ps. Harness Engineering还没熟，Loop Engineering 又要来了…

---

Peter Steinberger，OpenClaw 的创建者，现在在 OpenAI 工作。

昨天他发了这样一段话：

“你不应该再手动给编码 Agent 写提示了。你应该设计循环，让循环来给 Agent 下指令。”

然后 Anthropic Claude Code 负责人 Boris Cherny 用另一种方式表达了同样的意思：

“我已经不再手动给 Claude 写提示了。我让循环在运行，由循环来驱动 Claude 并决定下一步做什么。我的工作就是写循环。”

这是当下最资深的两位 AI 工程师，传达的信息完全一致。

大多数人看完后会问：具体怎么理解？

我做了一番系统梳理。以下是完整的拆解，讲讲需要建立的思维模型。

绕不开的成本问题

循环听起来很美好，直到你看到账单。

一个中等规模编码任务的单 Agent 循环：5 万到 20 万 token。一个带编排者和 3 个专业 Agent 的 Fleet 循环：50 万到 200 万 token。一个每天早上定时运行的循环：每周数百万 token。

按照标准 API 定价，认真做一周 Loop 工程的成本，可能超过大多数人整个月的 AI 预算。

这就是为什么 Peter Steinberger 的评论区里满是这样的回复：

“你说得轻松，你有无限量的 OpenAI 额度。”

他们说的没错。在正常预算下做循环工程，成本压力会很快浮现。每次重试、每次自我修正、每个子 Agent 调用、每次验证，都在消耗 token。

这是很少被讨论的隐形障碍：循环的设计并不难，真正难的是在可控预算内持续运行。

这也是低成本模型（如 DeepSeek、Kimi、MiniMax）的价值所在：它们让 Agent 循环在经济上变得可行。百万级上下文窗口让长时间运行的循环保持连贯，低 token 定价则大幅降低了持续运行的门槛。

Part 1：旧方式 vs 新方式

过去两年，我们一次给 Agent 一个任务。

你输入一个提示，Agent 回应，你审查结果，修正错误的部分，再输入下一个提示。你自己就是那个循环。

这个模式正在改变。

以前你让 Agent 做一个落地页，然后自己驱动每一步。现在你设置一个循环来处理发现、规划、执行、检查和迭代，直到目标达成。

区别在于：

旧方式（逐步提示）：

你 → 提示 → Agent → 输出 → 你审查 → 你修正 → 重复

新方式（循环驱动）：

你设定目标 → 循环运行 → Agent 发现 → 规划 → 执行 → 验证 → 迭代 → 完成

你不再逐步下指令了，Agent 替你重复这个周期。

提示给 Agent 的是指令，循环给 Agent 的是一份工作。

Part 2：Loop 工程到底是什么

Loop 工程是一种设计可重复反馈循环的实践，引导 AI Agent 从尝试走向经过验证的结果，而不需要持续的人工干预。

循环是你构建的一套机制，几乎任何 Agent Harness 都能运行它，关键在于你怎么把它接起来。

最简单的形式是一个 Agent 对自己的工作进行迭代：

• 调研
• 起草
• 对照目标检查草稿
• 修正薄弱环节
• 再次运行这个周期，直到工作满足要求

每个循环，无论多简单或多复杂，都经过相同的 5 个阶段：

发现 → 规划 → 执行 → 验证 → 迭代

通过验证就交付，未通过就继续循环。

整个思路就是这样。本文后续的所有内容，都是在讲如何正确地构建这个周期。

Part 3：单 Agent 循环 vs Fleet 循环

循环有两种规模：

单 Agent 循环

一个 Agent 独立运行整个周期。

可以理解为一个人反复修改自己的草稿。它发现需要做什么，规划工作，执行，验证质量，如果有问题就迭代。

适用场景：聚焦的任务、明确的目标、有限的范围。适合一个 Agent 独立完成闭环迭代的情况。

Fleet 循环

更大的版本是 Fleet 循环。

你给编排者 Agent 一个目标，它把目标拆成若干部分，每个部分交给一个专业 Agent。这些专业 Agent 又把更小的工作交给自己的子 Agent。

整棵树持续循环执行发现、规划、执行和验证，直到目标达成。

可以理解为一整个团队端到端地推进一个项目。

结构如下：

• 编排者负责目标
• 专业 Agent 负责步骤
• 子 Agent 负责具体的细粒度工作
• 评估门禁确保产出质量

示例：“构建一个效率工具应用”

编排者（负责整体目标）  ├── 调研专家  │     └── 网络检索  ├── 工程专家  │     └── 代码编写 + 调试  └── QA 专家        └── 测试编写 + Bug 追踪

树中的每个 Agent 都运行相同的 5 阶段循环：发现 → 规划 → 执行 → 验证 → 迭代。

关键区别：单 Agent 循环像一个人反复修改自己的草稿，Fleet 循环则是一整个团队端到端地推进项目。

Part 4：开放循环 vs 封闭循环

这是 2026 年实践中最重要的区分：

不是所有循环都一样，有两种类型。

开放循环

探索式的，活动空间很大。

你给 Agent 一个目标，让它自由探索。它可以尝试不同的路径，发现新的东西，构建出你没有完全定义的成果。

Peter Steinberger 等人在 OpenAI 就是这样工作的。但问题在于 token 消耗量巨大。对于大多数没有充裕 API 预算的团队来说，开放循环目前还不够实用。如果指向质量标准不够严格的项目，很容易产出大量低质量内容。

封闭循环

有边界的。由人先设计好端到端的路径。

• 明确的目标
• 定义好的步骤
• 每一步都有评估
• 有明确的停止点或交还给人的节点

Agent 仍然在循环，但是在你构建的框架内运行。每次运行都会变得更好，因为每一轮的结果会反馈给下一轮。它在正常预算内就能运行，因为路径是收紧的。

没有质量门禁，AI 会漂移。有了质量门禁，AI 会改进。

对于当前大多数实际工作来说，封闭循环才是真正有回报的选择。

应该用哪种？

从封闭循环开始。先构建一个可靠运行的紧凑系统。等你有了完善的质量门禁之后，再逐步放开。

Part 5：好循环的 6 个构建模块

每个能持续运行的循环都有这 6 个要素：

概念上循环有 5 个阶段，但要让它真正运行起来，你需要构建 6 样东西。Claude Code 和 Codex 现在都已经具备了这些能力。

1. 自动化（Automations）

触发"发现"阶段、让循环启动的机制。

自动化是循环的心跳。它让循环真正成为循环，而不只是你执行了一次的操作。

你定义一个提示、一个运行节奏和一个目标。循环按计划运行，结果推送给你。

• /loop

  按照设定的节奏反复运行

• /goal

  持续运行直到你写的条件真正满足

例如设定：“test/auth 下所有测试通过，lint 也干净。” 然后你就可以放手了。

2. Worktree

让多个"执行"阶段并行运行而不互相干扰的机制。

当你运行多个 Agent 时，文件冲突立刻就会出现。两个 Agent 写同一个文件，和两个工程师在没有沟通的情况下提交同一段代码，是同样的问题。

Git worktree 给每个 Agent 一个独立的工作目录和独立的分支，共享相同的仓库历史，零冲突。

3. Skills

让"发现"阶段更快的机制，Agent 在启动前就已经了解你的项目。

Skill 是一个包含 SKILL.md 的文件夹，里面记录了项目规范、构建步骤、以及"因为之前出过事故，我们不这样做"之类的约定。写一次，每次循环都读取。

没有 Skills，循环每个周期都要从零推导你的整个项目。有了 Skills，知识会累积，Agent 在开始之前就已经了解你的项目。

• VISION.md 定义成功是什么样的
• ARCHITECTURE.md 定义技术栈和目录结构
• RULES.md 定义 Agent 绝对不允许做的事

4. 插件和连接器（Plugins and Connectors）

让"执行"阶段真正落地的机制，循环在你的实际环境中行动，而不仅仅是在文件系统里。

基于 MCP 构建的连接器让 Agent 可以读取你的 issue tracker、查询数据库、调用 staging API、在 Slack 里发消息。

这就是"Agent 说’这是修复方案’"和"循环自己提 PR、关联 Linear ticket、CI 通过后在频道里发通知"之间的区别。

5. 子 Agent（Subagents）

让"验证"阶段保持诚实的机制，检查者和制作者永远不是同一个 Agent。

生成代码的模型在验证自己的产出时，往往会倾向于通过。引入一个持有不同指令的第二个 Agent，有时甚至使用不同的模型，能捕捉到第一个 Agent 因自身偏差而忽略的问题。

有效的分工是：

• 一个 Agent 探索
• 一个 Agent 实现
• 一个 Agent 对照规格进行验证

这也是 /goal 底层的运作方式。由一个全新的模型来判断循环是否完成，而不是做这件事的那个模型。

6. 记忆（Memory）

让循环具备持久性的机制。第 47 次运行的"发现"阶段知道前 46 次运行已经尝试过什么。

记忆是整个循环的脊柱。它可以是一个 markdown 文件、一个 Linear 看板，任何存在于单次对话之外的东西。

模型在运行之间会遗忘一切，但仓库不会。记忆文件记录着：什么已经尝试过、什么已经通过、什么还没完成。

第二天早上，循环从昨天停下来的地方继续。这个机制看似简单，但每个长时间运行的循环都离不开它。

Part 6：实际循环示例

循环在实践中是什么样的：

编码循环

读取 VISION.md + ARCHITECTURE.md↓规划下一个变更↓编辑代码↓自动运行测试↓如果测试失败 → 读取错误 → 修复 → 重新测试↓如果测试通过 → 总结变更内容↓停止

中间不需要人参与。Agent 自己编写、测试、修复和验证。

调研循环

定义调研问题 → 搜索信息源 → 总结发现 → 对照原始来源验证结论 → 比对矛盾信息 → 综合最终答案 → 当置信度达到阈值时停止

内容循环

定义主题 + 受众 + 目标 → 生成草稿 → 评审 Agent 审查草稿 → 基于评审意见重写 → 对照成功标准打分 → 通过则发布，未通过则再次重写

销售外联循环

定义 ICP（理想客户画像） → 寻找匹配线索 → 用企业数据补充信息 → 资质筛选 → 个性化消息定制 → 质量审查 → 发送或上报给人工处理

每个循环都有相同的骨架：目标 → 行动 → 检查 → 修正 → 重复直到完成。

Part 7：Prompt 工程师 vs Loop 工程师

2026 年正在拉开的技能差距：

Prompt 工程师：

• 精心打磨更好的指令
• 核心是语言能力
• 更好的提示带来更好的单次输出
• 每次运行后仍需手动审查输出
• 你自己就是反馈循环

Loop 工程师：

• 设计更好的反馈周期
• 核心是软件工程能力
• 更好的循环带来可靠的、经过验证的结果
• 系统自动运行、检查和自我修正
• 系统本身就是反馈循环

Prompt 工程师说：“帮我写一个函数。”

Loop 工程师说：“写代码 → 跑测试 → 修到全绿。”

工具是一样的，但思维方式完全不同。

Prompt 工程师向 AI 索要输出。Loop 工程师设计产出经过验证的结果的系统。

2026 年高薪的 AI 工程师，不是写最好的prompt的人。他们写的是控制 Agent 如何发现、规划、检查自身工作、以及如何判断任务已完成的逻辑。

总结

以上就是 Loop 工程的全貌。

过去两年我们一次给 Agent 一个任务，现在我们设计循环来运行整个周期。你需要构建 6 样东西：自动化、Worktree、Skills、插件和连接器、子 Agent、记忆。循环有两种规模（单 Agent vs Fleet）和两种类型（开放 vs 封闭）。

Peter Steinberger 说得对：不要再给你的 Agent 写提示了，开始设计循环。因为一个可靠的循环，胜过一千个完美的提示。

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】