我是邹叔，不知道你是否还记得2023 年初，AI 圈最热闹的新闻之一，是"提示词工程师"（Prompt Engineer）成了香饽饽。
据广泛引用的招聘信息，包括 Anthropic 在内的公司开出了 17.5 万到 33.5 万美元的年薪。
而到了26年，我们已经从Prompt 来到了Loop，也许很多朋友连Harness 都没搞清楚，今天邹叔就来说说什么是Loop。
2026 年 7 月，吴恩达（Andrew Ng）发了一条刷屏的推文，把 AI 交互的新范式浓缩成 5 行伪代码：
while not done:
think() # 思考
act() # 行动
observe() # 观察结果
reflect() # 反思哪里不对
adjust() # 调整策略
英伟达 CEO 黄仁勋在同一时期的公开表达更直接："Nobody writes prompts anymore. The new job is to write and handle loops."（没人再写提示词了，新工作是写循环、管循环。）
这两句话说的不是某个新产品，而是一类正在成形的工作方式：人不再逐句指挥 AI 干每一步，而是设计一套"自己转"的循环，达成目标就交付，没达成就带着反思结果回到起点重跑。
这就是 Loop Engineering（循环工程）。
回顾这两年人和 AI 的协作方式，角色的重心被一层层往上推：
每一次进化，人都在"后退一步"：从写一句话，到准备一套资料，到搭建一个系统，再到设计一套会自我修正的运行机制。
关键转变在于：
过去（Prompt/Context/Harness）：人是 AI 的"临时 CEO"，每走一步都得在旁边盯着、补位、纠偏。
现在（Loop）：人变成"循环架构师"，你定好目的地和护栏，循环自己感知路况、动态规划路径、跑偏了自己回头。
Prompt 是"我告诉你下一步做什么"；Loop 是"我告诉你目标是什么，剩下的你自己想办法，不行就重试"。
就像最新的ChatGPT Work，其实我们更多的给它目标就好了。
Loop 不是凭空冒出来的口号，它有明确的工程原型，就是OpenAI 的 Codex Agent Loop。
2026 年 1 月 23 日，OpenAI 公开了 Codex CLI 背后的"智能体循环"架构。它的运行机制就是一条闭环：
为了让这条循环可控、可追溯、不失控，OpenAI 用了两项关键技术：
Prompt Caching（提示缓存）：避免每一轮都从头重算上下文，省 token、降延迟。
Compaction（压缩）：上下文太长时自动压缩，防止模型"忘事"、跑飞。
它的意义在于：把大语言模型从"单次生成一段文本"，变成了一个可追溯、可控制的"控制平面"。业内因此说，AI 编程正从"概率性生成"进入"确定性工程"时代。
Loop Engineering 就是把这套思路从"写代码"泛化到"做任何事"，只要一件事能被拆成"思考-行动-观察-反思"的循环，就能套用同样的范式。
四、如何应用：从"写提示词"到"画循环"
下面是一套可以直接上手的应用框架，来自清华 2026 年循环工程相关报告的方法论（🟡 信源），以及多个生产级 Agent 系统的共同实践。
4.1 最小 Loop 五问（动手前先答清）
任何一个循环，在写第一行之前必须先回答这五个问题：
①目标是什么？终止条件是什么？
"写好周报"不是目标，"生成一份主管认可的周报并存入共享文档"才是；终止条件是"文档已生成且通过格式校验"。
②上下文从哪来？
记忆与状态存在哪？是读取某个文件夹、连接某个 API，还是复用上一次循环的结论？
③允许执行哪些动作？
能读文件？能发邮件？能调用哪个工具？动作范围越清楚，跑偏概率越低。
④怎么观察 / 验证产出对不对？ —
有没有自动校验？比如跑测试、比对预期、让另一个模型当裁判。
⑤什么信号说明该停 / 该升级给人？
连续 3 次失败？置信度低于阈值？遇到没授权的动作？这些都要提前写进"紧急出口"。
4.2 有边界的循环 vs 开放循环（这是成败分水岭）
开放循环会变成"昂贵的垃圾生产线"，AI 转得很忙，但没人知道它在忙什么、对不对。新手最常犯的错，就是一上来给 AI 一个宏大模糊的目标然后放任它循环。
4.3 Loop Stack 六件套（落地的标准组件）
一个能跑起来的生产级循环，通常由这些部件拼成：
Automations（调度心跳）：什么触发循环？定时、事件、还是人工按钮。
Worktrees（多 Agent 并行隔离）：多个子循环并行跑，互不污染。
Skills（项目知识沉淀）：把"这个项目该怎么干"固化成可复用知识。
Connectors（外部系统连接）：连 Slack、邮箱、数据库、Git 等。
Sub-agents（子智能体委派）：把大任务拆给专人干。
Memory（跨循环持久记忆）：记住上次学到了什么，下次接着用。
4.4 你的落地步骤（最小可行路径）
选一个重复型、可逆、影响小的任务（比如"每天汇总行业新闻成简报"）。
用"五问"把循环画出来，填完表格。
在关键节点设人工复核（比如"生成后先发给我看，再对外发"）。
试运行一周，记录跑偏次数和原因。
稳定后再逐步放开自动动作。
这条路径，正好对应邹叔制作的" AI 能力地图"里自动化执行 = L3 人设护栏的原则：对外动作默认先压在人工复核以下跑通，再谈放开。
案例 1：Anthropic 三 Agent 循环（AI Engineer 大会，2026 年 6 月）
Anthropic 现场演示了一个由三个 Agent 组成的异步闭环：
Planner（规划者）：拆解目标、制定步骤；
Builder（构建者）：实际写代码、搭界面；
Judge（评估者）：检验产出是否达标，不达标就打回。
三者各自循环、互相喂结果，40 分钟无人接管，从零搭通一个含前后端的 App。现场最炸的一句话："赢家不会拥有最聪明的模型，他们会拥有最好的循环。"
案例 2：OpenAI 内部 Automations
OpenAI 自己用循环做日常工程自动化：自动分类 issue、汇总 CI 失败原因、写 commit 简报。跑出的结果进入一个 Triage（分拣）收件箱，等人审，这是"AI 自主跑 + 人在关键节点把关"的标准范本。
案例 3：平凯 Loop（PingCAP，2026 年 6 月 26 日公测）
PingCAP 推出的平凯 Loop 是一个多人 + 多 Agent 的协作产品。Agent 在频道里帮你写代码、提交 Git、管理分支，还能设触发器：每天 9 点自动出数据报告、下周三提醒做 Code Review。理念是"不是替代人，是组建一支人与 AI 的团队"。
写 Loop 很容易上头，"让 AI 自己跑"听起来太香了。但有几个坑必须提前说清：
1.开放循环会制造垃圾。目标模糊 + 动作无限 + 反馈不可验证 = AI 很忙但没人知道在干嘛。前面 4.2 的对照表就是防火墙。
2.问责真空。当循环自主执行对外动作（发邮件、发帖、下单），出错了谁负责？目前社会还没有成熟的问责框架。所以对外动作必须先压在人工复核下，这是底线，不是可选项。
3.验证能力是瓶颈。Loop 转得快，但"它觉得自己对了"不等于"真的对了"。这也是为什么在 AI 能流畅编造内容的时代，会验证的人比会生成的人更稀缺。循环里一定要塞进可靠的校验环节，最好让另一个独立模型或人来当"裁判"。
4.成本会悄悄失控。一个无限重试的循环，token 和算力消耗可能指数级膨胀。终止条件和"最大迭代次数"必须写死。
1.人的价值在"后退"，但没在"消失"。
从写提示词到写循环，人退到了更外围，但退到的位置更关键——你攥着的是目标、护栏、终止条件、最终核验；交出去的是循环里的执行与重试。 决定"往哪走、何时停、谁担责"的，还是人。
2."会用 AI"的门槛在升高，不是降低。
表面看，Loop 让你不用手把手教了；实际上，设计一个靠谱的循环，比写一条好提示词难得多，你要懂系统、懂边界、懂验证。未来稀缺的，是能当"循环架构师"的人，而不是会打字让 AI 干活的人。
3.组织里的"中层协调"会被进一步压缩。
上传下达、汇总、定期报告，这些正好是循环最擅长吃掉的活。组织会变扁，但每个"负责人"头上汇过来的决策负荷会更重。一个人 + 一群 Loop，干过去一个小团队的活，这既是解放，也是风险。
4.最危险的不是 AI 失控，是人把自己压扁成机器。
当一切都能用"循环优化"来衡量，人容易为了和机器竞争，也去比速度、比产量、比迭代次数。真正该守住的，的感、责任感、共情、打破框架的创造力，恰恰是机器给不了、也不该交给机器的东西。
5.技术不决定结局，制度和选择才决定。
Loop 既能放大个人生产力，也能放大不平等（会用的人产出 10 倍，不会的被甩开）；既能解放重复劳动，也能制造新的失控风险。它把哪些事交给机器、哪些死死攥在手里，是每个职场人、每个组织、每个社会都要亲手做的选择
