AI 圈爆火的 Loop 工程：从写提示词到设计自动化闭环

事件概述

AI 领域近期流行的“循环工程”（Loop Engineering）并非全新发明，而是将人与 AI 之间原本靠人工逐轮推动的协作流程（如让 AI 写代码、跑测试、改错、再验证）写成固定规则，交给 AI 系统自动执行。这一概念被 Codex 负责人 Tibo、Claude Code 负责人 Boris Cherny 等人公开提及，引发广泛讨论。

核心信息

• 核心变化：协作单位从单次对话升级为完整闭环。系统需明确何时启动、可用工具、错误识别机制、记忆存储、终止条件。
• 组成模块：一个可落地的循环工程通常包含 5 个功能模块和 1 个状态文件：
  • 定时任务：配置运行频率与目标，启动基础。
  • 独立 Worktree：给每个 Agent 分配独立工作目录，避免修改冲突。
  • Skill 模块：存储项目知识、团队规则、踩坑记录，供 Agent 参考。
  • 连接器：通过 MCP 协议对接外部系统，获取信息。
  • 子 Agent 分工：不同任务（如写代码、审代码）分配给不同 Agent，提升准确性。
  • 状态文件：在单次对话外存储已确认信息、偏好、未解决问题，使 AI 可承接过往工作，避免重复踩坑。
• 适用场景：循环工程最初在编程领域受关注（代码有天然测试反馈），现已扩展至内容选题整理、客服分单、用户反馈汇总、科研动态追踪等。共同点是任务反复出现、流程稳定、结果可自动检查，且关键判断仍保留给人类。

落地门槛

• Token 消耗：循环反复读取上下文会持续消耗 Token，普通付费用户（如月付 20 美元）容易达到限额。
• 任务性质：仅适合可重复的任务，一次性任务仍以优化提示词更高效。
• 自动验证：需要配套测试、类型检查、构建等自动验证机制，才能在无人值守时拦截不合格产出。

核心价值

循环工程的本质是把协作成本从“人工逐轮跟进”的时间成本，转移为“系统自动运行”的 Token 成本。随着模型能力提升，单次循环的 Token 成本已接近人工逐轮追问的成本，优化方向从单条提示词转向整个反馈回路。其意义不在于创造新学科，而在于明确了当下人智协作的分工边界：简单任务用优质提示词，复杂重复任务搭建可自动运行的闭环流程。