OpenClaw和Anthropic的言论引爆AI圈Google工程师命名“循环工程”Loop Engineering。本文详细解析Loop Engineering的概念将其定位为AI编程范式的跃迁区别于Prompt、Context等工程强调自动化系统设计使AI自主运行。文章阐述Loop的六大核心组成部分自动化调度、Worktrees、Skills、Sub-Agents、Plugins Connectors、Memory并指出其价值在于将重复性工作自动化让人从操作员转变为系统架构师。同时文章也提醒初学者注意Token成本和错误管理强调Prompt Engineering的重要性。一句话让整个AI圈炸锅2026年6月8日OpenClaw的创始人 Peter Steinberger发了一条消息同一时间Anthropic Claude Code 的负责人 Boris Cherny 在公开演讲中说“I don’t prompt Claude anymore. I have loops running. My job is to write loops.”这两句话加起来阅读量破千万。然后 Google 工程总监 Addy Osmani 给这个概念正式命名Loop Engineering循环工程。小编第一次看到这个词的时候一头雾水。又一个新词和 Prompt Engineering、Context Engineering 有什么区别为什么突然所有人都在聊这个花了三天时间读完所有相关文章后小编可以很负责任地告诉你这不是炒概念这是 AI 编程范式的跃迁。如果还停留在逐条手动提示 Claude Code效率会被那些懂 Loop Engineering 的人远远甩开。小编会带小伙伴把需要知道的所有东西讲清楚掌握Loop Engineering甩开一大批人。先讲清楚四个概念在讲Loop Engineering之前小编先把 Prompt EngineeringContext Engineering Harness Engineering Loop Engineering 这四个词梳理清楚。 四层递进结构图这四层不是竞争关系是嵌套关系每一层都建立在上一个基础之上。 第一层Prompt Engineering提示工程2022-2024控制你发给AI的那条消息本身——措辞、格式、示例、指令。作用“怎么问AI才能给出更好的答案”做什么加请一步步思考、用XML标签分隔内容、提供少量示例、限制输出格式局限只作用于单条消息任务一旦需要多步骤、需要工具调用、需要迭代修正单条Prompt的天花板就到了。 第二层Context Engineering上下文工程2025控制 AI 能看到什么——管理整个上下文窗口里的信息。作用“给 AI 喂什么信息它才能做出正确判断”做什么RAG检索增强、管理对话历史、整理代码库相关文件、控制Token使用、对信息按优先级排序局限仍然把AI当读者而非执行者解决的是Agent上下文读取知识的问题解决不了Agent执行问题。 第三层Harness Engineering驾驭工程2026 初设计让AI Agent稳定运行的完整环境——工具、内存、约束、反馈回路、编排逻辑。作用“怎么让单个 Agent 在真实环境中稳定运行而不出乎意料”做什么配置 CLAUDE.md 规则文件、设置权限边界、添加验证门控、设计错误重试机制、连接 MCP工具和 Loop 的区别Harness解决的是单个Agent单次运行的可靠性。它是管理一名士兵Loop是指挥整个作战系统持续运转。一句话区别Harness保证单个Agent任务的可靠性Loop是让这些Agent按计划持续跑、互相配合、自我纠错。 第四层Loop Engineering循环工程2026 中 ← 我们今天的主角设计一套自动化系统让这个系统来发现任务、分配任务给 Agent、验证结果、存储执行状态、决定下一步——不需要人一直坐在那里发指令。作用“怎么让AI系统自己运转我去睡觉它还在干活”做什么写/goal条件让AI自主运行直到结束、用/loop定时扫描CI/PR、启动多个并行Sub-Agent做实现验证、用 SKILL.md存储项目知识和结果•CI持续集成 Continuous Integration是一套自动化开发流程。例如GitHub中每当开发者提交代码系统会自动运行构建和测试确保新代码没有破坏原有功能。•PR拉取请求 Pull Request是代码托管平台如 GitHub 或 GitLab上的一个动作。当开发者完成新功能后会提交一个 PR请求团队其他成员审查代码并合并到主分支中。Loop Engineering 到底是什么小编的理解是Loop Engineering 你不再是那个发Prompt的人而是设计发Prompt的系统的人。旧工作流写 Prompt → 读输出 → 写下一条 Prompt → 读输出 → ...你是发令员新工作流你设计系统 → 系统发现任务 → 系统调用 Agent → Agent 执行 → 系统验证 → 系统决定下一步你是系统架构师Addy Osmani 的定义是“Loop Engineering是不需要再人为提示Agent了设计一个系统来代替你做这件事。一个 Loop 可以理解为一个递归目标——你定义一个最终目的AI不断迭代直到完成。”Loop Engineering解决的问题让小编举个例子。没有Loop维护一个项目每天要做的事情是打开 GitHub 看有没有新 Issue → 看CI有没有挂 → 看有没有 PR 需要 review → 看 Slack 有没有 bug 反馈 → 然后一条条手动让 Claude Code 处理。这整个过程每天花 1-2 小时还容易漏掉。Slack一款流行的团队沟通协作软件常用于外企或互联网公司有了Loop之后一个 Loop 每 30 分钟自动扫描 GitHub Issues 和 CI 状态 → 判断优先级 → 对于简单 bug 直接派一个 Agent 去修 → 修完派另一个 Agent 验证 → 验证通过自动开 PR → 需要人决策的推送通知给我。只需要早上起来看 PR点 Merge 或者 Close。Loop Engineering的价值所在把重复性的、有规律的AI交互架构成自动化系统从我用 AI变成AI为我工作。什么时候用Loop Engineering不是所有任务都需要 Loop按小编理解的就是那些固定、重复的生产流水线工作例如下面这些需求✅ 强烈建议用 Loop 的任务任务具体例子持续监控类每 X 分钟检查 CI 状态、监控错误日志、扫描安全漏洞异步并行类同时处理 10 个不相关的 bug长周期任务需要跨多个会话才能完成的大型重构重复性工作每天自动生成日报、每周生成代码质量报告流水线验证实现一个功能 → 跑测试 → 修测试 → 验证全自动❌ 不适合用 Loop 的任务任务原因一次性探索直接问比设计 Loop 快需要频繁人工判断Loop 的价值在于无人值守预算极紧张Loop 乘以调用频率Token 消耗巨大逻辑不确定不稳定的任务定义会产生不稳定的 LoopLoop Engineering 的六大核心组成部分一个能真正无人值守运行的Loop是由六个部件组成的系统。这六个部分各司其职、彼此依赖缺少任何一个系统都会运转不起来。理解它们是什么、什么功能、它们如何配合是掌握Loop Engineering的前提。 组件一自动化调度Automations / Scheduling——Loop的起搏器决定 Loop 什么时候启动、以什么频率运行。可以是基于时间的每 5 分钟、基于事件的有新 PR 时触发、或者基于目标的跑到条件满足为止。功能把我定期检查X这件事交给“自动化调度”。没有自动化调度loop只是一次的Agent会话有了它loop才是一个持续工作的自动化系统。调度频率直接影响系统的响应速度和 Token 成本。调度太稀疏问题发现得晚调度太密集成本爆炸。主要问题•成本失控高频调度 × 每次调用的 Token 消耗很容易在不知情的情况下产生巨额账单•无限循环如果停止条件设计不好Loop可能永远跑不完直到你的token耗尽•静默失败调度看起来在运行但实际上每次都因为某个错误悄悄退出了而你没有收到任何通知与其他组件的关系调度是起搏器决定系统的节奏。需要依赖**状态Memory来知道上次跑到哪了依赖验证逻辑Sub-Agents**来判断这次跑完了没有。小编特别提醒调度频率必须考虑成本否则可能会收到token账单爆炸 组件二Worktrees工作树——安全并行执行的隔离层为每个并行运行的Agent提供独立工作目录。技术上基于Git Worktree实现——多个目录共享同一个仓库历史但各自的文件修改互不干扰。功能解决多个 Agent 同时干活会不会打架的问题。没有Worktree两个Agent同时修改同一个文件结果就会错乱有了 Worktree每个Agent在自己的沙盒里干活完成后再合并就像多个开发者各自在自己的分支上工作一样。Worktree是并行能力的基础保障。有了它你可以同时处理 10 个 bug、同时跑 编程Agent 和 验证Agent、批量重构大量文件——这些场景在没有隔离保护的情况下都是高危操作。主要问题•烂尾WorktreeAgent任务失败或中断留下没有清理的Worktree久了会占磁盘空间•合并问题积压并行 Agent 各自完成没问题但最终合并时才发现改了同一段逻辑这时候需要人为参与如果长期不处理会导致问题累积•隔离过度每次都创建新的Worktree而不重复使用导致Agent每次都重新理解项目上下文浪费 Token与其他组件的关系Worktree服务于并行执行本质上是为Sub-Agents的分工协作提供物理隔离。它需要状态Memory来追踪哪些Worktree 正在运行、对应哪些任务。需要全面正确的配置Skills技能文件让每个进入新Worktree的Agent都能全面了解项目规范否则隔离会造成信息不全面。 组件三Skills 持久知识Skills / CLAUDE.md——项目的知识技能库把项目知识、编码规范、历史教训、操作约定以文件形式固化下来让每次启动的Agent都能读取——而不是每次都从零开始重新理解项目。功能解决Agent 没有记忆这个根本性问题。每个Agent会话默认是无记忆和知识储备的它不知道项目上周改了什么规范、上个月踩了什么坑、哪个目录不能随便动。Skills和CLAUDE.md把这些知识固定化。没有 Skills每次 Loop 运行都是第一天上班。Skills的质量直接决定Loop运行结果的质量下限。一个好的CLAUDE.md和Skills能让Agent第一次运行就符合项目规范避免Loop不断重复同样的错误。主要问题•Skills未更新项目开发往前推进但CLAUDE.md没有同步更新Agent按旧规范干活•Skills过于冗长把所有细节都塞进一个文件Agent反而抓不住重点或者Token消耗大增•知识孤岛不同Sub-Agent读取不同版本的 Skills导致彼此产出的代码风格和约定不一致与其他组件的关系Skills是整个系统的知识库每个组件都依赖它。Sub-Agents靠它知道做到什么标准才算合格Checker Agent靠它知道用什么标准来验证Worktree里隔离的Agent靠它快速同步项目背景。Skills写得好所有组件的输出质量都会上一个台阶。 组件四Sub-Agents子代理——球员与裁判的隔离在主Loop控制下各自承担不同职责的独立Agent实例。最核心的分工模式是Maker/Checker——一个Agent负责实现另一个独立的Agent负责验证。功能解决让同一个Agent既当球员又当裁判这个结构性缺陷写代码的人天然倾向于认为自己写的代码是对的。独立的Checker Agent用不同的视角、独立的指令来验证结果才能真正发现问题。Sub-Agent的设计直接决定系统的可靠性有了Maker/Checker的分工Loop才能在无人值守的情况下放心运行。主要问题•Checker失职Checker Agent 的指令写得太模糊它只是看了一眼就说通过没有真正验证关键条件•Sub-Agent成本每个Sub-Agent都需要消耗Token一个loop生成3个Sub-Agent成本就是3倍•Maker和Checker分工合作不清晰Maker和Checker之间没有清晰的交接机制Checker不知道要验证什么或者验证标准和实现标准不匹配与其他组件的关系按小编的理解Sub-Agents是Loop中真正干活的角色但它们只知道当前任务不知道历史上发生了什么。Memory状态给它们提供上下文Skills给它们提供标准Worktrees给它们提供安全的执行环境Connectors给它们提供与外部世界交互的能力。 组件五Plugins Connectors插件与连接器——从项目内部到外部任务执行让Loop能够与外部世界交互的工具层。基于MCPModel Context ProtocolAnthropic 推出的工具调用标准协议Agent可以读写GitHub、发 Slack 消息、更新Linear工单、查询数据库、触发CI/CD 流程等。功能解决Loop只能开展本地文件读写工作的局限让它可以自己开PR、自己关Issue、自己发通知、自己触发部署。Connectors决定了Loop能胜任的工作。有了ConnectorsLoop做完的事情不需要人为搬运到真实系统里Loop的结果直接发布到团队协作工具、CI系统、监控平台里形成真正的闭环自动化。主要问题•权限过大Loop出错时会直接在生产系统里产生影响而不只是在本地文件里留下错误•外部依赖Connector对应的服务挂了或者API变了Loop的整个执行闭环都会中断•其他问题Loop跑了100轮每轮都调用Slack发送群通知群通知被你刷屏与其他组件的关系Connectors是Loop链接项目内部和外部世界的桥梁。它的每次调用结果都应该写入Memory状态让系统知道这个PR已经创建了不要重复创建。Sub-Agents通过 Connectors获取外部信息读 GitHub Issues和推送结果开 PR是 Sub-Agent能力的外挂。调度决定了Connectors被触发的频率务必要考虑高频调度 高成本API调用的成本。 组件六Memory / State记忆与状态——跨越单次会话的基础Loop在每次运行之间用来存储和读取状态的记忆存储机制。可以是一个STATE.md文件、一个 LOOP-STATE.json、一个Linear看板列、或者一个GitHub Project视图。功能解决每次Agent启动都是新手这个根本性问题让Loop每次运行都知道自己上次做了什么、哪些任务正在进行、哪些已经完成、哪些需要人介入。一个好的状态文件要能回答三个问题•我们现在在做什么•上次尝试了什么结果如何•哪些事情在等待人类决策状态管理的质量决定了Loop能运行多久、多复杂它甚至比Loop生成代码还重要因为它是整个系统的账本和日志。状态写得混乱会导致Loop重复处理同一个任务、跳过已完成的工作、或者在不该停止的地方停下来。主要问题•状态记录错误Loop写入了过时或错误的状态后续所有运行都基于错误的前提做判断•状态内容过于冗长每次运行都往状态文件里追加内容不清理的话文件越来越大最终Agent读取状态消耗大量Token•状态记录与真实情况不符状态记录Issue #123 已修复但实际上 PR 被 reject 了状态没有同步更新导致这个 Issue 永远被跳过与其他组件的关系Memory 是整个Loop系统的记忆是唯一一个所有其他组件都依赖的部件。调度读取状态决定这次要干什么Sub-Agents读取状态了解历史记录状态结果Connectors每次外部操作都应该有对应的状态记录Skills保存的是怎么干的知识Memory 保存的是干了什么的记录。两者共同构成 Loop 的长期记忆。进入Loop Engineering之前需要知道的事情1. Loop Engineering 目前还很早期工具还在快速演进最佳实践方案和流程还没有定型随时追踪最新动态。2. Token成本是设计时必须考虑的事情一个每 5 分钟运行、每次生成两个 Sub-Agent 的 Loop一天是576次Agent调用。设计Loop的第一步就应该考虑控制成本和设计功能同等重要。原则慎重决策— 先判断有没有真正值得处理的任务只有确认存在必要任务时才生成Sub-Agent。3. 无人值守 未发现的错误在无限地扩散Loop跑得越顺畅出了问题你发现得越晚。一个验证条件写得不够严格的Loop可能在你睡觉的时候把有问题的代码推进了20个PR。所以Checker的设计是 Loop 最重要的设计之一不亚于调度和执行本身。4. 开发人员对项目代码的认知越来越落后这是 Addy Osmani 最尖锐的警告“Loop出货的速度会超过你理解代码的速度。代码会在你不理解它的情况下存在于生产环境中。”5. Prompt Engineering没有消亡而是上移了Loop Engineering没有让Prompt Engineering消失而是把它提升到了一个新的层面。在Skills文件里怎么描述规范、给Checker Agent的验证指令怎么写、定义/goal的条件怎么措辞——这些都是Prompt Engineering只不过它们的作用范围从一次对话扩大到了整个自动化系统的每次运行。好的Prompt Engineering能力在Loop里被放大差的Prompt Engineering能力也会被放大。传统产品经理正在成为下个被淘汰的“传统岗位”。过去画原型、写 PRD、跟进度的“传统技能包”在AI时代正迅速贬值。63% 的企业转型做 AI 产品当下的问题不再是“要不要学 AI ”而是“如何构建 AI 产品”。前段时间还跟字节、腾讯的资深 AI 产品经理沟通他们反馈在大量招人只要有 AI 相关的项目经验基本都能拿到面试机会而且领导很舍得给钱涨薪 40-60% 很正常01接下来的产品人得卷AI能力了如今AI大火行业极速发展的背后懂AI 产品人才却严重稀缺。这不是要你转技术岗而是要掌握构建 AI 产品的核心方法如何将你的领域知识转化为 AI 产品的核心竞争力如何用 AI 技术实现你的产品需求如何设计真正懂用户的 AI 交互体验……懂AI就是产品经理的“救命稻草”风口之下与其焦虑被行业淘汰不如先人一步享受AI技术带来的红利我把AI产品经理的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】不限年龄不限岗位没有代码基础也能学现在扫码完课还送《AI产品面试题库》《AI大模型应用案例集》02掌握技术实战快速转型想成为一名卓越的AI大模型产品经理需要从技术、到项目实战的全方位转型指南**1**AI产品应用原理解析产品经理也能听懂对于产品经理来说如果你不懂技术做不了业务和AI大模型技术衔接、定义不了数据需求是没法完整的落地一个产品的本次课程专门面向产品经理人群解析当下最热门的AI产品应用的必备的「大模型」、「多模态」的实际应用和算法原理解析AI产品应用技术积累大模型能力简单易懂不需要会代码小白也能掌握大模型微调掌握主流大模型如DeepSeek、Qwen等的微调技术针对特定场景优化模型性能。学习如何利用领域数据如制造、医药、金融等进行模型定制AI Agent智能体搭建学习如何设计和开发AI Agent实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手产品如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等2超全行业案例解析课程详细讲解现阶段大模型在各个行业和领域的应用现状包括零售与电商、教育、医疗、泛娱乐、法律等等10大行业详细讲解案例的思路、应用场景以及背后的技术原理、核心技术揭秘各个行业、场景的真实现状和未来产品的发展与机遇可以说讲解完一个案例就能积累一个AI产品实践的经验课程中所涉及到的实战项目都可以直接在自己的工作中使用让自己的产品/项目有可借鉴的成功案例3AI产品经理求职专项辅导课程中会系统的帮助大家拆解字节、腾讯、百度等大厂AI PM岗位JD关键词掌握AI PM高频面试题型与回答框架展示 AI 相关能力的关键技巧Prompt设计、模型评估、A/B测试、成本意识、与算法/工程协作经验To B类AI产品经理突出“行业理解 技术落地 商业闭环”能力的简历结构设计展示项目成果从客户需求洞察到技术方案设计展现端到产品思维如何评估To B AI产品的可行性、客户付费意愿与实施成本To C类AI产品经理拆解头部公司岗位JD将过往尽力转化为AI产品叙事逻辑从行业趋势、产品设计题、案例分析数据分析题、技术理解边界等全流程辅导面试避免无效海投、锁定最适合的AI产品岗位03本次课程全程直播讲解能直接对话大佬和专业助教不懂就问超详细的案例小白也能轻松get完课后还赠送《AI产品经理面试题库》、《AI大模型应用案例集》不断更新中……适合人群想转型AI产品经理、AI项目管理专家、AI产品解决方案等岗位想进行AI产品创业的创业者想成为制作AI产品的程序员想利用AI解决企业问题的管理岗想在AI方向寻找就业方向的毕业生AI方向前景广阔、待遇好目前很多产品人已经通过完整学习拿到大厂高薪offer收入嗷嗷涨我把AI产品经理的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
技术小白学AI新技术：通俗易懂，入门全网爆火的Loop Engineering
OpenClaw和Anthropic的言论引爆AI圈Google工程师命名“循环工程”Loop Engineering。本文详细解析Loop Engineering的概念将其定位为AI编程范式的跃迁区别于Prompt、Context等工程强调自动化系统设计使AI自主运行。文章阐述Loop的六大核心组成部分自动化调度、Worktrees、Skills、Sub-Agents、Plugins Connectors、Memory并指出其价值在于将重复性工作自动化让人从操作员转变为系统架构师。同时文章也提醒初学者注意Token成本和错误管理强调Prompt Engineering的重要性。一句话让整个AI圈炸锅2026年6月8日OpenClaw的创始人 Peter Steinberger发了一条消息同一时间Anthropic Claude Code 的负责人 Boris Cherny 在公开演讲中说“I don’t prompt Claude anymore. I have loops running. My job is to write loops.”这两句话加起来阅读量破千万。然后 Google 工程总监 Addy Osmani 给这个概念正式命名Loop Engineering循环工程。小编第一次看到这个词的时候一头雾水。又一个新词和 Prompt Engineering、Context Engineering 有什么区别为什么突然所有人都在聊这个花了三天时间读完所有相关文章后小编可以很负责任地告诉你这不是炒概念这是 AI 编程范式的跃迁。如果还停留在逐条手动提示 Claude Code效率会被那些懂 Loop Engineering 的人远远甩开。小编会带小伙伴把需要知道的所有东西讲清楚掌握Loop Engineering甩开一大批人。先讲清楚四个概念在讲Loop Engineering之前小编先把 Prompt EngineeringContext Engineering Harness Engineering Loop Engineering 这四个词梳理清楚。 四层递进结构图这四层不是竞争关系是嵌套关系每一层都建立在上一个基础之上。 第一层Prompt Engineering提示工程2022-2024控制你发给AI的那条消息本身——措辞、格式、示例、指令。作用“怎么问AI才能给出更好的答案”做什么加请一步步思考、用XML标签分隔内容、提供少量示例、限制输出格式局限只作用于单条消息任务一旦需要多步骤、需要工具调用、需要迭代修正单条Prompt的天花板就到了。 第二层Context Engineering上下文工程2025控制 AI 能看到什么——管理整个上下文窗口里的信息。作用“给 AI 喂什么信息它才能做出正确判断”做什么RAG检索增强、管理对话历史、整理代码库相关文件、控制Token使用、对信息按优先级排序局限仍然把AI当读者而非执行者解决的是Agent上下文读取知识的问题解决不了Agent执行问题。 第三层Harness Engineering驾驭工程2026 初设计让AI Agent稳定运行的完整环境——工具、内存、约束、反馈回路、编排逻辑。作用“怎么让单个 Agent 在真实环境中稳定运行而不出乎意料”做什么配置 CLAUDE.md 规则文件、设置权限边界、添加验证门控、设计错误重试机制、连接 MCP工具和 Loop 的区别Harness解决的是单个Agent单次运行的可靠性。它是管理一名士兵Loop是指挥整个作战系统持续运转。一句话区别Harness保证单个Agent任务的可靠性Loop是让这些Agent按计划持续跑、互相配合、自我纠错。 第四层Loop Engineering循环工程2026 中 ← 我们今天的主角设计一套自动化系统让这个系统来发现任务、分配任务给 Agent、验证结果、存储执行状态、决定下一步——不需要人一直坐在那里发指令。作用“怎么让AI系统自己运转我去睡觉它还在干活”做什么写/goal条件让AI自主运行直到结束、用/loop定时扫描CI/PR、启动多个并行Sub-Agent做实现验证、用 SKILL.md存储项目知识和结果•CI持续集成 Continuous Integration是一套自动化开发流程。例如GitHub中每当开发者提交代码系统会自动运行构建和测试确保新代码没有破坏原有功能。•PR拉取请求 Pull Request是代码托管平台如 GitHub 或 GitLab上的一个动作。当开发者完成新功能后会提交一个 PR请求团队其他成员审查代码并合并到主分支中。Loop Engineering 到底是什么小编的理解是Loop Engineering 你不再是那个发Prompt的人而是设计发Prompt的系统的人。旧工作流写 Prompt → 读输出 → 写下一条 Prompt → 读输出 → ...你是发令员新工作流你设计系统 → 系统发现任务 → 系统调用 Agent → Agent 执行 → 系统验证 → 系统决定下一步你是系统架构师Addy Osmani 的定义是“Loop Engineering是不需要再人为提示Agent了设计一个系统来代替你做这件事。一个 Loop 可以理解为一个递归目标——你定义一个最终目的AI不断迭代直到完成。”Loop Engineering解决的问题让小编举个例子。没有Loop维护一个项目每天要做的事情是打开 GitHub 看有没有新 Issue → 看CI有没有挂 → 看有没有 PR 需要 review → 看 Slack 有没有 bug 反馈 → 然后一条条手动让 Claude Code 处理。这整个过程每天花 1-2 小时还容易漏掉。Slack一款流行的团队沟通协作软件常用于外企或互联网公司有了Loop之后一个 Loop 每 30 分钟自动扫描 GitHub Issues 和 CI 状态 → 判断优先级 → 对于简单 bug 直接派一个 Agent 去修 → 修完派另一个 Agent 验证 → 验证通过自动开 PR → 需要人决策的推送通知给我。只需要早上起来看 PR点 Merge 或者 Close。Loop Engineering的价值所在把重复性的、有规律的AI交互架构成自动化系统从我用 AI变成AI为我工作。什么时候用Loop Engineering不是所有任务都需要 Loop按小编理解的就是那些固定、重复的生产流水线工作例如下面这些需求✅ 强烈建议用 Loop 的任务任务具体例子持续监控类每 X 分钟检查 CI 状态、监控错误日志、扫描安全漏洞异步并行类同时处理 10 个不相关的 bug长周期任务需要跨多个会话才能完成的大型重构重复性工作每天自动生成日报、每周生成代码质量报告流水线验证实现一个功能 → 跑测试 → 修测试 → 验证全自动❌ 不适合用 Loop 的任务任务原因一次性探索直接问比设计 Loop 快需要频繁人工判断Loop 的价值在于无人值守预算极紧张Loop 乘以调用频率Token 消耗巨大逻辑不确定不稳定的任务定义会产生不稳定的 LoopLoop Engineering 的六大核心组成部分一个能真正无人值守运行的Loop是由六个部件组成的系统。这六个部分各司其职、彼此依赖缺少任何一个系统都会运转不起来。理解它们是什么、什么功能、它们如何配合是掌握Loop Engineering的前提。 组件一自动化调度Automations / Scheduling——Loop的起搏器决定 Loop 什么时候启动、以什么频率运行。可以是基于时间的每 5 分钟、基于事件的有新 PR 时触发、或者基于目标的跑到条件满足为止。功能把我定期检查X这件事交给“自动化调度”。没有自动化调度loop只是一次的Agent会话有了它loop才是一个持续工作的自动化系统。调度频率直接影响系统的响应速度和 Token 成本。调度太稀疏问题发现得晚调度太密集成本爆炸。主要问题•成本失控高频调度 × 每次调用的 Token 消耗很容易在不知情的情况下产生巨额账单•无限循环如果停止条件设计不好Loop可能永远跑不完直到你的token耗尽•静默失败调度看起来在运行但实际上每次都因为某个错误悄悄退出了而你没有收到任何通知与其他组件的关系调度是起搏器决定系统的节奏。需要依赖**状态Memory来知道上次跑到哪了依赖验证逻辑Sub-Agents**来判断这次跑完了没有。小编特别提醒调度频率必须考虑成本否则可能会收到token账单爆炸 组件二Worktrees工作树——安全并行执行的隔离层为每个并行运行的Agent提供独立工作目录。技术上基于Git Worktree实现——多个目录共享同一个仓库历史但各自的文件修改互不干扰。功能解决多个 Agent 同时干活会不会打架的问题。没有Worktree两个Agent同时修改同一个文件结果就会错乱有了 Worktree每个Agent在自己的沙盒里干活完成后再合并就像多个开发者各自在自己的分支上工作一样。Worktree是并行能力的基础保障。有了它你可以同时处理 10 个 bug、同时跑 编程Agent 和 验证Agent、批量重构大量文件——这些场景在没有隔离保护的情况下都是高危操作。主要问题•烂尾WorktreeAgent任务失败或中断留下没有清理的Worktree久了会占磁盘空间•合并问题积压并行 Agent 各自完成没问题但最终合并时才发现改了同一段逻辑这时候需要人为参与如果长期不处理会导致问题累积•隔离过度每次都创建新的Worktree而不重复使用导致Agent每次都重新理解项目上下文浪费 Token与其他组件的关系Worktree服务于并行执行本质上是为Sub-Agents的分工协作提供物理隔离。它需要状态Memory来追踪哪些Worktree 正在运行、对应哪些任务。需要全面正确的配置Skills技能文件让每个进入新Worktree的Agent都能全面了解项目规范否则隔离会造成信息不全面。 组件三Skills 持久知识Skills / CLAUDE.md——项目的知识技能库把项目知识、编码规范、历史教训、操作约定以文件形式固化下来让每次启动的Agent都能读取——而不是每次都从零开始重新理解项目。功能解决Agent 没有记忆这个根本性问题。每个Agent会话默认是无记忆和知识储备的它不知道项目上周改了什么规范、上个月踩了什么坑、哪个目录不能随便动。Skills和CLAUDE.md把这些知识固定化。没有 Skills每次 Loop 运行都是第一天上班。Skills的质量直接决定Loop运行结果的质量下限。一个好的CLAUDE.md和Skills能让Agent第一次运行就符合项目规范避免Loop不断重复同样的错误。主要问题•Skills未更新项目开发往前推进但CLAUDE.md没有同步更新Agent按旧规范干活•Skills过于冗长把所有细节都塞进一个文件Agent反而抓不住重点或者Token消耗大增•知识孤岛不同Sub-Agent读取不同版本的 Skills导致彼此产出的代码风格和约定不一致与其他组件的关系Skills是整个系统的知识库每个组件都依赖它。Sub-Agents靠它知道做到什么标准才算合格Checker Agent靠它知道用什么标准来验证Worktree里隔离的Agent靠它快速同步项目背景。Skills写得好所有组件的输出质量都会上一个台阶。 组件四Sub-Agents子代理——球员与裁判的隔离在主Loop控制下各自承担不同职责的独立Agent实例。最核心的分工模式是Maker/Checker——一个Agent负责实现另一个独立的Agent负责验证。功能解决让同一个Agent既当球员又当裁判这个结构性缺陷写代码的人天然倾向于认为自己写的代码是对的。独立的Checker Agent用不同的视角、独立的指令来验证结果才能真正发现问题。Sub-Agent的设计直接决定系统的可靠性有了Maker/Checker的分工Loop才能在无人值守的情况下放心运行。主要问题•Checker失职Checker Agent 的指令写得太模糊它只是看了一眼就说通过没有真正验证关键条件•Sub-Agent成本每个Sub-Agent都需要消耗Token一个loop生成3个Sub-Agent成本就是3倍•Maker和Checker分工合作不清晰Maker和Checker之间没有清晰的交接机制Checker不知道要验证什么或者验证标准和实现标准不匹配与其他组件的关系按小编的理解Sub-Agents是Loop中真正干活的角色但它们只知道当前任务不知道历史上发生了什么。Memory状态给它们提供上下文Skills给它们提供标准Worktrees给它们提供安全的执行环境Connectors给它们提供与外部世界交互的能力。 组件五Plugins Connectors插件与连接器——从项目内部到外部任务执行让Loop能够与外部世界交互的工具层。基于MCPModel Context ProtocolAnthropic 推出的工具调用标准协议Agent可以读写GitHub、发 Slack 消息、更新Linear工单、查询数据库、触发CI/CD 流程等。功能解决Loop只能开展本地文件读写工作的局限让它可以自己开PR、自己关Issue、自己发通知、自己触发部署。Connectors决定了Loop能胜任的工作。有了ConnectorsLoop做完的事情不需要人为搬运到真实系统里Loop的结果直接发布到团队协作工具、CI系统、监控平台里形成真正的闭环自动化。主要问题•权限过大Loop出错时会直接在生产系统里产生影响而不只是在本地文件里留下错误•外部依赖Connector对应的服务挂了或者API变了Loop的整个执行闭环都会中断•其他问题Loop跑了100轮每轮都调用Slack发送群通知群通知被你刷屏与其他组件的关系Connectors是Loop链接项目内部和外部世界的桥梁。它的每次调用结果都应该写入Memory状态让系统知道这个PR已经创建了不要重复创建。Sub-Agents通过 Connectors获取外部信息读 GitHub Issues和推送结果开 PR是 Sub-Agent能力的外挂。调度决定了Connectors被触发的频率务必要考虑高频调度 高成本API调用的成本。 组件六Memory / State记忆与状态——跨越单次会话的基础Loop在每次运行之间用来存储和读取状态的记忆存储机制。可以是一个STATE.md文件、一个 LOOP-STATE.json、一个Linear看板列、或者一个GitHub Project视图。功能解决每次Agent启动都是新手这个根本性问题让Loop每次运行都知道自己上次做了什么、哪些任务正在进行、哪些已经完成、哪些需要人介入。一个好的状态文件要能回答三个问题•我们现在在做什么•上次尝试了什么结果如何•哪些事情在等待人类决策状态管理的质量决定了Loop能运行多久、多复杂它甚至比Loop生成代码还重要因为它是整个系统的账本和日志。状态写得混乱会导致Loop重复处理同一个任务、跳过已完成的工作、或者在不该停止的地方停下来。主要问题•状态记录错误Loop写入了过时或错误的状态后续所有运行都基于错误的前提做判断•状态内容过于冗长每次运行都往状态文件里追加内容不清理的话文件越来越大最终Agent读取状态消耗大量Token•状态记录与真实情况不符状态记录Issue #123 已修复但实际上 PR 被 reject 了状态没有同步更新导致这个 Issue 永远被跳过与其他组件的关系Memory 是整个Loop系统的记忆是唯一一个所有其他组件都依赖的部件。调度读取状态决定这次要干什么Sub-Agents读取状态了解历史记录状态结果Connectors每次外部操作都应该有对应的状态记录Skills保存的是怎么干的知识Memory 保存的是干了什么的记录。两者共同构成 Loop 的长期记忆。进入Loop Engineering之前需要知道的事情1. Loop Engineering 目前还很早期工具还在快速演进最佳实践方案和流程还没有定型随时追踪最新动态。2. Token成本是设计时必须考虑的事情一个每 5 分钟运行、每次生成两个 Sub-Agent 的 Loop一天是576次Agent调用。设计Loop的第一步就应该考虑控制成本和设计功能同等重要。原则慎重决策— 先判断有没有真正值得处理的任务只有确认存在必要任务时才生成Sub-Agent。3. 无人值守 未发现的错误在无限地扩散Loop跑得越顺畅出了问题你发现得越晚。一个验证条件写得不够严格的Loop可能在你睡觉的时候把有问题的代码推进了20个PR。所以Checker的设计是 Loop 最重要的设计之一不亚于调度和执行本身。4. 开发人员对项目代码的认知越来越落后这是 Addy Osmani 最尖锐的警告“Loop出货的速度会超过你理解代码的速度。代码会在你不理解它的情况下存在于生产环境中。”5. Prompt Engineering没有消亡而是上移了Loop Engineering没有让Prompt Engineering消失而是把它提升到了一个新的层面。在Skills文件里怎么描述规范、给Checker Agent的验证指令怎么写、定义/goal的条件怎么措辞——这些都是Prompt Engineering只不过它们的作用范围从一次对话扩大到了整个自动化系统的每次运行。好的Prompt Engineering能力在Loop里被放大差的Prompt Engineering能力也会被放大。传统产品经理正在成为下个被淘汰的“传统岗位”。过去画原型、写 PRD、跟进度的“传统技能包”在AI时代正迅速贬值。63% 的企业转型做 AI 产品当下的问题不再是“要不要学 AI ”而是“如何构建 AI 产品”。前段时间还跟字节、腾讯的资深 AI 产品经理沟通他们反馈在大量招人只要有 AI 相关的项目经验基本都能拿到面试机会而且领导很舍得给钱涨薪 40-60% 很正常01接下来的产品人得卷AI能力了如今AI大火行业极速发展的背后懂AI 产品人才却严重稀缺。这不是要你转技术岗而是要掌握构建 AI 产品的核心方法如何将你的领域知识转化为 AI 产品的核心竞争力如何用 AI 技术实现你的产品需求如何设计真正懂用户的 AI 交互体验……懂AI就是产品经理的“救命稻草”风口之下与其焦虑被行业淘汰不如先人一步享受AI技术带来的红利我把AI产品经理的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】不限年龄不限岗位没有代码基础也能学现在扫码完课还送《AI产品面试题库》《AI大模型应用案例集》02掌握技术实战快速转型想成为一名卓越的AI大模型产品经理需要从技术、到项目实战的全方位转型指南**1**AI产品应用原理解析产品经理也能听懂对于产品经理来说如果你不懂技术做不了业务和AI大模型技术衔接、定义不了数据需求是没法完整的落地一个产品的本次课程专门面向产品经理人群解析当下最热门的AI产品应用的必备的「大模型」、「多模态」的实际应用和算法原理解析AI产品应用技术积累大模型能力简单易懂不需要会代码小白也能掌握大模型微调掌握主流大模型如DeepSeek、Qwen等的微调技术针对特定场景优化模型性能。学习如何利用领域数据如制造、医药、金融等进行模型定制AI Agent智能体搭建学习如何设计和开发AI Agent实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手产品如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等2超全行业案例解析课程详细讲解现阶段大模型在各个行业和领域的应用现状包括零售与电商、教育、医疗、泛娱乐、法律等等10大行业详细讲解案例的思路、应用场景以及背后的技术原理、核心技术揭秘各个行业、场景的真实现状和未来产品的发展与机遇可以说讲解完一个案例就能积累一个AI产品实践的经验课程中所涉及到的实战项目都可以直接在自己的工作中使用让自己的产品/项目有可借鉴的成功案例3AI产品经理求职专项辅导课程中会系统的帮助大家拆解字节、腾讯、百度等大厂AI PM岗位JD关键词掌握AI PM高频面试题型与回答框架展示 AI 相关能力的关键技巧Prompt设计、模型评估、A/B测试、成本意识、与算法/工程协作经验To B类AI产品经理突出“行业理解 技术落地 商业闭环”能力的简历结构设计展示项目成果从客户需求洞察到技术方案设计展现端到产品思维如何评估To B AI产品的可行性、客户付费意愿与实施成本To C类AI产品经理拆解头部公司岗位JD将过往尽力转化为AI产品叙事逻辑从行业趋势、产品设计题、案例分析数据分析题、技术理解边界等全流程辅导面试避免无效海投、锁定最适合的AI产品岗位03本次课程全程直播讲解能直接对话大佬和专业助教不懂就问超详细的案例小白也能轻松get完课后还赠送《AI产品经理面试题库》、《AI大模型应用案例集》不断更新中……适合人群想转型AI产品经理、AI项目管理专家、AI产品解决方案等岗位想进行AI产品创业的创业者想成为制作AI产品的程序员想利用AI解决企业问题的管理岗想在AI方向寻找就业方向的毕业生AI方向前景广阔、待遇好目前很多产品人已经通过完整学习拿到大厂高薪offer收入嗷嗷涨我把AI产品经理的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
