从手动提示到自动化循环

过去两年，使用编码智能体的主流方式十分简单：编写精细化提示词、补充完整项目上下文，发送指令后查看返回结果，再根据输出继续下达新指令。整个过程中，人始终主导每一轮交互，AI 只是单纯的工具。

但这种模式正在被颠覆。现在，你可以搭建一套自动化系统，让它自主发现待办任务、分配工作、校验成果、归档已完成内容，并规划后续任务，全程替代人工调度 AI 智能体。这就是循环工程（Loop Engineering）——AI 编码智能体协作的全新范式。

“我不再手动提示 Claude 了。我有 loop 在跑，它们负责提示 Claude、决定下一步做什么。我的工作是写 loop。”

—— Boris Cherny，Anthropic Claude Code 负责人

循环工程的核心，是让工程师从“写提示词”转变为“设计循环系统”。这套系统能够自动发现任务、分配任务、检查结果、记录状态、决定下一步，而工程师的角色则变为循环架构的设计者与维护者。

循环系统的六大核心组成

一套完整的自动化循环，包含五大核心功能模块，外加一项必备的持久化记忆能力：

自动化调度：定时启动任务，自主完成问题发现与任务分类

工作树：支持多智能体并行作业，规避文件冲突

项目技能：沉淀项目专属知识，避免重复解释背景

插件与连接器：打通 AI 智能体与现有研发、办公工具的链路

子智能体：拆分“执行方”与“校验方”，各司其职

持久化记忆：独立于会话之外，记录任务进度、成果与待办事项

Claude Code 与 Codex 两款主流工具均已完整搭载以上六大能力。二者功能逻辑一致，仅命名与操作形式略有区别。

自动化调度：循环的运转核心

自动化是区分“单次手动运行”和“持续循环”的核心。

在 Codex 中，你可以在自动化面板创建定时任务，选定目标项目、配置执行指令与运行频次，并选择在本地目录或独立工作树中运行。任务执行后，有价值的待处理问题会归入待办列表，无异常的运行记录则自动归档。OpenAI 内部依靠这类自动化能力处理每日问题筛查、CI 报错总结、编写代码提交说明、排查历史迭代引入的漏洞等。

Claude Code 则通过 /loop 指令实现周期性重复执行，支持配置 Cron 定时任务；可在智能体生命周期的某些节点触发 Shell 命令；即便关闭电脑，也能将任务托管至 GitHub Actions 后台持续运行。

两款工具还配备了核心原语 /goal：它会持续迭代工作，直到预设终止条件达成。每一轮迭代结束后，由独立的轻量化模型校验任务状态，而非执行代码的主智能体自行判断。你可以设定规则，例如“test/auth 目录下所有测试用例通过、代码检测工具校验无误”，随后交由系统自主运行即可。

工作树：保障多智能体并行协作

当多个 AI 智能体同时运作时，极易出现文件编辑冲突。Git 工作树（worktree）完美解决了这一问题：它是独立的工作目录，基于代码库历史创建专属分支，不同智能体的编辑操作相互隔离、互不干扰。

Codex 原生集成工作树能力，支持多线程同时操作同一代码库。Claude Code 则通过 --worktree 参数在独立目录启动会话，也可在子智能体配置中开启 isolation: worktree 模式，为每个辅助智能体分配全新独立工作区，任务结束后自动清理。

项目技能：沉淀知识，消除重复沟通

项目技能的作用，是彻底摆脱“每次启动会话都要反复复述项目背景”的低效问题。

两款工具采用统一的格式规范：以文件夹为载体，内部包含 SKILL.md 主文件（存放指令、元数据），以及可选的脚本、参考文档、资源文件。技能相当于把项目规范、开发流程、历史经验、禁忌规则等内容一次性固化下来，供每一轮循环调用。

Anthropic 内部将 Skills 归为 9 类，从补知识到写代码，再到验证、部署、排障和运维，几乎覆盖完整软件工作流：

类别说明示例

library 和 API reference解释库/CLI/SDK 的内部用法与 gotchas如何正确使用内部认证 SDK product verification判断产出是否真的工作在无头浏览器跑完整注册流程 data fetching and analysis封装取数方法与常见分析路径查询用户留存数据的标准 SQL business process and team automation将重复团队流程压成一条命令生成只输出增量变化的 standup code scaffolding and templates生成固定骨架但有自然语言约束的代码新建微服务模板 code quality and review让代码符合团队质量标准adversarial-review 子智能体挑错 CI/CD and deployment从开发态推到上线态babysit-pr 盯完 PR 全过程 runbooks根据症状映射排查路径报警进来后给出结构化结论 infrastructure operations资源清理、依赖治理、成本排查清理未使用的云资源

插件与连接器：打通全链路工具生态

仅能读取本地文件的循环，能力十分有限。依托 MCP 协议搭建的连接器，可让 AI 智能体对接问题追踪系统、查询数据库、调用预发布环境接口、向 Slack 推送消息等。Codex 与 Claude Code 均兼容 MCP 协议，为其中一款工具编写的连接器，通常可直接在另一款工具中使用。

插件则会将连接器与项目技能整合打包，团队成员只需一键安装，即可复用整套配置。连接器让循环真正融入现有研发流程，而非单纯给出“纸上方案”。

子智能体：执行与校验分离，把控质量

子智能体是循环体系中最具价值的架构设计，核心思路是将代码编写与代码审核拆分为两个独立角色。

负责编码的 AI 模型往往难以发现自身输出的问题；而配备独立指令、甚至切换不同模型的校验子智能体，能够精准捕捉主智能体的疏漏与缺陷。

Codex 支持按需创建子智能体，多智能体同步运行后自动合并结果。你可以在 .codex/agents/ 目录下以 TOML 文件自定义子智能体，分别配置名称、职责、指令，还能灵活选择模型与推理强度。Claude Code 则在 .claude/agents/ 目录中管理子智能体与智能体团队，支持多角色分工协作。

持久化记忆：让循环拥有“长期记忆”

记忆能力看似不起眼，却是长期运行的 AI 智能体不可或缺的关键。AI 模型会丢失单次会话之外的所有上下文，因此任务记录不能存放在临时对话中，必须落地到本地文件（如 Markdown 文档、Linear 看板等）。

Anthropic 内部的经验是，让 Skill 自己记日志，下次运行先读历史。例如 standup-post 这种 Skill，可以把每次输出都记进 standups.log，下次运行时先读历史，再判断今天和昨天相比到底变了什么。这种记忆可以很简单，用 append-only 文本或 JSON 就够了；也可以复杂一点，直接用 SQLite。

如何编写高质量的 Skills

Anthropic 公开了内部编写 Skills 的 5 个关键细节：

别把显而易见的话再写一遍：Skill 不是给人看的摘要，它要补的是模型默认拿不到或容易走偏的信息。真正有价值的内容往往是 gotchas——那些“团队里人人知道，但模型默认不知道”的细节。

SKILL.md 更像目录，不该写成大杂烩：更好的做法是让 SKILL.md 做目录和路标，把具体资料按需分发到别的文件里。例如任务卡住了再去读 stuck-jobs.md，API 用法示例拆进 references/api.md。

Skill 不要写得太死：给 Claude 关键规则，但也要给它足够的适应空间，不然 Skill 一复用就容易在别的具体情境里卡住。

setup 要提前想好：把用户上下文放进 config.json，如果配置还没建好，Claude 就先问用户；如果需要结构化、多选式提问，还可以直接调用 AskUserQuestion 工具。

description 要直接服务触发：description 不是摘要，而是触发条件说明。用户可能会说什么关键词，会上传什么文件，什么场景下应该激活这个 Skill，都应该直接写进去。

循环工程的局限与挑战

尽管循环工程前景广阔，但当前仍存在明显局限：

AI 无法做到绝对校验：错误可能随自动化扩散，需要人工最终审核

项目认知断层：长期依赖自动化易导致开发者对项目产生“理解债务”

思维惰性：一味接受智能体输出，缺乏批判性思考

令牌消耗：循环运行会消耗大量令牌，使用模式因人而异

从业者需合理平衡自动化与人工审核，把控架构与质量。正如 Richard Sutton 的“苦涩的教训”在 Agent 版本中的体现：别再什么事都自己上手解决，专注于那些能够通过更多智能体实现扩展的系统，例如目标设定和编排，把一个人的能力扩展成一群 Agent 的执行力。

从循环工程到智能体编排

循环工程建立在此前的智能体工具工程（为单个智能体构建运行环境）和软件工厂模型（系统化搭建软件项目）之上，层级更高。它让我们从“手动驱动 AI”迈向“系统驱动 AI”，工程师的核心竞争力也从提示词编写转变为循环系统设计。

如果你希望进一步了解智能体协作的更多模式，可以参考 AI Agent 与多智能体 和 工作流编排 相关教程。

FAQ

什么是循环工程？ 循环工程是面向 AI 编码智能体的新型协作模式，不再依靠人工手动输入提示词指挥智能体，而是由工程师设计一套自动化循环系统。该系统可自主发现、分配、执行、校验任务，驱动智能体持续迭代工作直至目标完成，工程师的核心工作也从编写提示词转变为搭建和优化循环体系。

循环系统中部署子智能体的主要作用是什么？ 核心作用是实现执行与校验分离。负责编码的主智能体难以自查问题，而独立的子智能体可承担代码审核、规则校验工作，及时发现代码缺陷，提升输出质量。同时它也是 /goal 指令的底层逻辑，由独立模型判断任务是否完成，避免执行者自我判定带来的偏差。

使用循环工程需要警惕哪些问题，从业者该如何应对？ 需警惕三大问题：一是 AI 无法完成绝对校验，错误可能随自动化扩散；二是长期依赖易产生项目认知断层，形成“理解债务”；三是容易陷入思维惰性，一味接受智能体输出。应对方式：坚持人工最终审核，定期查阅智能体产出内容；理性使用自动化，平衡循环运行与手动交互；以工程师思维设计循环，不沦为单纯的启动操作者。