一、引言：正在发生的范式迁移
2026 年 6 月，AI 编程社区被一个新词点燃了——Loop Engineering（循环工程）。
故事从两个关键人物开始。
Anthropic Claude Code 负责人 Boris Cherny 在回顾 Claude Code 一周年时抛出一句话：「我不再 prompt Claude 了。我写 loop 让它们运行，loop 去 prompt Claude 并决定下一步做什么。我的工作是写 loop。」
紧接着，Google 工程师 Addy Osmani 系统性地整理了这个概念，用一篇深度文章定义了 Loop Engineering 的技术边界。
你可能会问：这又是一个被炒作的术语吗？
数据不会说谎。Anthropic 在 2026 年 6 月发布的《When AI builds itself》报告中披露：
| 指标 | 数据 |
|---|---|
| Claude 写的代码占合并总量 | >80%（2026年5月） |
| 工程师日均代码合并量 | 比 2024 年增长 8x |
| 开放式任务成功率 | 76%（2026年5月，半年前仅 26%） |
| Claude 自主优化训练代码加速 | 从 3x（2025年5月）到 52x（2026年4月） |
这些数据揭示了一个事实：当 Agent 可以在 loop 中自主运行时，人的产出不取决于写代码的速度，而取决于设计 loop 的质量。
二、什么是 Loop Engineering？
核心定义
Loop Engineering 是 构建驱动 AI Agent 的系统，而不是构建单个 prompt。
传统模式（人→Agent）： 人 → 写 prompt → Agent 输出 → 人读结果 → 人写新 prompt → ... 人处于循环内部，每个步骤都需要手动干预。
Loop 模式（人→系统→Agent）： 人 → 设计 loop → loop 自动 prompt Agent → loop 读输出 → loop 判断是否完成 → loop 自动重 prompt 或终止 人处于循环外部，从执行者变成了设计者。
一句话精准概括：Loop = Cron + 决策器。模型变成子程序，人变成 loop 的作者。
概念层级
Loop Engineering 不是凭空出现的，它处于一个清晰的概念金字塔中：
Factory Model
— 多 loop 协同产出软件
Loop Engineering
— 让运行环境自己跑起来
Harness Engineering
— 给模型造运行环境
Prompt Engineering
— 怎么跟模型说话
Addy Osmani 的精确定位：「Loop Engineering sits one floor above the harness. The harness runs on a timer, it spawns little helpers, and it feeds itself.」
Harness（运行框架）是静态的基础设施，Loop 是动态的编排层。Harness 解决「Agent 能不能跑」，Loop 解决「Agent 跑不跑、怎么跑、跑到什么时候停」。
三、从 ReAct 到多 Agent 编排：演进之路
Loop Engineering 不是一天建成的：
| 阶段 | 时间 | 核心思想 | 局限性 |
|---|---|---|---|
| ReAct | 2022 | 推理+行动交替进行 | 单步推理，无自主循环 |
| AutoGPT | 2023 | 全自主 Agent，设定目标后自动执行 | 容易失控，缺乏有效终止条件 |
| Ralph Loop | 2025 | 引入结构化循环验证 | 仍需人工介入验证 |
| /goal 和 /loop | 2026 | 声明式目标 + 自动循环 | 需要精心设计目标描述 |
| 多 Agent 编排 | 2026 | 多个 Agent 协同完成复杂任务 | 编排复杂度指数级增长 |
从「人驱动 Agent」到「人设计 Agent 驱动系统」，这是演进的核心趋势。
AutoGPT 是第一个尝试让 Agent 自主循环的项目，但它的失败恰好定义了 Loop Engineering 需要解决的核心问题——没有终止条件的自主循环就是灾难。
四、Loop 的七个原语
Addy Osmani 总结了 Loop 的五个原语，加上状态管理和预算控制，扩展为七个：
| 原语 | Loop 中的角色 |
|---|---|
| Automations | 定时发现与分诊 |
| Worktrees | 并行隔离 |
| Skills | 固化项目知识 |
| Connectors | 连接外部工具 |
| Sub-agents | 制作与审查分离 |
| State | 跨会话记忆 |
| Budget | Token 预算控制 |
4.1 Automations：Loop 的心跳
Automations 是 loop 之所以叫 loop 的原因——不是跑一次就结束，而是持续运行、持续发现。
在 Claude Code 中，/goal 是最重要的原语：给定一个可验证的终止条件（如「test/auth 全通过且 lint clean」），Agent 持续工作直到满足。
关键的架构决策：判断是否完成的不是干活的模型，而是另一个独立的小模型——制造者不批改自己的作业。
4.2 Skills：意图的固化
Skill 的本质不是「教 Agent 做事」，而是把意图固化到磁盘上。
Agent 每次启动都是失忆的。没有 skill，loop 每个循环都从零推导你的项目约定；有 skill，意图被写在外面，agent 每次运行都读取。
「我们不用这种方式是因为那次事故」——这种隐性知识只有 skill 能传递。
4.3 Sub-agents：制造者与审查者分离
Loop 运行时你不在旁边看着——所以你信任的验证器是唯一让你敢走开的东西。
最有效的结构：一个 Agent 写代码，一个不同指令（甚至不同模型）的 Agent 审查。 写代码的模型对自己太客气了，第二双眼睛能抓住第一个说服自己的东西。
4.4 State：Agent 忘记，仓库不忘记
模型在两次运行之间忘记一切，所以记忆必须在磁盘上，不在上下文里。
一个 markdown 文件、一个 Linear board、任何存在于单次对话之外的东西。Addy Osmani 反复强调：This is the same trick every long-running agent depends on.
4.5 Budget：不要让你的钱包爆炸
一个设计不当的 loop 可以在几小时内烧掉数十美元。典型的预算策略：
- max iterations：最多循环多少次
- max cost：token 消费上限
- max time：最长运行时间
- early stop：边际收益低于阈值时自动终止
五、一个真实 Loop 长什么样？
一个典型的开发效益 loop：
1. Automation 每天早上在 repo 上运行
→ 调用 $triage skill，扫描新 issue 和 CI 失败
→ 结果写入 progress.md（State）
2. Loop 读取 progress.md，找到最高优先级任务
→ 派出 sub-agent A（实现者，用 fast model）
→ 在独立 worktree 中工作
→ 完成后派 sub-agent B（审查者，用 strong model）
→ 审查通过 → 开 PR + 关联 Linear ticket（Connector）
→ 审查不通过 → 反馈写回 progress.md，A 重新尝试
3. /goal 判断："所有 P0 issue 已关闭且 CI green"
→ 满足 → loop 终止，通知人
→ 超过迭代上限 → 终止，升级给人
4. Budget 控制：max 15 iterations / $5 / 300s
人在哪些环节介入？三个时机：
- loop 卡住：需要人工方向调整
- 需要外部决策：涉及产品策略或架构变更
- 审查最终结果：合并之前做最终把关
六、核心挑战与应对策略
6.1 Token 成本
一个设计不当的 loop 成本失控。应对：设置严格的 budget 原语，使用 fast model 做实现、strong model 做审查。
6.2 质量保证
Anthropic 内部数据：Claude 写的代码在 2026 年中与人类大致持平。但「能跑」和「可维护」是两件事。应对：建立多层质量防线——自动化测试 → lint → sub-agent 审查 → 人工抽查。
6.3 可调试性
当 loop 出错时，「为什么做了这个决策」是最难回答的问题。应对：每个 iteration 的完整日志、决策树追踪、人可读的 state 变更记录。
6.4 编排税
Addy Osmani 提出的概念：你的 review 带宽是并行度的真正上限。 5 个并行 Agent 听起来很酷，但如果你每小时只能认真审查 1 个 PR，其他 4 个就是在浪费 token。
七、工具生态
2026 年中，各主要工具对 Loop Engineering 的支持程度：
| 工具 | Loop 工程支持 | 适用场景 |
|---|---|---|
| Claude Code | /goal, /loop, hooks, sub-agents, skills | 全栈开发、复杂重构 |
| Codex App | Automations, /goal, sub-agents | 大型项目管理 |
| Cursor | Agent 模式自动循环 | 日常开发、快速原型 |
| OpenClaw | Skills 系统、心跳机制、子 Agent 编排 | 自动化运营、定时任务 |
| LangGraph | 状态图驱动的 Agent 循环 | 复杂工作流编排 |
| CrewAI | 多 Agent 协作 + 任务循环 | 研究、内容创作 |
人才市场也在迅速变化。 一个专门为 Loop Engineer 匹配工作的平台 LoopEngineer.ai 已经上线，薪资范围在 300k+/年。
八、如何成为 Loop Engineer
思维转变
从 → 到
我写代码 → 我设计写代码的系统
我 prompt Agent → 我设计 prompt Agent 的 loop
我验证结果 → 我设计验证结果的机制
我在循环里 → 我在循环外
技能栈
- 编程基础：Python/TypeScript（loop 本身就是程序）
- 系统设计：分布式系统、状态管理、故障恢复
- LLM 理解：能力边界、失效模式、token 经济学
- 评估设计：量化 Agent 输出质量的评估体系
- 编排能力：多 Agent 协同、任务分解、依赖管理
入门路径
- 第一步：在 Claude Code 或 Codex 中尝试 /goal 和 /loop 命令
- 第二步：为你的仓库写第一个 SKILL.md，固化常见模式
- 第三步：设置一个简单的 automation，让 Agent 每天早上自动处理 issue
- 第四步：引入 sub-agent 审查，走通「制造-审查」分离流程
- 第五步：设计完整的多 loop 编排，走向 Factory Model
九、总结与展望
Loop Engineering 不是一个短暂的热词，它精准地描述了一个正在发生的根本性变化：人是如何与 AI 协作的。
Boris Cherny 的数据触目惊心：最近 30 天，100% 对 Claude Code 的贡献（259 个 PR）都是由 Claude Code 自己写的。他的工作不再是写代码，而是设计让 Claude Code 写代码的 loop。
随着 Claude 等模型在开放式任务上的成功率从 26%（2025年底）飙升到 76%（2026年5月），Agent 自主工作的能力正在接近一个临界点。
AI 工程师的核心竞争力正在从「写代码的能力」转向「设计系统的能力」。
你不会再被「你写代码有多快」评价，你会被「你设计的 loop 能产出多少高质量代码」评价。
你准备好从 Prompt Engineering 升级到 Loop Engineering 了吗？
参考资料：Addy Osmani, "Loop Engineering" — Google, 2026 | Anthropic, "When AI builds itself" — June 2026 | Boris Cherny, "Claude Code One Year Retrospective" | Ben's Bites, "Usage patterns in the loop era"
