大家好，我是程序员鱼皮。

AI 编程圈又又又出新概念了……

这次的起因是 Claude Code 之父 Boris Cherny 在最新访谈中说：

我不再提示 Claude 了，我有一堆循环在运行，它们才是在提示 Claude 并判断接下来该做什么。我的工作变成了写循环。

紧接着，OpenClaw 之父 Peter Steinberger 也发推表示：

你不该再给编程 Agent 写提示词了。你应该设计一套循环机制，让这些循环去提示你的 Agent。

两家顶级 AI 公司 Anthropic 和 OpenAI 的重量级人物，同时在说一件事：AI 编程的范式又要升级了，从手动写提示词，变成设计循环系统。

这个新范式，叫做 Loop Engineering 循环工程。

绷不住了啊，今年 2 月刚开始流行 Harness Engineering 驾驭工程，现在又出新概念了？

学不完，真的学不完……

不过别担心，这篇文章我会把 Loop Engineering 从头到尾给你讲明白。先告诉你它是什么、和之前的 AI 编程模式有什么关系，然后带你用 Claude Code、Codex、Cursor 三款工具实战体验 Loop 的效果，最后再聊聊它的方法论框架和踩坑经验。

点个收藏，我们开始。

一、什么是 Loop Engineering

Loop Engineering 这个词翻译过来就是「循环工程」。简单来说，就是你设计一套自动运转的系统，让它代替你去给 AI 下达指令、检查 AI 的输出、记录完成进度、决定下一步该做什么，然后不断循环执行，直到达成你预设的目标。

以前的 AI 编程模式，就像开手动挡的车。踩油门、换挡、转弯，每一步都靠你自己操作。你给 AI 一句提示词，AI 回你一段代码，然后停下来等你下一条指令。你不说话，它就不工作。

Loop Engineering 的模式，更像是自动驾驶。你提前设定好目的地和安全规则，车会自己开，遇到红灯自己停、路况变了自己绕、到了目的地自动停车。你只需要偶尔看一眼仪表盘，确认方向没问题就行。

也就是说，你从「一句一句手动提示 AI」的操作者，变成了「设计循环规则」的管理者。

Loop 的 3 大核心

可能有人会问：Loop 不就是个定时任务吗？让模型反复执行同一个操作就行了吧？

当然不是！

没有判断能力的循环，AI 可能会把错误当成正确答案继续往下跑，越跑越偏。那跟 cron 定时脚本没区别，算不上 Loop Engineering。

一个真正靠谱的 Loop 需要 3 样核心的东西：

1）明确的目标和停止条件

你得告诉 Loop 什么时候算完成，而且这个完成标准必须是 可验证的。比如所有测试通过、lint 零报错、所有文件都处理完，这些都是好的停止条件。而「把代码优化一下」就不行，因为没人知道什么叫优化好了。

2）反馈闭环

每轮循环结束后，Loop 得检查这一轮的结果，判断是继续跑下一轮还是停下来。最常见的做法是跑完代码后自动执行测试，测试没过就继续修，测试过了就停止。

3）状态记忆

AI 的对话窗口是有限的，关掉就没了。Loop 需要一个外部文件来记录当前进度，比如哪些任务做完了、哪些还没做、上一轮循环的结论是什么。这样即使中间断了重启，也不会从零开始。

后面的实战部分你会反复看到这 3 样东西，先有个印象就行。

二、AI 编程的发展过程

Loop 不是凭空冒出来的概念，它是从前几代 AI 编程方法论一步步进化来的。了解 AI 编程的发展过程，你才能知道 Loop 到底解决了什么问题、为什么需要它。

下面简单梳理一下这条进化路径：

1、提示词工程 Prompt Engineering（2022 ~ 2024）

关注的是怎么通过对话让 AI 听懂你的需求。比如给 AI 设定角色、约束输出格式、用思维链让它一步步思考。

提示词工程解决的核心问题是「AI 答非所问」，掌握了提示词的写法之后，输出质量能提升一大截。

2、上下文工程 Context Engineering（2025）

光写好提示词还不够，AI 还得了解你的项目背景才能给出靠谱的回答。

上下文工程关注的就是怎么 在对的时候把对的信息喂给 AI。

比如写 AGENTS.md 规则文件让 AI 了解项目背景，用 RAG 让 AI 能检索到相关资料，给 AI 建立跨对话的记忆机制。

上下文工程解决的核心问题是「AI 给出的回答脱离实际」，做好了上下文管理，AI 的输出才能贴合你的项目实际情况。

3、Harness Engineering 驾驭工程（2026 年初）

有了上下文，AI 能理解你的项目了，但要让它真正干好活，还得给它搭建一整套靠谱的工作环境。

除了给 AI 提供合适的上下文信息外，还要给它配备工具、拆解任务、搭建测试、防止代码腐烂。

把 Harness 搭好之后，AI 才能在一个有工具、有测试、有约束的环境里稳定可靠地产出。

4、Loop Engineering 循环工程（2026 年中）

关注的是怎么让 AI 自己形成工作循环。

前面三步都做好了，AI 已经能在靠谱的环境里干活了，但你还是得一步步推着它走。Loop 要解决的就是这个问题，你把「提示、检查、决定下一步」这些事情交给一套系统去循环执行，自己只需要设定好目标和停止条件，AI 就能自己跑起来直到达成目标。

这四者是层层包含的关系。提示词技巧、上下文管理、Harness 搭建，这些能力在 Loop 里面全都要用上。Loop 只是在这些基础上，多加了一层「自动循环 + 反馈闭环」的机制。

很多同学容易把 Harness 和 Loop 搞混。

如果把 AI 比作一匹马，Harness 就是你给马装上的缰绳、马鞍和围栏，然后你骑在马上手动驾驭它。而 Loop 呢，是你设定好一条巡逻路线后，不用上马，让马自己按路线一圈一圈地跑。每跑完一圈它会自动检查有没有异常，发现问题就处理，处理完继续跑下一圈。你从骑马的人变成了设计路线的人。

不过 Loop Engineering 目前还是一个很早期的概念，业界还没有统一的标准和最佳实践。建议先把 Harness 那套基础打扎实，Loop 学起来就容易多了。

三、Loop 实战体验

了解完基本概念，接下来我们直接上手实战，同时用 3 种 AI 工具，感受一下 Loop 在实际开发中是什么体验。

目前 Claude Code 和 Codex 都已经内置了 Loop 相关的命令，可以直接用。Cursor 虽然还没有原生的 Loop 命令，但可以通过提示词设计来实现同样的思想。下面分别演示。

Claude Code 的 Loop 实战

Claude Code 提供了两个 Loop 相关的斜杠命令 /goal 和 /loop，分别对应两种不同的使用场景。

/goal 命令

/goal 命令的作用是让 AI 持续工作，直到你设定的目标达成为止。

你给出一个可验证的目标条件，AI 开始工作，每一轮结束后会有一个独立的小模型来判断「目标是否已经达成」。如果没达成，AI 自动开始下一轮继续推进；如果达成了，就停止并报告完成。

注意，这个判断目标是否达成的模型和执行任务的模型是分开的，避免了单个模型的偏差。

比如我想让 Claude Code 修复整个项目的代码，可以这样写：

/goal 修复整个项目的代码，直到全部测试通过且没有报错

执行后 Claude 会立刻开始工作，直到所有测试通过且没有报错为止，整个过程你完全不用干预。

还有个小技巧，你可以在条件后面加上熔断限制，比如「20 轮还没搞定就停下来」，防止 AI 陷入死循环狂烧 token。

/goal 适合那些有明确终止条件、且手动盯着比较费时的场景，比如模块迁移、批量重构、修复某个测试用例直到它通过、处理一批标了特定标签的 Issue 等等。

如果你想中途看看进度，直接输入 /goal 不带任何参数就行，能看到当前任务跑了多久、花了多少 token。

想提前停止的话，用 /goal clear 即可：

/loop 命令

/loop 命令的作用是让 AI 按固定的时间间隔定时循环执行某个操作。

比如每 5 分钟检查一下部署是否完成：

/loop 5m 检查项目前后端的部署状态

/loop 适合那些需要定期盯着的事情，比如等部署完成后自动通知你、每隔一段时间检查线上服务有没有报错、定时扫描代码库里新增的安全漏洞。任务完成后记得停掉 Loop，否则它会一直在后台循环执行消耗资源。

总结一下这两个命令的区别，/goal 是「跑到完成为止」，适合有明确终点的一次性任务；/loop 是「定时反复跑」，适合没有明确终点的持续监控。两者都是 Loop Engineering 的实现方式，只是适用场景不同。

Codex 的 Loop 实战

Codex 桌面 APP 也有类似的 Loop 能力，主要通过两种方式实现。

设定目标

在 Codex APP 的对话框里，你可以通过输入 /目标 来设定一个持续运行的目标，效果和 Claude Code 的 /goal 类似，AI 会持续工作直到目标达成。

比如我想让 AI 把我的「程序员人格测试项目」做一次完整的国际化改造，把所有中文界面翻译成英文版：

/目标 将 cbti-test 项目完整国际化为英文版。逐个文件替换所有中文文案为英文，每处理完一个文件就运行构建验证，直到项目能正常编译运行且界面无中文残留。

经过 15 分钟后，AI 完成了目标，并且输出了 token 使用量。相比直接让 AI 一把梭完成所有事情，设定目标后让它一步步开发、每步都自动校验，最终产出的质量会稳定得多。

Automations 定时自动化

Codex 桌面 APP 里还有一个「自动化」面板，类似于 Claude Code 的 /loop，你可以配置定时执行的自动化任务。

进入左侧的自动化面板，能看到 Codex 已经内置了一些模板，比如定时总结代码变更、检查代码问题之类的。

你也可以自己新建，比如让 AI 每天早上帮你搜集一次 AI 编程领域的热点资讯：

创建成功后，时间一到 Codex 就会自动开启一个对话来执行任务。你也可以手动执行一次先看看效果：

点击任务，能够查看详细信息：

点击某个运行历史记录后，还能查看正在执行的任务对话，建议多观察任务的表现，持续迭代优化提示词：

Cursor 自主实现 Loop 思想

Cursor 目前还没有原生的 /goal 或 /loop 命令。但只要在提示词里设计好循环机制，让 AI 自主执行命令，一样能跑出 Loop 的效果。

比如我要用 Cursor 从零开发一个叫「装了吗」的桌面 APP，帮学编程的同学一键安装各种开发环境。这个项目包含 Electron 桌面应用、Python 服务端、Web 管理后台三个模块，还是挺复杂的。

我特意在提示词里设计了一套自主开发循环，让 AI 不要停下来等我确认，自己跑起来直到整个系统能用为止。

提示词的关键部分是这样的：

## 自主开发循环

全程自主开发，不要停下来等我确认，除非遇到无法自行解决的阻塞问题。遵循以下循环机制：

1. 状态追踪：在项目根目录维护 PROGRESS.md，记录当前阶段、已完成事项、进行中事项、问题及解决方案。每完成一个模块就更新
2. 开发-验证闭环：每完成一个模块，立即编译运行验证，有报错就修复，通过后再推进下一个模块
3. 端到端验证：全部功能完成后，以用户视角做一次完整的端到端测试
4. 防死循环：同一个问题修复超过 5 次仍未解决，记录到 PROGRESS.md 后跳过，继续推进其他任务

你会发现，这几条规则恰好对应了前面讲的 Loop 三个核心要素：

• 目标和停止条件 → 「端到端测试通过」就是停止条件
• 反馈闭环 → 「开发-验证闭环」让 AI 每做完一步都自动检查
• 状态记忆 → PROGRESS.md 文件持久化记录进度

执行之后，AI 就开始了它的自主循环。它先配置好环境，然后按顺序开发服务端、桌面端、管理后台。整个过程我基本没有干预，AI 自己维护着 PROGRESS.md 记录进度，开发完一个模块就自动跑测试，遇到报错就自己修复，修完继续推进。

最终 AI 花了将近 50 分钟，独立完成了整个系统的开发和验证，不需要我中间插手。三个服务全部能正常启动，核心功能都能跑通。

打开桌面 APP 看看效果。主界面有一个 AI 对话框，下面预置了常见开发环境的快捷入口：

选择想安装的软件和版本后，AI 会自动生成完整的安装脚本和方案，包含中文注释、环境检测、验证命令，可以直接复制执行或者点击一键安装：

Web 管理后台也能正常运行，可以查看安装数据统计、管理所有已经生成的安装方案、查看用户反馈数据：

效果还不错吧~

这就是在没有内置 Loop 命令的工具里，通过提示词设计来实现 Loop Engineering 思想的方法。核心就是把 状态记忆 + 反馈闭环 + 防死循环 这三个要素写进提示词里，让 AI 自己形成循环。

这个项目的完整提示词和开发过程，我会放到免费开源的 《AI 编程零基础入门教程》 里面，应该能帮你学到不少 AI 编程技巧。

四、深入理解 Loop 的核心模块

通过前面的实战你会发现，其实上手 Loop 并不难，设定好目标、输入一条命令就能跑起来。

但如果你想设计一个更复杂、更可靠的循环系统，比如多个 Agent 并行协作、自动连接外部工具、跨会话持续运行，那就需要了解 Loop Engineering 更完整的方法论框架了。

目前业界对 Loop Engineering 比较主流的一种拆解方式，是把它分成 5 个核心模块，外加一个贯穿全程的状态记忆。

1、自动调度

这是 Loop 的心跳，没有它 Loop 就跑不起来。

你设定好触发条件和执行频率，Loop 就会按照节奏自动运行。

举个例子，你可以设一个 /goal 让 AI 把项目里所有的报错修完，也可以设一个 /loop 让 AI 每小时检查一次代码仓库有没有新的 Issue 需要处理。前者是一次性任务，后者是持续性任务，但底层都是自动调度在驱动，不需要人工干预。

2、工作隔离

当你想让多个 AI 同时在一个项目干活的时候，可能会遇到问题。

比如你让一个 Agent 开发搜索模块，另一个 Agent 开发商品列表模块，但它俩同时修改了主页文件，代码就会互相冲突，乱成一团。

解决办法是用 Git WorkTree，给每个 Agent 分配一个独立的工作目录，各自在自己的分支上开发，互不干扰，最后再合并回主干。

像 Claude Code 可以通过 --worktree 参数启动独立工作树，Cursor 和 Codex 的 Agent 面板也都内置了 WorkTree 的支持，可以自动创建和管理工作树，让多个 AI 同时干活。

3、技能沉淀

如果每次新开一个 Loop，AI 都要从头了解你的项目背景、编码规范、构建流程，那太浪费时间了。

Skills 就是把这些项目知识和工作流程写成可复用的 SKILL.md 文档，Loop 每次启动时自动加载。AI 不用每次都重新学习，直接根据文档快速上手干活。

这跟你在公司维护一份《项目开发文档》是一个道理，新来的人看完就能干活，只不过现在看文档的不是人，是 AI。

4、工具连接

AI 大模型只是大脑，能思考、能规划，但如果不给它接上手脚和工具，很多事情它干不了。

通过 MCP 协议和各种连接器，Loop 可以跟你的 Issue 跟踪器、数据库、Slack、CI/CD 系统打通。这样 CI 挂了它能自己去看报错日志，Issue 来了它能自己分类处理，修完之后还能自动开 PR 并发消息通知你。

有了工具连接，Loop 才能从「只会改代码」变成「能发现问题、解决问题、通知你结果」的完整闭环。

5、子代理互审

如果你让一个模型生成代码，再让同一个模型检查这段代码好不好，它大概率会觉得没问题。就像学生自己批改自己的考卷，肯定手下留情。

所以在 Loop 里，一般会安排至少两个角色。一个 Agent 负责写代码，另一个 Agent 专门负责跑测试和代码审查。第二个 Agent 用的上下文和指令跟第一个完全不同，它只关心这段代码有没有 Bug、逻辑对不对，不会受到第一个 Agent 思路的影响。

状态记忆

Loop 在运行过程中会产生大量中间状态，比如哪些文件处理过了、上一轮的结论是什么、当前进度到哪一步了。

这些信息不能只存在 AI 的对话窗口里，因为对话窗口空间有限，关掉就没了。

可以把进度记录在外部文件里（比如 PROGRESS.md），Agent 每次新开一轮循环时先读取进度了解当前状态，干完活再更新它。中间断了重启也不会从零开始。

这 5 个模块里，自动调度 和 状态记忆 是最核心的，也是我们实战中已经接触过的东西。其他几个模块（工作隔离、技能沉淀、工具连接、子代理互审）更多是在基础循环跑起来之后的进阶优化，按需使用就好，不需要一上来就全部配齐。

五、注意事项和学习建议

每次新技术一出来，你总会听到「XX 已死」这种说法。这次也不例外，不少人在喊：提示词工程已死，Loop Engineering 才是未来！

但其实 Loop 不是取代提示词的，它是建立在提示词、上下文、Harness 这些基础之上的。

如果基础都没打好，跑 Loop 只会放大问题。

下面聊几个实际使用 Loop 时需要注意的事情。

Token 消耗较多

每一次 Loop 迭代都是一次完整的提示词执行。如果你设置 1 分钟执行一次、连续跑 24 小时，那就是 1440 次 AI 调用。

你想想强烈推荐 Loop Engineering 的 2 位大佬，一个是 Anthropic 的工程师，一个背后有 OpenAI 的资源，人家用自家的模型做实验，公司报销 token 费用，成本几乎为零。但对于大多数普通开发者来说，一个月 20 刀的订阅套餐很难撑住高频循环。

跑的不是循环，是你的钱包啊！

有人在评论区质问 Peter：你们有无限 token 供应，我没有啊！

Peter 回答：没错，可你的时间真不值钱吗？

这句话是在提醒我们思考 性价比。如果一个 /goal 任务花了 30 块钱的 token，但帮你省了 3 小时的手动操作，应该还挺值的。但如果跑了 100 块钱，最后还是搞砸了，需要人工返工，那就是纯浪费钱了。

所以启动 Loop 之前先想清楚，目标能不能量化？值不值得跑？别让你的 AI 员工白忙活。

调试比提示词难 10 倍

有开发者说：所有人都在冲向 loops，但调试一个已经跑了 47 轮的状态机，比修好一个 prompt 难 10 倍！

的确，当 Loop 跑偏了，你很难定位到底是第几轮出了问题。所以一开始一定要从简单的 Loop 做起，目标设小一点、停止条件写明确一点。每轮 Loop 都让 AI 写清楚这一轮做了什么、结果如何，方便你事后追溯。

Overbaking 过度烘焙

如果 Loop 跑得太久、目标约束又不够紧，AI 可能会开始「加戏」。比如给你的项目加上没人需要的加密功能、过度拆分文件结构、甚至为了通过测试而删除测试用例。

这个现象最早在 Ralph Wiggum Loop 的实践中就被社区发现了。Ralph 是 Loop Engineering 的前身，有人用它让 AI 在循环里不断重构代码库，结果跑太久之后 AI 开始乱加功能、乱删测试。社区形象地把这种情况叫做 Overbaking 过度烘焙。

更稳的做法是，写好清晰的需求文档，明确列出 Loop 要做什么、不做什么。还要设置合理的循环次数上限，跑完后人工审查结果，不要无脑合并。

学习路径

如果你刚接触 AI 编程，还在用 Vibe Coding 的方式跟 AI 对话写代码，那先不用急着搞 Loop。把提示词技巧练好，学会用 AGENTS.md 给 AI 提供充足的上下文，这是最基础也最重要的一步。

等你能用 AI 做完整功能、但经常需要手动纠偏的时候，就该学 Harness Engineering 了。给 AI 配好工具、写好测试、搭好架构约束，让它在一个靠谱的环境里干活。

这些基础打好之后，真要上手 Loop，先从 /goal 这种轻量方式开始就够了。给 AI 一个小目标，让它自己跑一轮，感受一下效果和 token 消耗。确认符合预期之后，再逐步加入定时循环、防死循环机制、工具连接这些进阶能力，一步步搭建更完整的循环系统。

如果你想系统学习前面几个阶段的知识，可以看我免费开源的 《AI 编程零基础入门教程》，里面从零基础入门到 Harness 实战都有完整的讲解。

开源指路：https://github.com/liyupi/ai-guide

最后哔哔

总结一下，从提示词工程到 Loop Engineering，AI 编程的自动化程度越来越高了，也确实在一步步解放我们的双手和注意力。

以前你一下午只能盯着 AI 完成一个功能，现在 /goal 一开，你可以去做更有价值的事情（比如多睡一会儿）。等你回来，AI 可能已经帮你搞定了好几个小时的活儿。

但工具再强，本质上你还是那个做决策的人。Loop 设计得好不好、目标拆得清不清楚、反馈机制够不够靠谱，全取决于你自身的工程能力和对项目的理解。

Loop 是放大器，能放大你的能力，也能放大你的懒惰。

用它来加速你真正理解的工作，别用它来逃避思考本身。

我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~

也欢迎在评论区聊聊：你看好 Loop Engineering 这种模式么？你尝试过让 AI 自己循环干活吗？效果怎么样？