"不要写提示词。写循环。"
Peter Steinberger（OpenClaw 创始人，现 OpenAI）和 Boris Cherny（Anthropic 的 Claude Code 负责人）各自独立地开始说同样的话。
这不是巧合。
来自地球上两个最重要 AI 实验室的顶尖工程师，同时趋同于同一个模式。这不仅仅是一个"趋势"；这是一个信号，表明我们使用 AI 的方式正在发生根本变化。
本文是我对 Rahul（@sairahul1）一条推文的重组，他总结了这个转变。
提示词时代发生了什么
两年来，每个人都在这样做：
你 → 提示词 → AI → 输出 → 你验证 → 修改 → 再次输入
很多人可能已经意识到，"人类才是那个循环的人。"
你问 AI 一次，检查，再问，再检查。与其说是"使用 AI"，不如说是"与 AI 协作"。
局限性很明显：不可扩展（受限于人类时间），质量依赖人工审核的准确性，而且无法在半夜自动运行。
Boris Cherny 在做什么
直接引用 Claude Code 负责人的话：
"我不再给 Claude 写提示词了。我有循环在运行，让 Claude 去提示并决定该做什么。我的工作是写循环。"
Peter Steinberger 说了类似的话：
"你不应该再给编码智能体写提示词了。你应该设计循环来提示你的智能体。"
停下来，再读一遍。
从"改进指令"到"设计给出指令的机制"。抽象层向上提升了一层。
什么是循环工程？
简单来说：
"设计一个机制，让智能体自动重复：发现 → 规划 → 执行 → 验证 → 修正。"
分解为五个阶段：
发现
↓
规划
↓
执行
↓
验证
↓
迭代
↓
若通过则完成 / 若失败则返回发现
人类只决定目标。循环负责其余一切。
两种规模：个人 vs. 团队
循环有两种规模。
① 单智能体循环
单个智能体独自完成整个循环。好比"一个不断修改自己草稿的人"。适合范围小、聚焦的任务。
② 舰队循环
一个编排器持有大目标，并将其分解给专家。专家进一步将任务细分给子智能体。
编排器（管理整体目标）
↓ ↓ ↓
研究主管 开发主管 质量主管
↓ ↓ ↓
网页搜索 代码+调试 测试+缺陷跟踪
每个智能体都运行相同的 5 阶段循环。就像一个团队在运行一个项目。
顺便说一句，这一点常被放在"AI 全自动做一切"的语境下讨论。实际上，"设计谁能看到什么才是关键"，而这正是人类必须做的事情。这就是为什么能写循环的人如此强大。
开放循环 vs. 封闭循环
开放循环：给智能体广泛的自由度去自由探索。强大，但 token 消耗极快。这是拥有无限 API 访问权限的 OpenAI 顶级工程师的世界。
封闭循环：人类预先设计路径。明确的目标、定义的步骤、每一步的评估、退出条件。智能体在该框架内移动。
如果你现在开始，就用封闭循环。
在没有质量门控的情况下运行开放循环，只会快速生产出廉价而糟糕的输出（笑）。
实际要构建什么：6 个构建模块
Claude Code 和 Codex 都实现了这六个（基于评估；实际可用性请查阅工具文档）。一旦你拥有了这些，循环就能运行。
① 自动化
循环的心跳。通过调度或触发器启动"发现"。没有它，就只是一次性运行。
② 工作树
防止多个智能体并行运行时文件冲突。为每个 Git 分支提供独立的工作目录。避免两个工程师同时编辑同一个文件的噩梦。
③ 技能文件（Skill Files）
像 VISION.md、ARCHITECTURE.md、RULES.md 这样的文件，包含项目信息。这避免了每次都要从头解释项目。随着这些文件的丰富，循环会变得更聪明。
④ 插件 / 连接器
与外部工具的连接，如 Linear（任务管理）、Slack（通知）或预发环境 API。没有这个，循环只是"改文件然后结束"。这才能让它创建 PR 并通知 Slack。
⑤ 子智能体
将"创建者"与"审查者"分开。让智能体给自己打分太宽松了。验证需要一个不同的智能体（甚至不同的模型）来检查工作。
⑥ 记忆
无论是 Markdown 文件还是 Linear 看板，记录尝试过什么、通过了什么、还剩下什么。没有记忆，每个循环都从零开始。随着循环变成长周期，它的重要性也会增大。
4 个实现示例
- 编码循环：读取 VISION.md + ARCHITECTURE.md → 计划更改 → 编辑代码 → 自动运行测试 → 失败 → 读取错误并修复 → 重新测试 → 通过 → 总结更改 → 完成
- 研究循环：定义研究问题 → 搜索来源 → 总结发现 → 交叉核对来源 → 比较矛盾信息 → 综合最终答案 → 若置信度超过阈值则完成
- 内容循环：定义主题 + 受众 + 目标 → 创建草稿 → 评论家智能体审阅草稿 → 根据评论重写 → 根据成功标准打分 → 若达标则发布 / 否则重写
- 销售外联循环：定义 ICP（理想客户画像） → 搜索潜在客户 → 用公司数据丰富信息 → 根据标准筛选 → 个性化消息 → 质量审核 → 发送或升级给人类
所有这些共享同一个骨架：目标 → 行动 → 检查 → 修正 → 重复直到完成。
Token 消耗的现实
说实话。
单智能体循环（中等任务）会消耗大量 token。有报告称中等编码任务约 5 万到 20 万 token，但具体因任务大小差异巨大。
舰队循环则上升到另一个数量级。有报告称 3 个专家的配置消耗 50 万到 200 万 token，且随智能体数量成比例增加。
如果按计划运行（例如每天早上），每周消耗会非常巨大。根据频率和规模，有报告称每周消耗可达"数百万 token"。
按标准 API 价格来做，真的会烧光你的月度预算。
Peter Steinberger 帖子下的 OpenAI 用户回复说："你能这么说是因为你有无限 API。"我认为这个观点很合理。
像 DeepSeek 这样的低成本模型正在改变这一点。DeepSeek V4 拥有 100 万上下文窗口和低价，被评为最实惠的前沿模型之一。它可以显著降低长期循环的经济门槛。讨论正从"你能设计吗？"转向"你能负担得起吗？"，而这个变量正在消失。
不过，在采用 DeepSeek 之前，要考虑数据治理和安全性，尤其对于企业使用。
提示词工程师 vs. 循环工程师
提示词工程师
- "写好的指令"
- 每次都手动检查输出
- 一次性运行
- 关注输出质量
循环工程师
- "写自动给出指令的机制"
- 通过测试自动验证
- 重复运行
- 产出经过验证的结果
借用 Rahul 的话：
"提示词工程师向 AI 索要输出。循环工程师设计能产生经过验证结果的系统。"
到 2026 年，高价值的人将不是擅长写英文提示词的人，而是能设计智能体如何发现、规划、验证和判定完成逻辑的人。
不要只做一个"按钮工"
Rahul 在最后说的最打动我。
"两个人可以构建相同的循环，结果却可能截然相反。一个人基于深入理解来利用它。另一个人用循环来逃避理解。循环不会区分。但你自己会知道。"
你会是一个"按钮工"还是一个"设计师"？这是 2026 年的分叉路。
今天可以做的事
□ 再读一遍 Boris Cherny 的话（"我的工作是写循环"）
□ 检查你当前的 AI 工作流是否有"手动检查 → 再次输入"的循环
□ 尝试创建 VISION.md / ARCHITECTURE.md / RULES.md（从一个项目开始）
□ 尝试设计"创建者"和"审查者"智能体的分离
□ 先从封闭循环开始（开放循环之后再说）
如果不知道从哪里开始 → 从写 VISION.md 开始。没有它，循环就没有目标。
Rahul 的原始帖子非常详细，强烈推荐。
如果你正在做循环设计，我很想听听你的设置。评论或私信告诉我吧。
