Peter Steinberger，OpenClaw 的創作者，他的一則留言獲得了超過 250 萬次觀看。
「不要只是對著 AI 輸入提示詞。相反地，設計一個『循環』，讓它自動向 AI 輸入提示詞。」這基本上就是他的意思。
此外，Peter 回覆說：「別擔心，三個月內，循環工程就會到來。」
這有一半是玩笑話。但方向確實很準確。
我在一家名為 YourBright 的公司工作，我們將 AI 整合到商業運作中。我每天看到的正是這個現象：能夠建立系統讓 AI 自行嘗試並修正問題的人，成長速度遠遠超過那些只是擅長向 AI 提問的人。
AI 的使用已演進為四個階段
在深入思考之前，我想分享一張圖。在英語世界中，AI 使用的演進一般整理如下：
- 提示工程 (Prompt Engineering)：寫好單一指令（2023–2024 年的熱門焦點）
- 語境工程 (Context Engineering)：組織提供給 AI 的資訊
- 框架工程 (Harness Engineering)：建立圍繞 AI 的工具、護欄與環境
- 循環工程 (Loop Engineering)：設計一個讓 AI 反覆經歷發現、執行、驗證與修正的系統（現在）
粗略來說，焦點已逐步從「寫好一個句子」向外擴展到「建立一個好的系統」。
循環工程正處於這個轉變的最前線。
循環工程的組成要素 — 6 個部分
雖然這個術語是新的，但內容很具體。Google 的 Addy Osmani 已經清楚列出了有效循環的組成要素。這與我第一線的經驗幾乎完全吻合。
- 自動化 (Automations)：定期觸發循環的機制，例如「每天早上檢查 CI 失敗狀況」。
- 工作樹 (Worktrees)：分隔工作空間，讓多個 AI 能平行運作而不會互相衝突。
- 子 Agent (Sub-agents)：將創建者與審查者的角色分開。不要讓 AI 對自己的答案打分數時過於寬鬆。
- 技能 (Skills)：將專案特定的知識寫入外部檔案（如 SKILL.md）以供重複使用。
- 記憶 (Memory)：AI 會忘記對話。因此，進度應以 Markdown 或 Linear 格式保存在外部。
- /goal：在 Claude Code 或 Codex 中，一旦你宣告「什麼算是完成」，AI 就會持續輪流運作，直到滿足條件。
簡而言之，就是將原本由人類手動提供的「下一步做什麼」的指令，移入系統本身。
人類不再對 AI 輸入提示詞。「系統對 AI 輸入提示詞。」我認為這種主從關係的反轉，正是循環工程的真諦。
我現在正透過運行循環來將工作委派給 AI。
以下是我自己的一個例子。
在 YourBright 經營的媒體網站「外國人才夥伴」中，文章列表頁面很笨重。因此，我將一個反覆測量與改善的循環交給 Claude Code 的 /loop，讓它幾乎在無人監督下運行。
在 5 小時內，自動實作了 9 項改善。文章列表的傳輸量從 2,723KB 降到 101KB，減少了 90% 以上。LCP 也從 6.4 秒降至 1.8 秒。在一輪中，一張圖片從 957KB 的 PNG 變成了 11KB 的 AVIF。
一切由 AI 處理。我做的只是在分支點做出決定：修正正式環境的 URL、決定加入圖片轉換層、以及選擇方向。
有趣的是，九項改善中有一項是失敗的。AI 實作的某個修正反而讓另一個指標變差。AI 自己判斷這是「惡化」，便還原了變更，並留下關於失敗的備註。
PR 數量高達 20 個。循環次數為 23 次。只要評估標準正確，AI 就會持續運行，無需人工干預。
我認為這就是循環工程的實際感受。AI 運行它。它連同失敗一起運行。人類決定要在哪裡停止，以及該信任什麼標準。
為什麼是現在，以及為什麼是三個月？
「三個月」當然是挑釁的說法。並非每個人都會在三個月內被取代。
然而，數據支持這個方向。Anthropic 宣布，截至 2026 年 5 月，Claude 寫入了超過 80% 合併到正式環境的程式碼。當 Claude Code 在 2025 年 2 月發佈時，這個比例只有幾個百分點，所以它在短短一年內就達到了這個水準。據說每位工程師合併的程式碼數量是 2024 年的八倍。
這裡發生的不是「人類撰寫的數量減少了」的故事。而是人類的工作從「撰寫」轉變為「設計循環並做出最終判斷」的故事。
即使看待同一份工作，心態也會改變。一次到位提問的人思考的是「如何問才能得到正確答案」。建立循環的人思考的是「該檢查什麼來確認完成，如果偏離要回到哪裡，以及該在哪裡阻止危險的操作」。
這種差異在短短三個月內就會變得明顯。這就是我的感受。
便利性的另一面 — 深不可測的程式碼與放棄思考
並非全是好消息。循環也有問題。
一個是成本。如果循環運行太多，Token 費用會暴增。因此，必須在一開始就決定停止條件與限制。
另一個是對程式碼的理解，這是近期備受討論的話題。AI 寫的，AI 修的，測試通過了。它確實能運作。然而，沒有人理解內容。要人類檢查所有程式碼將成為天方夜譚。
此外，執行型 AI 可以發送郵件、執行 shell 指令、使用瀏覽器。它們越方便，能觸及的範圍就越廣，發生事故的風險也越大。
循環工程並不是一種信任 AI 的技術。它是一種基於 AI 會犯錯的前提，即使失敗也能建立返回路徑的技術。
結論
擅長輸入提示詞的工程師，明天並不會突然變得不需要。
然而，價值的重心確實正在轉移。未來會強大的人，不是那些擅長向 AI 提問的人，而是那些能夠建立循環，讓 AI 嘗試、失敗、修正，而人類能做出最終判斷的人。
只要你滿足於輸入單行提示詞，你很可能就會漸漸被拋在後頭。從今天開始，讓我們建立一個讓 AI 持續運作的環境。
我們正在建立一個 AI 活用社群！
我們開設了一個名為「AI Business Labs」的 Discord 社群，專門研究如何在商業中運用 AI。任何人都可以在此提問或諮詢 AI 相關問題。我們希望在與社群成員合作的同時加深學習，歡迎加入我們。
