过去两年我们谈 AI 编程最常说的词是 Prompt Engineering。怎么把需求讲清楚怎么给足上下文怎么让 AI 一次生成更接近可用的代码这些问题当然重要。但当 AI 编程智能体越来越强真正的控制点正在发生变化。以前我们像是在一轮一轮地「指挥」AI你写一句提示词它回一段代码你指出问题它再改一版。整个过程里人始终站在每一轮交互的入口处。现在一个新的思路开始出现与其每次都手动提示智能体不如设计一个系统让这个系统去发现任务、分配任务、检查结果、记录状态并决定下一步。AI 编程的关键能力正在从「写好提示词」升级为「设计可持续运转的智能体工作系统」。这个工程化新范式就是最近被频繁讨论的Loop Engineering。为什么 Prompt Engineering 不够用了Peter Steinberger 最近说过一句话You shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.大意是你不应该再只是提示编程智能体了你应该设计能够提示智能体的循环。Claude Code 负责人 Boris Cherny 也表达过类似观点I don’t prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops.这两句话背后其实指向同一个趋势AI 编程协作的重心正在从「人反复输入 Prompt」转向「人设计一个持续运行的工作循环」。为什么会有这个变化因为真实的软件开发从来都不只是一次问答。它包含需求澄清、方案设计、代码修改、测试验证、错误修复、文档更新、代码审查、发布跟进。每一步都可能失败每一步都需要反馈。如果我们仍然把 AI 当成一个「每次等我发指令」的工具那么人的注意力会被卡在每一个细节节点上。AI 越强人反而越容易陷入一种新的微操不断复制上下文、不断解释项目规则、不断追问下一步。Loop Engineering 想解决的正是这个问题。Prompt Engineering 关注的是「这一轮怎么问得更好」Loop Engineering 关注的是「整个流程怎么持续变好」。这并不意味着 Prompt Engineering 过时了。提示词仍然重要只是它从舞台中央退到系统内部变成循环中的一个组件。就像写代码时单个函数很重要但真正决定系统质量的是函数之间如何协作、状态如何流动、错误如何处理、边界如何收束。Loop Engineering 到底是什么可以先给一个简单定义Loop Engineering是围绕 AI 编程智能体设计一个可重复、可观察、可验证、可修正的工作循环。这里的 Loop可以理解为一个递归目标。你给出目标、上下文、工具权限和停止条件AI 在这个边界内持续迭代直到任务完成或者遇到需要人类判断的节点。它关心的不只是「提示词怎么写」还包括这些更工程化的问题• AI 什么时候启动• 它读取哪些上下文• 它能调用哪些工具• 它如何知道自己做对了• 失败后怎么继续修正• 哪些操作必须交给人确认• 状态如何在下一轮继续使用这就是 Loop Engineering 和 Prompt Engineering 最大的差别。维度Prompt EngineeringLoop Engineering关注点单次提示词效果持续任务闭环典型问题怎么问 AI 更准确如何让 AI 可靠推进一组任务输出形态回答、建议、代码片段自动化流程、协作链路、可验证结果人类角色提问者、修正者流程设计者、约束制定者、审查者风险控制依赖提示词约束依赖权限、验证、反馈、人工门禁举个例子。传统 Prompt Engineering 的问题可能是「帮我修复这个登录失败的 bug。」Loop Engineering 的问题会变成「每天早上读取昨天的 CI 失败记录和用户反馈找出高优先级 bug为每个 bug 创建隔离工作区生成修复方案运行测试失败后继续修正通过后生成 PR并把无法处理的部分写入待办清单。」前者是一条指令后者是一套系统。Prompt Engineering 解决的是一次回答的质量Loop Engineering 解决的是一段流程的可靠性。这也是为什么它更像软件工程而不只是提示词技巧。你需要设计输入、输出、状态、权限、验证、异常处理和人工确认点。换句话说Loop Engineering 把 AI 编程从「对话艺术」进一步推向「系统设计」。一个 Loop 需要哪些核心构件一个 Loop 大致需要五个核心构件再加一层外部记忆。这六个部分分别是Automations、Worktrees、Skills、Plugins / Connectors、Sub-agents以及 Memory。先用一张表把它们放在一起看构件作用解决的问题Automations定时触发任务人不必反复手动检查Worktrees隔离并行工作多个 agent 修改互相冲突Skills沉淀项目知识每轮都从零理解项目Connectors接入真实工具AI 只能停留在本地文件Sub-agents分离执行和验证实现者自我审查不可靠Memory记录长期状态上下文跨轮次丢失Automations循环的心跳Automation 是让 Loop 真正「循环」起来的部分。如果没有自动触发机制所谓 Loop 只是你手动执行了一次任务。只有当它可以按时间、事件或条件自动启动循环才会拥有自己的节奏。比如每天早上自动检查 CI 失败每隔一小时整理 issue每次 PR 更新后触发审查每晚生成一次项目状态简报。这些任务本身不复杂但很消耗注意力。Automation 的价值就是把这些重复性的触发和发现动作交给系统。在 Codex 里可以通过 Automations tab 设置周期任务。在 Claude Code 里也可以通过 scheduling、hooks、/loop、cron、GitHub Actions 等方式实现类似能力。更关键的是停止条件。比如「所有 auth 测试通过并且 lint 整洁」。当循环有了可验证的终点它就不再只是盲目重试。Worktrees并行工作的隔离层当多个 agent 同时修改同一个仓库最容易出问题的地方不是模型能力而是文件冲突。一个 agent 在重构登录逻辑另一个 agent 在修复同一文件里的边界条件。如果它们共用同一个工作目录结果很容易互相覆盖。Git worktree 的作用就是给每个 agent 一个独立 checkout。它们共享同一份仓库历史但在不同目录里工作。这样一来不同尝试可以并行推进彼此不直接污染。不过Worktrees 只能解决机械冲突不能解决人的审查带宽。你可以同时跑十个 agent但最终仍然要有人判断哪个方案值得合并哪个方案引入了隐患哪个方案只是看起来通过了测试。Skills项目知识的沉淀方式很多人使用 AI 编程工具时都会遇到一个问题每次新开会话都要重新解释项目背景。我们用什么框架怎么跑测试哪些目录不能动这个模块为什么不能重构上次线上事故留下了什么约束如果这些信息只存在于人的脑子里每一轮 Loop 都会重新猜。Skill 的价值就是把这些项目知识、开发约定、构建步骤、历史决策写成外部能力。智能体每次执行任务时都可以读取这些稳定上下文。这相当于给 Loop 建了一套项目操作手册。没有 SkillsLoop 每轮都在重新理解项目有了 Skills项目意图才会逐渐形成复利效应。Plugins / Connectors连接真实工具链一个只能读写本地文件的 Loop能力边界很窄。真实开发发生在更大的系统里issue tracker、PR、CI、数据库、监控平台、Slack、Linear、Notion、内部 API。代码只是其中一部分。Plugins 和 Connectors 的价值就是让智能体接入这些真实工具链。当 Loop 能读取 issue查询 CI打开 PR关联 ticket在测试通过后通知团队它就从「给你建议」变成了「参与流程」。当然连接真实系统也意味着更高风险。权限给多大、能不能写生产数据、能不能自动发消息、能不能改 ticket 状态这些都需要清晰边界。工具链连接越深权限设计越要保守。Sub-agents把执行者和检查者分开在无人值守的 Loop 里最重要的结构之一是把 maker 和 checker 分开。写代码的 agent不适合完全负责评价自己的代码。它很容易相信自己的假设也容易把「测试刚好通过」当成「问题已经解决」。更稳妥的方式是让一个 agent 负责实现另一个 agent 负责审查。审查者可以采用不同提示词、不同模型、不同关注点比如只看安全风险、只看边界条件、只看是否符合规范。这并不意味着 sub-agent 越多越好。每个 agent 都会消耗 token也会增加协调成本。更合理的做法是在高风险、高价值、需要第二判断的环节使用它们。比如架构变更、权限逻辑、数据迁移、支付链路、发布前审查。Memory让循环跨轮次延续最后一个看似朴素却非常关键的部分是 Memory。模型会忘记仓库不会。对长周期任务来说状态必须存在对话之外。这个 Memory 可以是一个 Markdown 文件也可以是 Linear board、issue 列表、状态表、任务清单。它记录已经尝试过什么、哪些测试通过了、哪些问题还没解决、下一轮应该从哪里继续。没有 MemoryLoop 每次启动都像失忆。它可能重复处理同一个问题忘记已经排除的方案或者重新走一遍错误路径。有了 MemoryLoop 才有连续性。一个真实 Loop 是怎么跑起来的把上面的构件串起来一个典型 Loop 可能长这样。每天早上Automation 自动在项目里运行。它调用一个 triage skill读取昨天的 CI 失败、open issues、recent commits以及团队反馈。接着它把发现的问题整理到一个 Markdown 状态文件或者写入 Linear board。每个问题都带上来源、影响范围、初步判断和建议优先级。对于值得处理的问题Loop 会创建一个独立 worktree。一个 sub-agent 进入这个 worktree阅读项目 skills理解相关代码起草修复方案并完成第一版修改。修改完成后另一个 sub-agent 接手审查。它会检查实现是否符合项目约定是否覆盖边界条件是否需要补充测试是否存在明显回归风险。如果测试失败Loop 会把失败输出重新送回实现 agent让它继续修正。如果测试通过Connectors 可以打开 PR、关联 ticket并把摘要发到团队频道。最后state file 记录这一轮发生了什么哪个问题已修复哪个问题还在等待人工判断哪个方案被放弃哪些测试通过下一轮应该接着看哪里。这个流程可以压缩成一张表阶段AI 可以做什么人类需要把关什么发现问题读取 CI、issue、commit整理异常判断优先级是否符合业务目标拆解任务生成修复计划和影响范围判断方案方向是否合理编码实现修改代码、补测试、更新文档审查关键逻辑和边界条件验证反馈运行测试、根据失败继续修复判断测试信号是否足够可信提交结果生成 PR、更新 ticket、写变更说明决定是否合并与发布这里最重要的是让整个系统形成自主的反馈闭环而非单纯追求 AI 自动写代码的产出数量。它会发现问题会尝试修复会检查结果会记录状态会在下一轮继续推进。人的工作则从每一步都亲自敲指令变成设计边界、设置验证信号、处理关键判断。好的 Loop 不追求「一次生成正确答案」而是设计一套能不断逼近正确结果的反馈系统。这也是它和普通自动化脚本的差别。普通脚本更像固定流程输入确定步骤确定输出也大致确定。Loop 面对的是更开放的工程任务它需要在目标、上下文、工具和反馈之间不断调整。所以Loop Engineering 的本质是设计一套能与 AI 智能体深度协作的工程控制系统而非简单地编写一个自动化脚本。构建 Loop但不要离开驾驶位Loop Engineering 很有吸引力因为它让 AI 编程看起来更接近真正的自动化。但越是能自动运行的系统越需要认真设计边界。第一个风险是 token 成本。Automation、sub-agents、长上下文、反复验证都会快速放大消耗。如果没有清晰的触发条件和停止条件一个 Loop 可能在低价值任务上持续燃烧资源。第二个风险是无人值守错误。Loop 可以无人值守地运行也可能无人值守地犯错。它生成的「done」只是一个声明不等于代码真的可靠。第三个风险是理解债。AI 帮你写得越快你越容易来不及理解系统发生了什么。代码进入仓库但人的认知没有同步更新这会在后续维护中变成隐形债务。第四个风险是认知投降。当 Loop 足够顺滑人很容易从「设计系统」退化成「按下启动」。如果工程师不再提出判断不再审查结果不再理解改动Loop 就会从杠杆变成黑箱。所以Loop Engineering 并没有让工程师消失。它只是把工程师的工作位置前移了。你需要做的事情包括设计循环明确任务如何启动、如何推进、如何停止。设定边界规定 AI 能读什么、能写什么、哪些动作必须确认。沉淀上下文用 Skills 和 Memory 记录项目规则与历史决策。选择验证信号明确什么叫「完成」什么叫「失败」。审查最终结果确认代码真的工作而不是只相信系统摘要。Loop 是杠杆不是替身。它能放大一个工程师的判断也会放大一个工程师的缺席。这也是为什么 Loop Engineering 比 Prompt Engineering 更难。它不只考验你会不会写提示词还考验你是否理解软件工程里的流程、状态、边界、反馈和责任。未来的 AI 编程很可能会越来越多地从「我让 AI 写一段代码」变成「我设计一套 AI 持续推进工作的系统」。但无论工具怎么演进最终要交付可靠软件的人仍然是工程师。构建 Loop但要像一个仍然打算掌控系统的工程师那样构建它。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型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】