Loop Engineering：不再 prompt，而是设计系统
Loop Engineering：下一代 AI 开发范式，你不再 prompt agent，而是设计系统
这两天外网又在热议一个新词：Loop Engineering（循环工程）。
很多人第一反应是：又来了，AI 圈造词真快，Prompt Engineering 还没整明白，又出来个 Loop Engineering。
坦白讲，这种焦虑我也有。但这回不太一样。
Loop Engineering 标志着 AI 编程范式正在经历一次重大的抽象层级跃迁。 " 简单来说，开发者不再需要手动、逐轮地向 AI Agent 输入提示词，而是设计一套能够持续调度、约束和验证 AI 的"循环系统"，让 AI 像流水线一样自主运转。
这个概念来自 Claude Code 的负责人 Boris 与 Cat Wu 的访谈。
之前做法是：不再直接写代码，而是与 Agent 对话，通过 AI 来实现代码。
如今改为：loop 工程交互，通过调度上千个 Agent 来实现。
而且通过 Agent 自己运行并检查输出，通过测试结果将各种问题和解法回写技能文档。
从 Prompt Engineering 到 Loop Engineering
让我们先理清楚这个演进路径。
Prompt Engineering 是第一阶段。
那时候我们还在纠结：怎么写出一条完美的提示词？要不要用 CO-STAR 框架？要不要加Few-shot？上下文窗口够不够？
这时候，我们是"提示词工程师"，每天琢磨的是怎么让 AI 听懂人话。
Context Engineering 是第二阶段。
大家发现，光有一条好提示词不够，还得管理好上下文。于是有了 RAG、有了长窗口、有了上下文压缩技术。
这时候，我们是"上下文工程师"，每天琢磨的是怎么给 AI 喂对资料。
Loop Engineering 是第三阶段。
现在已经过了"让 Agent 会不会写代码"这个阶段。Claude Code、Codex、Cursor Agent 这类工具已经可以读仓库、改文件、执行命令、跑测试、调用工具、维护上下文。
新的问题是：如何让这些成熟的 Agent 自主地完成复杂任务？
这就是 Loop Engineering 要解决的问题。
谷歌云 AI 工程总监 Addy Osmani 给了一个清晰的描述：
Loop Engineering，就是用你设计的系统替代你本人去提示 Agent。
Loop 可以理解为一个递归目标：你定义一个目的，AI 持续迭代直到完成。
Loop Engineering 到底是什么？
传统 Prompt Engineering 的模式是：
你 → 写 Prompt → AI → 执行 → 你 → 检查结果 → 你 → 写新 Prompt → ...每一步都需要人类介入。
而 Loop Engineering 的模式是：
你 → 定义目标 → Loop 系统 → AI 自动执行 → 验证 → 迭代 → 直到完成人类退出持续提示的位置，转去设计一个系统。这个系统会自动发现工作、分派任务、检查结果并决定下一步。
这里面融合了 Agent Team（多 Agent 模式）、自动化、上下文、工具设施、Skills 等一系列已有的 Agent 思想。
但 Loop Engineering 不是一个新工具，而是一个新的工程范式。
Loop Engineering 的五个核心模块
一个完整的 Loop 系统通常由以下五个模块和一个记忆机制构成：
1. 目标定义模块
你需要清晰地向系统传达"什么是成功"。
不是模糊的"写个好的登录页面"，而是可度量的目标：
- "用户登录成功率 > 95%"
- "页面加载时间 < 2 秒"
- "通过所有安全测试"
2. 任务分解模块
系统会将大目标自动拆解为可执行的小任务。
比如"实现用户认证系统"会被拆解为：
- 设计数据库表结构
- 实现 JWT 签发逻辑
- 编写注册 API
- 编写登录 API
- 添加单元测试
- 集成测试
- 部署到测试环境
3. Agent 编排模块
这是 Loop 的心脏。它负责：
- 调度哪些 Agent 来执行哪些任务
- Agent 之间如何协作
- 如何处理 Agent 的输出
- 如何处理失败和重试
一个典型的 Loop 可能会调度上百个 Agent 协同工作。
4. 验证反馈模块
系统需要自动检查执行结果：
- 测试是否通过？
- 代码是否符合规范？
- 性能是否达标？
- 安全是否有漏洞？
如果验证失败，Loop 会自动调整策略重新执行。
5. 学习迭代模块
这是 Loop 最强大的地方。
系统会将每次执行的结果、遇到的问题、解决方案都记录下来，不断优化自己的行为。
比如某个 Agent 总是在某类任务上失败，系统会学会换一个 Agent 或者调整提示策略。
6. 记忆机制
贯穿整个过程的是记忆机制：
- 任务历史
- 执行结果
- 错误日志
- 优化记录
这些记忆让 Loop 越用越聪明。
实战：如何设计一个 Loop 系统？
举一个实际例子：假设你要让 AI 自动完成"部署一个 Web 应用"这个任务。
传统 Prompt Engineering 做法
你需要反复对话：
你：帮我部署一个 Web 应用
AI：好的，需要先了解...
你：这是一个 Node.js 应用
AI：那我们需要 Docker 化
你：写个 Dockerfile
AI：[生成 Dockerfile]
你：不够完善，要加多阶段构建
AI：[重新生成]
...每一轮都需要你手动推动。
Loop Engineering 做法
你设计一个 Loop 系统：
目标：部署 Web 应用到生产环境
约束：
- 零停机部署
- 自动回滚机制
- 监控覆盖
- 安全扫描通过
Loop 自动执行：
1. 分析项目结构
2. 生成 Dockerfile
3. 编写 docker-compose.yml
4. 配置 CI/CD 流水线
5. 部署到测试环境
6. 运行测试
7. 扫描安全漏洞
8. 部署到生产环境
9. 验证部署结果
10. 失败则回滚，成功则记录模式整个过程你可能只需要在开始时定义目标和约束，中间完全由 Loop 自主推进。
Loop Engineering ≠ 取代 Harness
很多人担心：Loop Engineering 是不是要取代 Harness（Agent 工程环境）？
答案是：不，Loop Engineering 是建立在 Harness 基础之上的。
Harness 帮你搭建好了特定领域的完整 Agent 基础设施：
- 文件系统访问
- 代码执行环境
- 工具调用能力
- 权限管理
- 上下文管理
而 Loop 则是帮你自动去使用一整套 Harness Agent。
你只需要在最顶层指挥 Loop Agent。
打个比方：
- Harness 是工具箱（锤子、扳手、螺丝刀）
- Loop 是自动化工装（机器人手臂、传送带、质检系统）
工具箱不会过时，反而是自动化工装的基础。
三层技术栈，相互叠加
Loop Engineering 不是要推翻之前的工程实践，而是在其基础上增加新的抽象层。
Layer 3: Loop Engineering（自主控制系统设计）
↓
Layer 2: Context Engineering（上下文管理）
↓
Layer 1: Prompt Engineering（单条指令优化）三层相互叠加，而非取代。
- 没有 Prompt Engineering，Agent 听不懂指令
- 没有 Context Engineering，Agent 记不住信息
- 没有 Loop Engineering，Agent 干不了复杂任务
总结：从"写提示词"到"设计系统"
Loop Engineering 带来的最大变化，是开发者角色的转变：
从"写提示词的人"，变成"设计系统的人"。
这就像从手动挡司机变成自动驾驶系统设计师。
你不再是每次都握着方向盘调整方向，而是设计一套能让车自己开向目的地的系统。
但这不意味着你可以更轻松。
设计系统比写提示词更难。
你需要理解：
- 如何将模糊目标转化为可度量指标
- 如何拆解复杂任务
- 如何编排多个 Agent
- 如何设计验证机制
- 如何让系统从失败中学习
这些都是工程问题，不是 Prompt 问题。
软件工程从未真正改变，只是换了种形式。
Loop Engineering 讨论的重点，已经越过"让 Agent 会不会写代码"这个阶段。
现在的问题是：如何让 Agent 像工程师一样思考和解决问题？
答案不是更好的 Prompt，而是更好的系统设计。
最后，坦白讲一句：
Loop Engineering 这个词可能还会变，但背后的趋势不会变。
AI 开发正在从"对话式"走向"系统化"。
你准备好了吗？