引言：当AI开发从“写提示”转向“设计循环”

2026年6月，Anthropic Claude Code负责人Boris Cherny在公开访谈中直言：“我现在几乎不会手动向Claude下发指令，而是搭建自动化循环程序，由程序自主调用Claude、自主判断执行路径。我的核心工作，就是设计这套循环逻辑。”[1-1] 几乎同时，OpenClaw开发者Peter Steinberger、NVIDIA CEO黄仁勋、DeepLearning.AI创始人吴恩达等业界领袖密集发声，共同指向一个趋势：AI开发的重心正从提示词编写转向循环系统设计。

这一转变并非偶然。过去两年，开发者依赖手动提示模式：输入指令→等待输出→人工审核→再次输入。这种模式在简单问答场景下尚可，但在复杂、长周期的任务中，人力成本成为瓶颈。循环工程（Loop Engineering）通过引入反馈闭环，让AI系统能够自主执行、校验、迭代，从而释放生产力。

本文将从核心概念、对比分析、架构拆解、落地步骤、成本与风险五个维度，系统讲解循环工程——这一被吴恩达称为“AI agent进行长时间迭代以构成软件的关键组成部分”的新范式。

一、循环工程的核心概念与价值

1.1 什么是循环工程？

循环工程是一种以持续循环机制驱动AI Agent运行的工程范式。其核心在于通过“任务执行—结果评估—状态更新—再次执行”的闭环，使系统摆脱单次Prompt触发模式，转向持续自治的任务推进结构。

与传统的提示工程不同，循环工程不是让开发者逐条编写提示词，而是设计一套能够自动调度、执行、验证、迭代的系统。开发者只需设定目标与规则，系统自主完成剩余工作。

1.2 为什么现在火了？

循环工程的火爆源于三个关键因素：

模型能力达到临界点：当前大模型（如Claude、GPT-4o）的推理能力刚好能支撑循环不崩溃，但尚未达到让循环失去存在必要的程度。这种中间状态催生了概念的热度。

成本壁垒被打破：DeepSeek等国产大模型以极低的Token单价和百万级上下文窗口，大幅降低了循环工程的门槛。

工程实践成熟：Claude Code、Codex等工具原生支持工作树、技能文件、持久化状态等循环组件，使得搭建循环不再是“手搓”的苦活。

1.3 循环工程 vs 提示工程：根本差异

维度提示工程循环工程

主导权人类全程主导人类设定边界，AI自主闭环 运行结构离散线性问答链带分支判断的自动循环系统 AI能力定位被动应答工具具备行动、自检、迭代的自主任务能力 人力分配全程消耗集中在首尾两端（规划与验收） 适用场景简短、单步骤、低复杂度多步骤、长周期、需要反复调试优化的复杂任务

二、循环工程的五大核心模块

一个稳定运行的循环系统由五个核心模块组成，缺一不可。这些模块在Claude Code、Codex等主流工具中均已原生支持。

2.1 自动化调度（循环的心跳）

自动化是循环区别于“一次性脚本”的关键。它负责定时或事件触发启动循环，并定义停止条件。

定时触发：如每小时、每天、每周运行一次。

事件触发：如GitHub PR创建、Issue更新、CI失败。

目标终止：循环持续运行直到某个条件满足（如“所有测试通过”）。

在Claude Code中，自动化通过三个原语实现：/loop（定时循环）、/goal（目标驱动循环）、/cron（类cron调度）。

2.2 工作树（并行执行隔离）

当多个Agent同时工作时，文件冲突是常见问题。工作树（git worktree）为每个Agent提供独立的工作目录，共享同一仓库历史，但编辑互不干扰。

每个Agent在自己的分支上操作。

完成后合并回主分支，或丢弃。

彻底杜绝并行操作冲突。

2.3 技能文件（项目知识沉淀）

技能文件（SKILL.md）存储项目固定规范、业务规则、禁止操作等知识。每次循环运行时自动加载，避免从零推导项目上下文。

典型技能文件包括：

VISION.md：项目最终交付标准

ARCHITECTURE.md：技术栈、目录结构

RULES.md：智能体禁止执行的操作规范

2.4 插件与连接器（打通真实业务环境）

通过MCP（Model Context Protocol）等标准协议，循环可以对接GitHub、Jira、Slack、CI/CD流水线等外部工具。典型场景：

代码校验通过后自动提交PR

CI失败时自动创建Issue

同步项目工单状态

2.5 子智能体与独立校验器（保障结果客观）

核心原则：生成与校验必须分离。负责产出的AI会下意识放宽标准，因此需要独立的校验Agent（甚至使用不同模型）来客观评估结果。

典型分工：

调研Agent → 开发Agent → 规范校验Agent

校验Agent判定循环是否达标，不达标则触发迭代。

三、两种循环形态：开放循环 vs 闭环循环

3.1 开放循环（探索型）

特征：无固定执行路径，仅给定核心目标，允许AI自由探索多种方案。

优势：创新能力强，适合前沿研究、原创开发。

劣势：Token消耗极大，产出质量不可控。

适用：拥有无限API额度的科研团队。

3.2 闭环循环（落地实用型）

特征：人工提前定义完整执行路径，设置校验关卡和终止条件。

优势：成本可控，结果稳定可复现。

适用：绝大多数商业化业务。

落地建议：优先搭建闭环循环，待稳定后再适度放开约束。

四、从零搭建最小可行循环：14步路线图

以下路线图综合自Anthropic工程文档、Addy Osmani的长文以及社区最佳实践，分为三个层级。

层级一：判断是否需要循环（第1-4步）

第1步：确认任务是否重复 循环的设置成本需要在多次运行中摊销。如果任务不是每周至少发生一次，手动提示更快。

第2步：确认存在自动化验证工具 循环需要客观的校验手段（测试套件、类型检查、lint等）。如果没有，AI自评自己的作业，结果不可靠。

第3步：确认Token预算可吸收浪费 循环会重试、探索、重新读取上下文，Token消耗远高于单次提示。如果预算紧张，循环可能带来意外账单。

第4步：确认AI拥有完整调试环境 AI需要能运行代码、查看日志、复现错误。否则迭代是盲目的。

层级二：学习五大构建块（第5-9步）

第5步：实现自动化调度 选择定时或事件触发，设置硬性停止条件（Token上限、迭代次数）。

第6步：配置工作树 为每个Agent分配独立工作目录和分支。

第7步：编写技能文件 将项目固定规范写入SKILL.md。

第8步：连接外部工具 通过MCP接入GitHub、Jira等。

第9步：分离生成与校验 使用独立Agent或不同模型进行结果校验。

层级三：构建并运行最小可行循环（第10-14步）

第10步：选择首个循环模式 推荐从“每日巡检”（daily-triage）开始，风险最低。

第11步：初始化项目 在Git项目根目录运行：

bash
npx @cobusgreyling/loop-init . --pattern daily-triage --tool claude

第12步：估算Token成本

bash
npx @cobusgreyling/loop-cost --pattern daily-triage --level L1

第13步：审计就绪程度

bash
npx @cobusgreyling/loop-audit . --suggest

输出0-100分，并给出改进建议。

第14步：运行并监控 以仅报告模式启动，确认无误后再允许自动修复。

五、成本控制与安全风险

5.1 Token成本：循环工程的最大落地障碍

循环的Token消耗远超单次提示：

单智能体完成中等编码任务：5万-20万Token

含调度中枢+3个子智能体的集群循环：50万-200万Token

每日自动运行的循环：每周累计百万级Token

解决方案：

使用DeepSeek等低价模型（Flash版本单价极低）

设置Token硬上限和迭代次数上限

优先使用闭环循环，避免开放探索

5.2 安全风险

代码安全：AI生成的代码可能引入漏洞，需SAST扫描。

提示注入：恶意输入可能劫持循环行为。

权限泄露：循环使用的API密钥需定期轮换。

最佳实践：

高风险操作（如生产部署）强制人工审核

使用独立校验Agent检查安全合规

定期审计循环行为

六、实战案例：从提示工程师到循环设计师

6.1 代码开发循环

读取项目愿景、架构规范

规划代码变更方案

编写、修改代码

自动执行单元测试、格式校验

测试失败：读取报错日志，修复后重新测试

测试通过：汇总变更记录，提交PR

6.2 行业研究循环

明确核心研究问题与置信标准

检索权威参考资料

整合素材、梳理核心观点

交叉核对观点与原始资料匹配度

处理冲突信息

形成完整结论，达到置信阈值后终止

6.3 内容创作循环

锁定主题、目标受众、交付标准

生成初稿

专业Agent点评内容缺陷

根据点评重写优化

按评分标准量化打分

不达标则再次改写，达标后发布

七、循环工程的未来：人与AI的新协作关系

吴恩达将产品开发过程拆分为三层Loop：

最内层：Agent编码Loop（分钟级），AI自主写代码、测试、修复。

中间层：开发者反馈Loop（小时级），开发者审查效果并提供方向。

最外层：外部反馈Loop（天/周级），用户反馈驱动产品迭代。

这三层Loop由快到慢，构成完整链路。人类工程师的价值不在于逐行写代码，而在于提供“品味”——对用户和产品的深刻理解。

正如前阶跃Agent产品负责人钟十六所言：“Loop真正的价值不在于会重复跑任务，而在于它会带着你的每一次判断持续成长，一轮轮变成更懂你的系统，最终沉淀为长期运转的资产。”

FAQ

问：循环工程适合所有开发者吗？ 答：不适合。个人开发者按量付费、任务低频、缺乏自动化验证工具的情况下，手动提示更经济。循环工程最适合拥有高频重复任务、完善测试套件、充足Token预算的团队。

问：循环工程和Harness Engineering有什么区别？ 答：Harness Engineering强调构建完整的Agent系统（包括工具、权限、监控），而Loop Engineering更聚焦于循环机制本身——通过反馈闭环实现自主迭代。Loop是Harness的核心组件之一。

问：如何避免循环的Token成本失控？ 答：设置硬性停止条件（Token上限、迭代次数上限、时间限制）；优先使用闭环循环；使用低价模型（如DeepSeek）；在仅报告模式验证后再启用自动修复。

问：循环工程会取代提示工程师吗？ 答：不会完全取代，但会分化。提示工程师侧重单次高质量输出，循环工程师侧重系统架构设计。两者技能互补，但循环工程师的需求增长更快。

问：搭建循环需要哪些前置条件？ 答：任务每周至少重复一次；存在自动化验证工具（测试、lint等）；AI能运行代码并查看日志；Token预算可吸收重试损耗；高风险操作有强制人工审核。

参考

[1-1] Boris Cherny公开访谈，2026年6月。 [1-2] Peter Steinberger X平台发文，2026年6月7日。 [1-3] 黄仁勋公开场合发言，2026年6月20日。 [1-4] 吴恩达X平台发文，2026年7月1日。

更多关于Agent系统的设计可参考 AI Agent与多智能体系统，关于提示工程的最佳实践可参考 提示工程进阶指南。

如果你想了解如何将循环工程与具体工作流结合，可阅读 工作流自动化设计。