OpenClaw 的创建者 Peter Steinberger 曾发表一条评论，被浏览了超过 250 万次。
“别再往编程 AI 里输入 prompt 了。相反，要设计‘循环’，让它自动向 AI 输入 prompt。”这基本上就是他想要表达的意思。
此外，Peter 回复说：“别担心，三个月内，循环工程就会到来。”
这话一半是玩笑，但方向相当准确。
我在一家名为 YourBright 的公司工作，主要将 AI 整合到业务运营中。我每天看到的正是这种情况：那些能构建系统让 AI 自我尝试并修复问题的人，成长速度远超那些仅仅擅长向 AI 提问的人。
AI 的使用经历了四个阶段
在深入思考之前，我想分享一张图片。在英语世界中，AI 使用的演变通常这样划分：
- Prompt 工程：写出一条优秀的单次指令（2023–2024 年的明星）
- 上下文工程：组织展示给 AI 的信息
- 框架工程：构建 AI 周围的工具、护栏和环境
- 循环工程：设计一个系统，让 AI 反复经历发现、执行、验证和修正的过程（现在）
大致来说，焦点从“写好一句话”逐渐外扩到了“建好一个系统”。
循环工程正是这一转变的前沿。
循环工程的组成部分——6 个要素
虽然这个术语是新的，但内容却很具体。Google 的 Addy Osmani 清晰地列出了高效循环的组成部分。这与我实地经验几乎完全吻合。
- 自动化：周期性运行循环的触发器，例如“每天早上检查 CI 失败情况”。
- 工作树：分隔工作空间，让多个 AI 可以并行工作而不冲突。
- 子 Agent：将创建者与审阅者的角色分开。不要让 AI 对自己的答案评判得过于宽松。
- 技能：将项目特定知识写入外部文件（如 SKILL.md）以便复用。
- 记忆：AI 会忘记对话，因此需要将进度保存在外部，如 Markdown 或 Linear。
- /goal：在 Claude Code 或 Codex 中，一旦声明“完成的条件是什么”，AI 就会持续执行直到满足条件。
简而言之，就是将人类过去手动提供的“下一步做什么”的指令，迁移到系统内部。
人类不再向 AI 输入 prompt。“系统向 AI 输入 prompt。”我认为这种主仆关系的反转才是循环工程的真正本质。
我如今正通过运行循环来将工作委托给 AI
这里有一个我自己的例子。
在 YourBright 运营的媒体网站“外国人才伙伴”中，文章列表页面负载很重。于是，我向 Claude Code 的 /loop 提供了一个用于反复测量和改进的循环，让它基本自主运行。
在 5 小时内，自动实施了 9 项改进。文章列表的传输量从 2,723KB 降至 101KB，降幅超过 90%。LCP 也从 6.4 秒降至 1.8 秒。在一个循环中，一张图片从 957KB 的 PNG 变成了 11KB 的 AVIF。
一切都由 AI 处理。我所做的只是在分支点做出决策：修正生产环境 URL、决定添加图像转换层、选择方向。
有趣的是：九项改进中有一项是失败的。AI 实施的一项修复反而恶化了另一个指标。AI 自己判断这是“恶化”，撤回了改动，并留下了关于失败的说明。
PR 数量高达 20 个。循环次数为 23 次。只要评估标准正确，AI 就会在无人干预的情况下持续运行。
我认为这就是循环工程的真实感受。AI 运行它，包括失败的情况。人类决定在何处停止，以及信任什么标准。
为什么是现在，为什么是三个月？
“三个月”当然带有挑衅意味。并非所有人都会在三个月内被取代。
然而，数据支持了这一方向。Anthropic 宣布，截至 2026 年 5 月，Claude 编写了超过 80% 的合并到生产环境中的代码。2025 年 2 月 Claude Code 发布时，这一比例仅为百分之几，因此在短短一年多的时间里就达到了这个水平。每位工程师合并的代码量据称也是 2024 年的八倍。
这里发生的故事并非“人类编写的代码量减少了”。而是人类的工作从“编写”转变为“设计循环并做出最终判断”。
即使面对相同的工作，心态也在改变。一次性提出需求的人思考的是“如何问才能得到正确结果”。而构建循环的人思考的是“要检查什么来确认完成，如果遗漏了就返回到哪里，以及在哪里停止危险操作”。
这种差异在短短三个月内就会显现出来。这是我的感受。
便利的另一面——不可理解的代码与放弃思考
并非全是好消息。循环也有问题。
其一是成本。如果循环运行过多，token 开销会急剧上升。因此，必须在开始时决定停止条件和限制。
其二是对代码的理解，这是近期热议的话题。AI 编写，AI 修复，测试通过。它运行正常。但没有人理解内容。人类检查所有代码将成为空想。
此外，执行型 AI 可以发送电子邮件、运行 shell 命令、使用浏览器。虽然方便，但它们的权限越大，出现意外的面就越大。
循环工程不是一种信任 AI 的技术。它是一种以 AI 会犯错为前提的技术，会创建一条即使失败也能返回的路径。
结论
擅长输入 prompt 的工程师不会在明天突然变得多余。
然而，价值的重心确实在转移。未来强大的人，不是那些擅长向 AI 提问的人，而是那些能够创建循环、让 AI 尝试、失败、修复，并让人类做出最终判断的人。
如果你满足于输入单行 prompt，你很可能会逐渐落后。从今天开始，让我们构建一个让 AI 持续运行的环境。
我们正在创建一个 AI 应用社区！
我们开设了一个名为“AI 商业实验室”的 Discord 社区，用于研究如何在商业中使用 AI。任何人都可以提问或咨询 AI 相关问题。我们希望与社区成员合作深化学习，请加入我们。
