提示词工程、上下文工程之后，循环工程到底是什么？

别再给 Agent 写提示词了三位大佬同时押注「循环工程」Claude Code 之父 Boris Cherny 称自己已不再直接 prompt Claude「写循环才是我的工作」。OpenClaw 作者、谷歌 Chrome 团队工程负责人相继发声吴恩达也分享了自己的三个关键循环。继提示词工程、上下文工程之后「循环工程」为何突然爆火当 AI 可以自己写代码、自己测试、自己修 bug人类工程师该干什么最近AI 编程圈的几位重量级人物几乎同时给出了同一个答案去设计循环。继提示词工程Prompt Engineering、上下文工程Context Engineering之后「循环工程」Loop Engineering正在成为 AI 时代的下一门必修课……还记得当年人手一份的「提示词秘籍」吗短短两三年用 AI 写代码的姿势已经换了三轮先是卷提示词后来卷上下文而现在最前沿的那批人连 prompt 都不写了。事情要从 2026 年 6 月初说起。几天之内AI 编程圈的三个声音从不同方向汇聚到了同一个想法上而最终留下来的那个词叫Loop Engineering循环工程。先是 OpenClaw 的作者 Peter Steinberger 发帖表示大家不该再给编程智能体写提示词了而应该去设计那些「会给智能体写提示词」的循环。紧接着Claude Code 之父、Anthropic 的 Boris Cherny 从「厂商内部视角」补了一刀。他说自己已经不再直接 prompt Claude 了——他有一堆循环在跑这些循环会自己 prompt Claude、自己决定接下来做什么。用他的话说写循环现在就是我的工作。随后谷歌 Chrome 团队的工程负责人 Addy Osmani 给这门实践正式起了名字还给出了完整的「解剖结构」自动化、Worktree、技能、连接器、子智能体外加外部状态。相关帖子迅速在社交媒体上刷屏「Loop Engineering」就此出圈——连吴恩达都专门写了一封来信来聊这件事下文详述。那么循环工程到底是什么一句话定义循环工程是一门新兴学科研究如何设计 AI 智能体的工作流——让它从一个触发器出发围绕一个可验证的目标调用工具与记忆评估进展并持续迭代直到满足停止条件。值得注意的是循环工程在原理上并不是编程专属的概念。它的内核是一种看待任何「重复性、目标导向流程」的方式一个系统能自己找活、自己干活、自己验活、自己记账、自己决定下一步而不需要人类每一轮都手动点火。运营、研究筛选、客服、内容流水线乃至个人工作流处处都有它的用武之地。只不过眼下真正把这套东西构建出来、命名、并配齐可用「原语」的领域是 AI 编程。所以我们也从这里说起。从「问什么」到「系统怎么自己转」回顾大模型落地这几年其实是三代「工程」的接力提示词工程回答的问题是「我该问什么」——优化的是一条指令上下文工程回答的问题是「模型该知道什么」——优化的是喂给模型的信息循环工程回答的问题则是「工作该如何自主推进」——优化的是整个系统它决定何时 prompt、prompt 什么以及结果是否真的好到可以停下来。换句话说你最终要构建的是一个小型执行系统。它会找到工作发现 / 分诊执行工作由 Agent 完成任务检查结果由一个独立的校验者来评判记住发生了什么状态持久化在对话之外决定下一步然后重复。拆开一个循环六块「积木」按照 Addy Osmani 的拆解一个像样的循环需要五大构件外加把一切串起来的第六要素——记忆。1. 自动化Automations按计划自动触发独立完成任务的发现与分诊而不是等人来启动。这是把「单次 Agent 运行」变成「真正的循环」的关键一步。2. Worktree并行隔离让多个 Agent 并行开工而互不踩踏文件就像两位工程师在不同分支上开发不会在同一行代码上相撞。3. 技能Skills把项目知识固化下来不用每个会话都从头解释一遍。目前两大主流工具采用了同一种格式——一个装着 SKILL.md 的文件夹。没有它循环每一轮都要从零推导整个项目有了它「理解」就变成了复利。4. 插件与连接器Connectors基于 MCP 构建让 Agent 能读 issue、查数据库、调 staging API、往 Slack 发消息。这是「甩给你一段修复代码」的 Agent和「直接开好 PR、关联工单、等 CI 变绿再来叫你」的循环之间的差距。5. 子智能体Sub-agents循环中最有用的结构性设计是把「干活的」和「检查的」分开——写代码的模型没有立场客观地给自己的作业打分。让第二个 Agent有时干脆换一个模型来查往往能揪出第一个 Agent「说服自己没问题」的地方。6. 状态State在 Agent 遗忘之后依然存活的记忆。它可以是一个 markdown 文件、一块项目看板或任何活在单次对话之外的存储记录着「什么做完了、接下来干什么」——模型在两次运行之间会忘掉一切但仓库不会。吴恩达亲自下场我的三个循环这股风潮之下吴恩达也在最新来信中给出了自己的答案。他表示在 Boris Cherny 和 Peter Steinberger 的相关言论爆火之后「循环工程」已经成了热门词汇如今循环是让 AI 智能体长时间迭代、构建软件的关键。他分享了自己打造 0 到 1 产品时的三个关键循环——按他的说法这些循环不仅指导他怎么构建软件也指导他决定构建什么软件。循环一智能体编程循环分钟级给定产品规格再可选地配上一组评估集evalsAI 智能体就能写代码、自测、持续迭代直到代码无 bug 且符合规格。这种「闭环」思路从去年底开始起飞彻底改变了编程智能体在无人干预下长时间高效工作的能力。吴恩达举了个自家例子上个周末他给女儿做了一个练打字的 App他的编程智能体轻松独立工作了大约一个小时期间多次自己打开浏览器检查构建成果全程没有找他。这个循环转得飞快——每隔几分钟智能体就可能构建并测试一个新版本。吴恩达还提到不断有开发者向他分享打造更高效工程循环的新方法「这是一个非常活跃的创新领域」。循环二开发者反馈循环几十分钟到几小时在这个循环里开发者审视当前产品引导编程智能体去改进它。去年很多开发者包括吴恩达本人都在给自己的编程智能体当 QA——人肉找 bug再让 Agent 修。但随着智能体自测能力大增这部分时间投入已显著减少开发者得以腾出手来做更高层的产品决策提供哪些关键功能、UI 哪里要改等等。在打字 App 这个例子里吴恩达改了几次主意的地方分别是视觉设计、女儿学习后能解锁哪些猫咪装扮她超爱猫以及家长登录、引导孩子学习体验的流程。这一段里还有个很有意思的观点。很多人把人类在这一环的贡献称为「品味」taste但吴恩达更愿意称之为**「上下文优势」context advantage**——我们远比 AI 更了解用户以及产品所要运行的环境。他认为这个说法给出了一条更清晰的路径去帮助 AI 系统变强同时也解释了为什么这一步无法被自动化只要人类还知道一些 AI 不知道的事human-in-the-loop 就是刚需——总得有人把这些知识注入系统。循环三外部反馈循环数小时到数周这一环包含一系列打法找几个朋友试用、向 Alpha 测试者发布、带着 A/B 测试直接上生产环境……这些手段通常很慢很少能在几小时内完成有时要几天甚至几周。而这些数据会反哺开发者的产品愿景愿景继续驱动详细的产品规格规格再驱动编程智能体——外环套内环整个系统就这样转了起来。吴恩达最后还观察到一个趋势随着编程智能体大幅提速越来越多工程师开始兼任「半个产品经理」。对这些正在转型的工程师而言最难的是塑造产品愿景并在「动手构建」与「获取用户反馈以进化愿景」之间找到平衡——两头都不能偏废。他对此持乐观态度正如产品经理和设计师如今也在做更多工程活儿一样工程师的角色边界正在扩张。值得一提的是Boris Cherny 此前还提出过 AI 时代团队的五类新角色——原型师、构建者、清理师、增长师、维护者参见我们此前的报道。两套观察正好对上了人负责定义方向、把关质量循环负责执行与迭代。落地长什么样让一个 Issue 自己「闭环」理念讲完来看一个具体示例。技术博主 Valentina Alto 最近用 GitHub Copilot GitHub Actions 搭了一个完整的循环展示了当一个新需求Issue出现时循环是如何把它「接住并转完」的。假设一家航空公司想给官网加一个对话式行程规划助手——乘客一句「五月中旬去罗马两个成人经济舱600 欧以内」系统就返回几个带理由的行程方案。当这个需求以 Issue 的形式提出后循环是这样运转的触发定时调度的 workflow 自动检测分配过来的新 issue启动循环意图规范化自定义指令 技能 issue 模板保证进来的输入天生就是结构化的人工闸门后的规划Plan 模式先产出计划人类批准之前一行代码都不写有边界的自主构建自动驾驶模式可连续执行多步但设有连续执行上限防止「失控循环」相互独立的子任务还能拆给并行的子智能体持续校验CI 门禁lint / 单测 / 集成 / 契约测试层层把关技能里还写明了「每做完一片就地跑检查」自动恢复CI 挂了、PR 被评论了编程智能体把这些当作新输入自动推送后续提交记忆持久化不需要单独的数据库——issue 和 PR 线程本身就是循环的记忆完成条件强制执行验收清单没勾完CI 就不放行分支保护让「CI 全绿」成为合并的硬前提。不难发现这条流水线上的每一个环节都能对应到前文的某块「积木」。亲测我用一个循环在 WorldQuant BRAIN 上挖因子循环工程不只能写代码。笔者最近做了个实验把量化平台 WorldQuant BRAIN 上「挖 Alpha 因子」这件事整个交给一个循环去转——每小时自动醒来一次自己找方向、自己跑模拟、自己校验、自己记笔记为期七天。对照前文的五步执行环它是这样转的发现工作Find work定时任务每小时触发一次。循环先读取账户里已提交的因子池和上一轮留下的笔记自己回答「这一小时该挖哪个方向」——比如「专攻池子里还没用过的算子」执行任务Act通过 API 连上 BRAIN 平台批量构造候选表达式如用ts_quantile替换已验证的ts_av_diff构造一小时内真跑了 20 个模拟、5 个批次校验结果Verify校验是双重的。第一重是平台硬指标——夏普、Fitness、换手率第二重是自相关检查一个候选因子解压后夏普高达 1.71却因为与池内已有因子相关性 0.77、超过 0.7 的红线而被自动拦下。干活的和把关的不是同一段逻辑——这正是「Maker ≠ Checker」记录状态Persist每轮结束循环把结论写进一个 markdown 笔记哪些方向已验证、哪些是死胡同连同具体数字下一轮直接读取。模型会忘但笔记不会决定下一步Decide基于笔记调整策略而不是盲目重试。最有意思的是第五步。第一轮它撞了三堵墙却各留下了一条可执行的教训换个新算子并不能带来去相关——去相关靠的是换数据字段不是换算子而价值类字段这条轴已经被挖饱和了再换字段也只是从 1.7 掉到 1.1。于是第二轮醒来时它没有在老地方继续刨土而是主动拉取了平台全部 14 个数据集清单锁定了一个因子池几乎没碰过的分析师预期数据集——1300 多个字段里只用过 2 个且数据更新慢、天然低换手恰好对上平台的 Fitness 考核。一个纯手工的因子研究员这套「试错—复盘—换赛道」通常以天或周为单位而这个循环以小时为单位在推进且每一条死胡同都被明确记录、不再重复踩坑。七天后任务自动过期——这就是预先设好的停止条件。这个例子也把前文那句话具象化了循环工程师的产出不是某一个因子而是这个会自己越挖越聪明的系统本身。写在最后从提示词工程到上下文工程再到循环工程真正变化的是人类在系统中的位置从每一轮都要亲自下场的「操作员」变成设计系统、然后看着系统自己转的「架构师」。当然循环工程仍是一门相当年轻的学科。但它的影响可能不止于生产力——它正在引入一种在人类与 AI 系统之间组织工作的新方式。假以时日这也许会沉淀为一种更普适的心智模型不只用来写代码而是用来设计人类与自主智能体之间的一切协作。那么问题来了你开始给你的 Agent 写循环了吗欢迎在评论区聊聊你的实践与看法参考内容Andrew NgMy 3 Key Loops for Building 0-to-1 ProductsAddy OsmaniLoop Engineeringaddyosmani.com/blog/loop-engineering