停止手动输入Prompt！AI编码圈的“循环工程”正在颠覆写代码的方式

Loop Engineering循环工程是AI编码领域的新趋势开发者不再手动给Agent输入prompt而是设计程序自动完成这一过程。通过循环让Agent自主产出代码、测试并验证实现持续的自我改进和产出。这一方法要求开发者从“写代码”转向“设计系统”对人的判断力提出了更高要求。Loop Engineering的核心在于建立有效的反馈机制确保Agent在自动化过程中不会偏离方向。这一趋势标志着AI协作方式的进一步升级将人从高频低权重的决策点推向低频高权重的决策点对工程师和管理者都提出了新的挑战和机遇。6 月 8 日凌晨一个叫 Peter Steinberger 的开发者开源项目 OpenClaw 的作者在 X 上发了两句话“每月提醒一次你不该再给编码 Agent 输入 prompt 了。你应该设计循环让循环去给 Agent 输入 prompt。”没有图没有代码没有链接。就两句话。这条推文获得了650 万次浏览。接下来一整周整个 AI 编码圈都在争论这六个字到底是什么意思。更耐人寻味的是几天前Claude Code 的创造者、Anthropic 的 Boris Cherny 已经在台上说了几乎一模一样的话“我现在不给 Claude 输入 prompt 了。我有一堆循环在运行是它们在给 Claude 输入 prompt、决定该做什么。我的工作是写循环。”两个最懂 AI 编码的人在同一周说了同一件事。一个新词诞生了Loop Engineering循环工程。这篇文章想讲清楚三件事它是什么怎么用以及最重要的——为什么它会在这个时候出现一、Loop Engineering 到底是什么先给一句话定义Loop Engineering 就是你不再亲手给 Agent 输入 prompt而是写一个自动给 Agent 输入 prompt 的程序。这句话听起来有点绕我们拆开看。过去你用 AI 写代码是这样的你输入一句话AI 回一段代码不对你再输入一句它再回一段。你是那个一直待在循环里、一遍遍敲 prompt 的人。Loop Engineering 把这个敲 prompt的动作交给了一个程序。这个程序会自己转圈每一圈做四件事① 给 Agent 输入 prompt——不是你敲是程序自动发出。② Agent 产出——写出代码、跑出测试结果、提交 PR。③ 读取产出判断完成了没有——程序自己读 Agent 干了什么自己决定下一步。**④ 没完成就带着新的上下文回到第①步再来一圈。**完成了就交还给你。关键的转变在这里你不再待在循环里敲 prompt你变成了那个写循环的人。模型从你对话的对象变成了你程序里的一个零件。Boris 用一个三级阶梯描述了自己的演化• **第一级自动补全。**他手写代码AI 给点建议。他是打字员。• **第二级并行会话。**他同时开 5-10 个 Claude 会话挨个给它们输入 prompt。他是 prompt 操作员。• **第三级循环。**他写循环Agent 自己读 GitHub、Slack、Twitter自己决定该做什么。他是循环工程师。证据有多硬在 2025 年 12 月 27 日之前的 30 天里Boris 对 Claude Code 的贡献**100% 是由 Claude Code 自己写的——259 个 PR 合并入库。**他在 2025 年 11 月删掉了自己的 IDE之后再没打开过。二、具体怎么用一个真实场景Claude Code 已经把 /loop 作为内置功能发布了。Boris 自己最经典的一条启动命令是这样的/loop 看护我所有的 PR。自动修复构建问题有人留言评论时派一个 worktree Agent 去处理。翻译成大白话你设定一个循环让它 24 小时盯着你所有的代码合并请求。构建挂了它自动修。有同事提了意见它自动派一个 Agent 去改。你睡觉的时候它在工作。更激进的例子是 Steve Yegge 在 2026 年 1 月开源的 Gas Town 项目。它用一个市长MayorAgent 协调 20-30 个 Claude Code 实例巡逻Agent 持续跑循环所有状态存在 git 里——这样即使某个 Agent 崩溃了工作也不会丢。**这已经不是一个人用 AI 写代码了。这是一个人指挥一支 Agent 舰队而且这支舰队会自己找活干。**还有一个开发者 Matt Van Horn他的循环每晚自动在大约 30 个开源仓库里提交 PR。他睡着的时候代码在合并。三、一个关键澄清loop 不是越自动越好这件事最容易被误解的地方就是以为 loop 就是放手让 AI 自己跑。恰恰相反。推文评论区里最有价值的一条回复是这么说的“设计循环只是一半。另一半是在循环里放一个能说’不’的东西一个测试、一个类型检查、一个真实的报错。一个没有任何东西能反驳它的循环只是 Agent 在不停地自我点头。”Steinberger 本人同意了这个观点。这句话点破了 Loop Engineering 的灵魂**循环的价值不在于自动而在于自我验证。**一个能跑的循环很简单——一个 while 死循环就行。难的是在循环里放进足够强的反馈机制让它知道什么时候做对了、什么时候跑偏了、什么时候该停下来交给人。没有验证机制的循环不是自动化是自动化地犯错。四、为什么偏偏是现在要回答这个问题得先看一个清晰的抽象阶梯。过去三年我们和 AI 协作的方式一级一级地往上爬• **2024 年Prompt Engineering提示工程。**优化单次交互的质量——怎么把一个问题问好怎么给例子怎么指定输出格式。这是如何问一个好问题的世界。• **2025 年Context Engineering上下文工程。**不只优化一句话而是设计模型推理时看到的整个信息环境——系统指令、工具定义、记忆、历史、检索结果。视角从单次提问升到了信息环境设计。• **2026 年初Harness Engineering缰绳工程。**给单次 Agent 运行配上引导和传感器让它在约束中自主工作、犯错能自我纠正。• **2026 年 6 月Loop Engineering循环工程。**设计驱动 Agent 一轮轮自我运转的系统。把这四级放在一起一个规律就浮现了每升一级人离具体执行就远一步离系统设计就近一步。Prompt 时代你还在亲手问每一个问题。Context 时代你设计的是问问题的环境。Harness 时代你设计的是约束 Agent 行为的护栏。到了 Loop 时代你连问问题这个动作本身都交出去了——你设计的是一台会自己问问题的机器。但这个阶梯还藏着一个更深的东西。每往上爬一级你交出去的是控制换回来的是杠杆。Prompt 时代你控制每一句话Loop 时代你连何时问、问什么都交出去了换来的是一个人指挥一支 Agent 舰队的放大效应。而这里的代价是你交出去的控制越多你需要的信任就越多——而信任不能凭空给必须靠验证机制来支撑。答案其实很朴素**自动化总是发生在可靠性跨过某个临界点之后。**你不会让一个不可靠的东西自己循环。到了 2025 年底情况变了。Karpathy 在 2025 年 12 月发现Agent 从偶尔有用但经常要修正变成了持续输出大块正确的代码。Boris 也是在同一个时间点删掉了 IDE。**核心洞察**Harness 让单次奔跑不跑偏Loop 才敢让它一轮轮地自己跑。前者是后者的前提。没有可靠的 HarnessLoop 就是放大器把小错误放大成灾难。有了可靠的 HarnessLoop 才是杠杆把单次的可靠性复利成持续的产出。五、“它不就是个定时任务吗”当然也有冷静甚至刻薄的声音。最犀利的评论只有几个字定时任务最近改名改得挺花哨。“这话半对。是的循环的调度层就是 cron——Boris 确实就是用 cron 跑循环的。如果你对 loop 的全部定义就是一个定时运行的东西”那这玩意儿 1975 年就发明了。但定时任务和 Agent 循环的根本区别在于循环体里那个决策者定时任务跑的是固定脚本每次走一样的分支不会自我纠正。Agent 循环跑的是一个会读取当前状态的模型每一拍都在决定下一个动作能验证、能失败重试、还能派遣和监督其他 Agent。**cron 从来没有的是中间那个会思考、会判断、会喊停的大脑。**Loop Engineering 真正的工程难度不在那个 for 循环而在你给循环体里放了什么——以及你怎么确保它不会跑下悬崖。六、一个反直觉的结论Loop 越成熟对人的判断要求越高大多数人认为 Loop 让人更轻松了——你睡觉它干活一夜提交几十个 PR。但真相恰恰相反。想一想当一个循环能指挥 30 个 Agent、一夜跑出几十个 PR 时如果你设错了一个验证标准、给错了一个目标定义会发生什么循环会忠实地、大规模地、不知疲倦地把这个错误复制到所有产出里。一个人手写代码时判断错误的影响范围是一行、一个函数。一个循环驱动 30 个 Agent 时同一个判断错误的影响范围是 30 个 Agent 一整夜的产出。你的判断被放大了——对的判断和错的判断都被放大了。这就引出了一个反直觉的结论**Loop 时代对人的要求不是更少思考而是在更少的决策点上做密度更高、容错更低的判断。**过去你有几百次小的决策机会每次错一点都能在下一步修正回来——犯错的成本被分散了。现在你的决策点变少了但每一个决策点的权重变大了。所以AI 让人变轻松这个直觉是错的。准确的说法是**AI 把人从高频率、低权重的判断推向了低频率、高权重的判断。**你按的次数少了但每一次按下去的后果重了。七、对管理者和工程师意味着什么**对工程师你的价值正在第三次迁移。**从写代码到写 prompt到写循环。每一次迁移你都离具体执行更远离系统设计更近。如果你还把自己的核心能力定义为我代码写得快那你正在被定义为打字员。真正值钱的能力是设计那个让代码自己被写出来的系统。**对管理者你管理的对象正在变化。**黄仁勋说的 1:100每个员工配 100 个 Agent不再是修辞。当一个工程师能写循环、指挥一支会自己找活干的 Agent 舰队时管理的本质从管人变成了管人 Agent 混合系统。你需要重新思考绩效怎么衡量一个产出 259 个 PR 但全是 AI 写的工程师该怎么评价但最重要的一条Boris 自己点破了他说的不是工程师过时了。仍然需要有人决定建什么、和客户聊、协调团队。工作没有消失——它从写代码变成了写那个写代码的东西。这和我们整个系列反复讲的是同一件事**AI 不会消灭你的工作它会把你的工作往上推一层。**从执行到判断从做事到设计做事的系统。Loop Engineering 只是这个大趋势在编码这个最前沿的领域最新、也最极致的一次体现。0 AI行业迎来前所未有的爆发式增长从DeepSeek百万年薪招聘AI研究员到百度、阿里、腾讯等大厂疯狂布局AI Agent再到国家政策大力扶持数字经济和AI人才培养所有信号都在告诉我们AI的黄金十年真的来了在行业火爆之下AI人才争夺战也日趋白热化其就业前景一片蓝海我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取人才缺口巨大人力资源社会保障部有关报告显示据测算当前****我国人工智能人才缺口超过500万****供求比例达1∶10。脉脉最新数据也显示AI新发岗位量较去年初暴增29倍超1000家AI企业释放7.2万岗位……单拿今年的秋招来说各互联网大厂释放出来的招聘信息中我们就能感受到AI浪潮比如百度90%的技术岗都与AI相关就业薪资超高在旺盛的市场需求下AI岗位不仅招聘量大薪资待遇更是“一骑绝尘”。企业为抢AI核心人才薪资给的非常慷慨过去一年懂AI的人才普遍涨薪40%脉脉高聘发布的《2025年度人才迁徙报告》显示在2025年1月-10月的高薪岗位Top20排行中AI相关岗位占了绝大多数并且平均薪资月薪都超过6w在去年的秋招中小红书给算法相关岗位的薪资为50k起字节开出228万元的超高年薪据《2025年秋季校园招聘白皮书》AI算法类平均年薪达36.9万遥遥领先其他行业总结来说当前人工智能岗位需求多薪资高前景好。在职场里选对赛道就能赢在起跑线。抓住AI风口轻松实现高薪就业但现实却是仍有很多同学不知道如何抓住AI机遇会遇到很多就业难题比如❌ 技术过时只会CRUD的开发者在AI浪潮中沦为“职场裸奔者”❌ 薪资停滞初级岗位内卷到白菜价传统开发3年经验薪资涨幅不足15%❌ 转型无门想学AI却找不到系统路径83%自学党中途放弃。他们的就业难题解决问题的关键在于不仅要选对赛道更要跟对老师我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取