大多数人仍然在手动提示智能体。
他们输入一个任务。
等待一个回答。
自己审查。
自己修复错误。
然后再次提示。
这意味着人类仍然处于循环之中。
下一步则不同。
你不仅仅是提示智能体。
你设计一个循环：提示智能体、检查结果、决定下一步，并持续运行直到工作通过。
这就是循环工程。
"你不应该再手动提示编码智能体了。你应该设计循环，让循环去提示你的智能体。"
随后，Anthropic 公司 Claude Code 的负责人 Boris Cherny 用另一种方式表达了同样的观点：
"我不再手动提示 Claude 了。我运行着一些循环，它们会提示 Claude 并决定该做什么。我的工作就是编写循环。"
为什么大多数人从未构建过真正的循环
循环听起来很美，直到你看到 token 账单。
一个普通的智能体循环可能会快速消耗大量上下文：
- 一个中等规模的编码循环可能使用 50K-200K token
- 一个包含一个编排器和多个专业智能体的集群循环可能使用 500K-2M token
- 一个定时运行的日常循环每周可能消耗数百万 token
每次重试都要花费 token。
每次自我修正都要花费 token。
每次验证步骤都要花费 token。
每个子智能体都要花费 token。
这就是大家谈论得不够多的隐藏问题。
循环工程之所以难，不是因为概念复杂。
而是因为大多数人负担不起让智能体长期自由运行。
"你倒是说得轻巧，你可是有无限的 OpenAI 访问权限。"
这种反应很正常。
这就是为什么更便宜的长上下文模型如此重要。
如果你希望循环每天都能运行，你需要：
- 廉价的输入 token
- 廉价的输出 token
- 大的上下文窗口
- 工具调用
- JSON 输出
- 高并发
- 足够的上下文来记住循环中之前发生的事情
没有这些，循环就成了昂贵的实验。
有了这些，循环就成了实用的工作流程。
旧方式 vs 新方式
过去两年，大多数人这样使用智能体：
你提示。
智能体回答。
你审查。
你发现错误。
你再次提示。
这可行，但无法扩展。
旧方式：
- 你给出提示
- 智能体给出输出
- 你审查输出
- 你修复薄弱环节
- 你手动重复
新方式：
- 你定义目标
- 循环发现需要什么
- 循环规划工作
- 智能体执行
- 检查器验证结果
- 循环修复失败
- 系统在达成目标时停止
提示给智能体一个指令。
循环工程给智能体一个工作。
循环工程到底是什么
循环工程是设计 AI 智能体可重复反馈循环的实践。
目标很简单：
从尝试到验证结果，无需人工手动驱动每一步。
基本循环有五个阶段：
- 发现
- 规划
- 执行
- 验证
- 迭代
如果输出通过，就交付。
如果失败，就送回循环中。
这就是全部思路。
不是一个完美的提示。
而是一个不断改进输出直到符合标准的系统。
单智能体 vs 集群
循环有两种基本规模。
单智能体循环
一个智能体运行整个循环。
它发现需要什么，规划工作，执行任务，检查结果，并在失败时改进。
这就像一个人重写自己的草稿。
适用于：
- 聚焦的任务
- 小范围
- 简单的目标
- 内容草稿
- Bug 修复
- 研究总结
一个大脑。
一个循环。
自我改进。
集群循环
集群循环更大。
你给一个编排智能体主要目标。
它将工作分解成碎片。
然后将这些碎片发送给专业智能体。
每个专业智能体也可以使用更小的子智能体来完成狭窄的任务。
示例：
1示例："构建一个生产力应用"23编排器拥有使命4 ↓ ↓ ↓5研究 工程 质量保证6专业智能体 专业智能体 专业智能体7 ↓ ↓ ↓8网络 代码编写器 测试编写器9研究员 + 调试器 + Bug 追踪器
这不是一个智能体独自工作。
它更像一个小团队从头到尾运行一个项目。
开放循环 vs 封闭循环
这是最重要的实际区别。
并非所有循环都一样。
开放循环
开放循环是探索性的。
你给智能体一个广泛的目标，让它寻找路径。
这很强大，因为智能体可以发现你没有指定的事物。
但它也很昂贵且混乱。
开放循环可能：
- 尝试太多路径
- 消耗太多 token
- 快速产生低质量输出
- 偏离真正目标
- 变得难以控制
开放循环令人兴奋。
但对大多数人来说，它们不是最好的起点。
封闭循环
封闭循环是有边界的。
人类首先设计路径。
循环仍然自主运行，但在明确的规则内。
一个封闭循环具有：
- 明确的目标
- 定义的步骤
- 每一步后的评估
- 停止条件
- 卡住时的交接点
这才是今天真正能产生回报的版本。
它更便宜。
它更可靠。
它产生更干净的输出。
从封闭循环开始。
当你的检查机制足够强大时，再逐步开放它们。
优秀循环的 6 个构建块
概念上，每个循环有五个阶段。
但在实践中，你需要六个构建块才能使循环工作。
1. 自动化
这是心跳。
自动化启动循环，无需你手动记住运行它。
示例：
- 每天早上运行
- 当 PR 打开时运行
- 当文件变化时运行
- 当新工单出现时运行
- 运行直到所有测试通过
如果你还需要手动启动所有事情，那么这个循环并没有真正做足够的工作。
2. 工作树
当多个智能体同时编辑代码时，工作树很重要。
没有隔离，智能体会冲突。
两个智能体可能编辑同一个文件。
一个可能覆盖另一个。
工作树为每个智能体提供自己干净的工作区和分支。
这使得多个智能体可以并行工作，而不会把仓库搞得一团糟。
3. 技能
技能是可重用的项目知识。
无需每次解释你的项目，你只需一次性写下重要的上下文。
好的技能文件包括：
- 愿景
- 架构
- 规则
- 构建步骤
- 测试步骤
- 智能体绝对不能做的事情
没有技能，每个循环都要从头开始。
有了技能，每个循环都从累积的上下文开始。
4. 插件和连接器
一个只能看到文件的循环是有限的。
连接器让循环触及你的真实工具。
示例：
- GitHub
- Slack
- Linear
- Jira
- Gmail
- Google Drive
- 数据库
- Staging API
这就是"这是建议的修复"与"我打开了 PR、关联了工单、监控了 CI 并发布了更新"之间的区别。
5. 子智能体
制造者和检查者不应该总是同一个模型。
编写代码的智能体在审查自己代码时往往过于宽容。
撰写文章的智能体会忽略自己文章中的薄弱部分。
使用不同的智能体进行：
- 探索
- 实施
- 审查
- 测试
- 事实核查
- 最终总结
当审查者不是制造者时，质量会提高。
6. 记忆
记忆让循环能够在不同运行之间延续。
模型会忘记。
但仓库不会。
笔记不会。
项目日志不会。
记忆可以存放在：
- Markdown 文件
- 项目日志
- Linear 工单
- GitHub Issues
- Obsidian 知识库
- 数据库
- Claude 项目
一个长期运行的循环需要知道尝试了什么、哪些通过了、哪些失败了、以及还需要做什么。
没有记忆，它每次都从零开始。
真实的循环示例
以下是一些让概念具体化的循环。
编码循环
循环：
1读取 VISION.md + ARCHITECTURE.md2↓3规划下一次更改4↓5编辑代码6↓7运行测试8↓9如果测试失败 → 读取错误 → 修复 → 再次测试10↓11如果测试通过 → 总结更改12↓13停止
不需要人为每一步推波助澜。
智能体自行编写、测试、修复和验证。
研究循环
循环：
1定义研究问题2↓3搜索来源4↓5总结发现6↓7对照来源验证声明8↓9比较冲突信息10↓11综合最终答案12↓13当置信度阈值达到时停止
这比只要求一个快速摘要要好得多。
内容循环
循环：
1主题 + 受众 + 目标已定义2↓3创建草稿4↓5评论智能体审查草稿6↓7根据评论重写8↓9对照成功标准评分10↓11如果分数通过 → 发布12↓13如果分数失败 → 再次重写
这个循环将一个想法变成了一个内容系统。
销售外联循环
循环：
1定义 ICP（理想客户画像）2↓3寻找匹配画像的线索4↓5丰富公司数据6↓7对照标准进行资格审核8↓9个性化信息10↓11质量审查12↓13发送或升级给人类
相同的骨架：
目标。
行动。
检查。
修复。
重复直到完成。
提示工程师 vs 循环工程师
这是 2026 年正在出现的技能差距。
提示工程师
提示工程师专注于更好的指令。
他们改进措辞。
他们获得更好的单一输出。
但人类仍然在运行后审查一切。
人类仍然是反馈循环。
循环工程师
循环工程师设计反馈系统。
他们决定：
- 什么启动循环
- 智能体需要什么上下文
- 智能体可以使用哪些工具
- 什么算成功
- 谁检查工作
- 循环何时停止
- 结果应保存在哪里
提示工程师说：
"给我写个函数。"
循环工程师说：
"写出来，测试它，修复直到通过，然后总结更改。"
同样的工具。
不同的思维方式。
最高杠杆的 AI 构建者不仅仅是写出更好的英文提示。
他们在设计能够正确发现、规划、执行、验证和停止的系统。
简而言之
循环工程是从手动提示向自动化反馈循环的转变。
转变：
- 旧方式：一次提示一个任务
- 新方式：设计运行完整循环的系统
你实际构建的 6 件事：
- 自动化：启动循环的心跳
- 工作树：无文件冲突的并行智能体
- 技能：每次运行可重用的项目知识
- 插件和连接器：访问真实工具
- 子智能体：制造者和检查者分离
- 记忆：循环跨运行记住
2 种规模：
- 单智能体循环：一个智能体改进自己的工作
- 集群循环：编排器 + 专业智能体 + 子智能体
2 种类型：
- 开放循环：强大、探索性、昂贵
- 封闭循环：有界、可靠、可负担
5 个阶段：
- 发现
- 规划
- 执行
- 验证
- 迭代
真正的成本问题：
- 循环消耗 token 很快
- 廉价的长上下文模型使循环变得实用
- 没有 affordable 的 token，大多数人只能停留在实验阶段
思维转变：
- 提示工程师向 AI 请求输出
- 循环工程师设计产生验证结果的系统
这才是真正的解锁。
不要再试图写一个完美的提示。
开始构建一个让不完美输出变得更好的循环。
一个可靠的循环胜过完美的提示。
如果你读到了这里：
- 收藏本文。
- 关注 @0xwhrrari
- 关注我的 私密 Telegram 频道
另外你可以阅读其他文章：
