本文深入探讨了AI协作中的“循环工程”从提示词工程到Harness工程再到当前的Loop Engineering阐述了其核心概念及实践方法。通过定时任务、Worktree、Skill、连接器和子Agent等组件构建自动化、记忆化的工作流提升AI协作效率。文章强调Loop Engineering并非全新概念而是对传统工作流程的自动化升级适合编程、内容、客服、产品等多场景应用。同时也指出了Token成本等现实挑战引导读者思考AI协作的未来方向。要不说 AI 圈都是造词大师呢回看过去这一年都已经造出了多少个新词了。提示词工程火了火完之后 Harness 工程现在又轮到了循环工程。以前是把提示词写好最重要模型的能力体现在我们喂给它什么样的提示词。后面是 Harness 重要要想模型产出稳定的结果给它套一个马鞍让它在框架内运作很重要。再到现在Loop Engineering循环工程写提示词、写 Harness 都比不过写好一个循环。龙虾之父在 X 发文不要在 Coding Agent 类产品里面写提示词了我们应该设计一些循环来使用这些 Agent。Codex 负责人 Tibo 也很快转发了这则推文问网友是否已经开始写嵌套循环了。Codex 的对家Claude Code 产品负责人 Boris Cherny 也在接受播客采访时提到「不跟 Agent 对话跟 loop 对话让 loop 替我来 prompt」。Claude Code 的负责人 Boris Cherny和产品负责人 Cat Wu 在 Claude 官方回顾 Claude Code 第一年的节目上聊天过程中两人都表示很喜欢 loop认为 Loop 是下一个 Leap飞跃和 loop 对话所以 loop 到底是什么。仿佛还没有看到所谓的 Loop Engineering 到底给一个项目带来了什么改变。例如用控制变量法一个采用循环工程一个不使用两者最后的产出会有什么区别吗这些术语就莫名其妙地出现在了社交媒体上有人说不用管「loop 工程」是什么它本质就是一种炒作和营销的手段。一个正在使用 Agent 的用户自然而然就实现了所谓的 loop 工程而不是专门有一套流程符合那套标准需要被单拎出来才可以被叫做是 Loop Engineering。所以是新瓶装旧酒一套过去的思维方法论重新套上了新名词吗人从写提示词变成写循环如果只看技术实现Loop Engineering 其实没有发明什么全新的东西。Harness、Skill、Agent Workflow 这些系统过去几年都在尝试让 Agent 自己规划、执行、反思和继续执行。但今天大家重新开始讨论 Loop是因为模型终于开始能把循环跑下去了。当 Agent 能连续工作几十分钟、几个小时甚至跨天完成任务时人和 AI 协作的单位也开始从一次对话变成一个完整回路。什么是 Loop Engineering这个词听起来很新讲的事其实很日常你让 AI 写代码它写完后你跑测试测试报错你把错误贴回去它再改你再跑。来回几次直到代码能用。这就是一个最原始的 loop行动、观察、修正、再行动。区别在于过去每一轮都靠人手动推动。人要复制报错、追问原因、提醒它别改错文件、判断什么时候该停。Loop Engineering 做的事是把这些反复发生的动作写成规则交给系统去执行。一个完整的 loop至少要回答五个问题AI 什么时候开始干活它能调用哪些工具它怎么知道自己做错了它把每一轮结果记在哪里它什么时候必须停下来交给人所以 Loop Engineering 更接近一套工作制度给 AI 设任务、设工具、设反馈、设记忆、设刹车prompt 只是这套系统里最小的零件。放到代码项目里它可能是这样每天早上系统自动检查昨晚失败的代码提交。AI 读日志判断是测试波动、依赖问题还是最近提交引入的 bug。能复现的它在单独的 worktree 里尝试修复跑测试通过后开一个草稿 PR。原因不清楚的它把现场、尝试过的方法和下一步建议写进一个文件等人来接手。放在我们的工作流里它就是每天早上AI 自动扫指定的新闻源、社交平台和公司博客。它挑出 5 个可能成稿的选题补上来源、关键人物、争议点、可用截图和一句话判断。资料不足的地方它标出来。到我们面前时它已经整理成一张选题卡。龙虾之父也在 X 分享了自己的循环工程实践他让 Codex 维护自己的代码仓库每 5 分钟唤醒一次并将工作分配给不同的线程。他说通过运用统筹能力结合分类、自动审核和 Computer Use 技能已经能让一些工作自主完成。听起来也很像之前 Claude Code 主打的「做梦」机制以及 Hermes Agent 的自进化功能让 Agent 自己从过往上下文学习知识并完善所有的流程。这也就是 Loop Engineering 的核心变化Prompt Engineering 时代人负责写一句好提示词。 Harness Engineering 时代人开始给模型搭框架。 到 Loop Engineering人的工作进一步后退了一层。一个 loop 由什么组成一个能跑起来的 loop通常有几样东西。根据 Google Cloud AI 总监 Addy Osmani 在 X 发布的循环工程文章一套完整的循环工程同样是五个积木加一个用来记录的记事本。五个积木分别是定时任务、worktree、Skill、连接器、子 Agent以及一个记事本叫状态文件。定时任务在 Codex 里它叫 Automations在 OpenClaw 里面叫 HEARTBEAT在 Claude Cowork 里面是 Scheduled。通过配置定时任务我们可以选择对应的项目自定义一段提示词再设置对应的运行频率。这是自动化循环的第一步。在设置定时任务时也像使用 Codex 里面的 Goal 模式让 Agent 自动跑直到完成我们设定的目标。Worktree 存在的意义是给每个 Agent 一个独立的工作目录可以确保 Agent 在循环工程中只是修改各自的分支。有了 Skill循环每一圈都可以不用猜测我们的项目是什么。Skill 通过把项目知识写在文件里构建步骤、团队约定、「上次就是这么出事的所以不允许这么做了」让 Agent 有了更充分的记忆去处理任务。连接器的主要目的是靠 MCP 协议跳出这个单独的文件系统获取外界的给定数据库和其他系统信息来完善整个循环。子 agent 也是整个体系里最重要的结构写代码的和审代码必须是两拨人。换一个指令不同、甚至模型都不同的 agent 来挑刺才能审核出真正的问题。记忆也很重要。很多 AI 工作流每天都会重复但每天都从零开始。昨天已经确认过的事实今天还要再查一次上周已经否掉的标题风格这周又被生成出来某个来源经常不可靠但 AI 下次仍然引用它。除了用 Skill 的更新来规范 Agent 的行为循环还需要一个聊天框外的记忆位置。记事本一个状态文件它在单次对话之外可以是一个文档、表格、看板也可以是一份项目规则。里面记录已确认的信息、踩过的坑、偏好的格式、禁用的表达、上次没解决的问题。AI 每次启动时先读它就能接着往下走。上手 Loop EngineeringLoop Engineering 常被开发者讨论是因为代码有天然的反馈机制测试能不能过程序能不能跑错误日志在哪里。这让代码场景看起来特别适合 loop。但就像 Coding Agent 最后变成了所有人的 Agentloop 的适用范围也远不止编程。内容工作里它可以做选题筛选、资料整理、初稿生成、事实检查、标题优化和发布前检查。客服工作里它可以先读客户来信判断问题类型整理历史记录生成回复草稿并把敏感投诉留给人工处理。AI 不需要直接发出所有回复它先把问题分好、材料备好就已经省掉很多时间。产品和运营工作里它可以定期整理用户反馈、应用商店评论、社媒讨论和竞品更新。研究工作里它可以追踪一个主题下的新论文、新报告、新数据。每天或每周更新一次把新增内容和已有判断放在一起。这些场景共同点都是任务会反复出现流程相对稳定结果可以被检查关键判断还在人的手里。想要真正入门循环工程也不是一件容易的事情它有个前提token 管够。循环会反复读上下文、反复重试、四处探索不管最后有没有产出 Token 都在燃烧。拥有无限额度的人觉得循环是常识就像龙虾之父、Claude Code 负责人、Google Cloud AI 总监他们都有无上限的 Token。但月付 20 美元的我们循环跑了两天就达到了周限额。还有任务得每周都重复如果是一次性的活一句好提示词又快又便宜重复太少Agent 又无法从循环中学习到知识。而反复的循环又得有自动验证、测试、类型检查、构建需要确保 Agent 在没人盯着的时候可以把烂活拦下来。Agent 还得有高级工程师的素养日志、复现环境、能跑自己写的代码。随便缺这里哪一条循环的成本可能就会高过回报。而 token 成本其实把这个热词拉回了现实Loop Engineering 不会让 AI 协作变得无成本它只是把成本从「人一轮轮盯着」的时间成本转移到「系统一轮轮运行」Money 成本。新的问题在于随着模型越来越强这笔账正在发生变化。过去一个任务失败了人只能回来继续追问、补充上下文、重新解释需求。今天很多时候 AI 已经能自己尝试、自己验证、自己修正再把结果交回来。如果一次循环消耗的 Token已经接近一个人来回追问几轮的成本那么真正值得优化的可能就不再是某一句提示词而是整个反馈回路。所以 Loop Engineering 最值得讨论的地方未必是它算不算一个新学科。更现实的问题是当 AI 已经能连续处理多轮任务人还要不要继续把自己卡在每一次追问里。有些工作确实只需要一句好提示词。有些工作则需要一套能反复运行、能留下记录、能及时停手的流程。这个分界线在当下看来可能比「循环工程」这个名字本身重要得多。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取