AI视频大模型的核心原理核心基础知识网络结构经典应用场景从0到1搭建使用AI视频大模型从0到1训练自己的AI视频大模型AI视频大模型性能测评AI视频领域未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Sora等AI视频大模型文章地址深入浅出完整解析Sora、Wan2.1、AnimateDiff、CogVideoX等AI视频大模型核心基础知识7、Stable Diffusion 3和FLUX.1核心原理核心基础知识网络结构从0到1搭建使用Stable Diffusion 3和FLUX.1进行AI绘画从0到1上手使用Stable Diffusion 3和FLUX.1训练自己的AI绘画模型Stable Diffusion 3和FLUX.1性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion 3和FLUX.1文章地址深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识8、Stable Diffusion XL核心基础知识网络结构从0到1搭建使用Stable Diffusion XL进行AI绘画从0到1上手使用Stable Diffusion XL训练自己的AI绘画模型AI绘画领域的未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion XL文章地址深入浅出完整解析Stable Diffusion XLSDXL核心基础知识9、Stable Diffusion 1.x-2.x核心原理核心基础知识网络结构经典应用场景从0到1搭建使用Stable Diffusion进行AI绘画从0到1上手使用Stable Diffusion训练自己的AI绘画模型Stable Diffusion性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion文章地址深入浅出完整解析Stable DiffusionSD核心基础知识10、ControlNet核心基础知识核心网络结构从0到1使用ControlNet进行AI绘画从0到1训练自己的ControlNet模型从0到1上手构建ControlNet商业变现应用等全维度解析文章正式发布码字不易欢迎大家多多点赞ControlNet文章地址深入浅出完整解析ControlNet核心基础知识11、LoRA系列模型核心原理核心基础知识从0到1使用LoRA模型进行AI绘画从0到1上手训练自己的LoRA模型LoRA变体模型介绍优质LoRA推荐等全维度解析文章正式发布码字不易欢迎大家多多点赞LoRA文章地址深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识12、深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析Transformer文章地址深入浅出完整解析AIGC时代Transformer核心基础知识13、最全面的AIGC面经《手把手教你成为AIGC算法工程师斩获AIGC算法offer2024年版》文章正式发布码字不易欢迎大家多多点赞AIGC面经文章地址手把手教你成为AIGC算法工程师斩获AIGC算法offer14、50万字大汇总《“三年面试五年模拟”之算法工程师的求职面试“独孤九剑”秘籍》文章正式发布码字不易欢迎大家多多点赞算法工程师三年面试五年模拟文章地址https://zhuanlan.zhihu.com/p/545374303《三年面试五年模拟》github项目地址希望大家能多多starhttps://github.com/WeThinkIn/Interview-for-Algorithm-Engineer15、Stable Diffusion WebUI、ComfyUI、Fooocus三大主流AI绘画框架核心知识从0到1搭建AI绘画框架从0到1使用AI绘画框架的保姆级教程深入浅出介绍AI绘画框架的各模块功能深入浅出介绍AI绘画框架的高阶用法等全维度解析文章正式发布码字不易欢迎大家多多点赞AI绘画框架文章地址深入浅出完整解析主流AI绘画框架ComfyUI、Stable Diffusion WebUI、Fooocus核心基础知识16、GAN网络核心基础知识网络架构GAN经典变体模型经典应用场景GAN在AIGC时代的商业应用等全维度解析文章正式发布码字不易欢迎大家多多点赞GAN网络文章地址https://zhuanlan.zhihu.com/p/66315730617. AI算法工程师的《三年面试五年模拟》求职秘籍AIGC时代的算法工程师的求职面试秘籍持续更新中18. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版