别再写Prompt了，开始设计循环吧

我先说一个判断，你可以不同意，但我觉得这件事比看上去重要得多。

从2026年7月开始，「怎么跟 AI 写代码」这件事，正式进入了下一个阶段。不是你以为的那种小升级，什么新按钮新功能，而是底层范式变了。

触发这个判断的，是 Claude 官方团队上周发的一篇文章，标题很朴素，叫「Getting started with loops」。看标题你可能觉得，循环嘛，写代码的人天天用，有什么好聊的。但它说的 loop，不是 for 循环，不是 while 循环，是一种全新的人机协作方式。

推特上这两周吵得很热闹，一堆人在争论 Loop Engineering 到底是不是伪概念。有人说这不就是以前的 Agent 工作流换了个名字吗，有人说这是 2026 年最重要的范式转换。我的看法是，两边都对了一半，但都没抓到点子上。

让我把这件事掰开了讲。

事情要从一个很简单的观察讲起。

你回想一下，一年前你是怎么用 AI 写代码的。你打开 ChatGPT 或者 Claude，敲一段话，「帮我写一个登录页面」，它吐出一坨代码，你复制粘贴，跑一下，报错了，你把报错信息贴回去，它再吐一坨。

这个模式有个名字，叫回合制。你出一招，它接一招。像下棋，像打牌。每一步都需要你来决定下一步是什么。

但你有没有发现，最近用 Claude Code 或者 Cursor 的时候，你越来越多地在干一件不一样的事。你不再是在跟 AI 对话了，你在设计一套系统，让 AI 在里面自己跑。

比如你告诉它，「去把我的 PR 上的 review comments 全部处理掉，每五分钟检查一次，直到 CI 全绿」。你不需要坐在那里一轮一轮地指挥它。你设好规则，它自己循环。

这就是 loop。

Claude 官方团队给出了一个特别清晰的定义。他们说，loop 就是 Agent 反复执行工作循环，直到满足停止条件。

听着很学术对不对。但你仔细品这句话，它其实是在说一件很深刻的事，你跟 AI 的关系，正在从「对话者」变成「系统设计者」。

以前你是选手，一局一局打。现在你是教练，你设计战术板，AI 去执行。

他们把循环分成了四种类型，我一个一个讲，你感受一下这里面的递进关系。

第一种，回合制循环。就是你现在最熟悉的那种，发一条 prompt，AI 干活，干完了交给你看，你再决定下一步。每一次你按下回车，就启动了一个循环。AI 会在这个循环里自己收集上下文、采取行动、检查成果、反复迭代，直到它觉得任务完成了或者需要你介入。

这是最基础的模式，你在控制每一步。

第二种，目标导向循环。你不再一步步指挥了，而是告诉它「我要什么结果」。比如你说，「把首页的 Lighthouse 分数搞到 90 以上，最多试5次」。AI 每次试图收工的时候，会有一个评估模型来检查你的目标有没有达到。没达到？打回去继续干。达到了才真正停止。

注意这个转变。你交出去的不再是「每一步做什么」，而是「什么时候算完」。

第三种，定时循环。你设一个时间间隔，AI 就按这个节拍自动跑。每五分钟检查一次 PR，每天早上总结一次 Slack 消息，每小时扫一遍反馈频道。它在你的机器上跑，你关机它就停。或者你把它丢到云上，它就永远在那里转。

你交出去的，是「什么时候启动」。

第四种，主动循环。这是最激进的一种。你设好一个事件触发器，一旦某件事发生，AI 自动开始整套流程，从检测到修复到验证到回复，全程不需要人。比如 GitHub 上来了一个新 Issue，AI 自动分类、自动修复、自动提交 PR、自动找另一个 AI 来 review。

你交出去的，是整个流程。你只管结果。

看出来了吗？这四种循环不是并列的，是递进的。你交出去的东西越来越多，从验证、到停止条件、到触发时机、到完整流程。

这就是为什么我说范式变了。以前的问题是「怎么写出好 prompt」。2025 年的问题是「怎么让多个 Agent 协作」。2026 年的问题变成了「怎么设计一套系统，让 AI 在里面持续运转」。

你不再是在写指令，你在设计循环。

坦率的讲，推特上之所以吵起来，是因为很多人觉得这不就是换了个说法吗。以前叫 Agent workflow，现在叫 Loop Engineering，有什么本质区别？

我一开始也这么想。但读完原文之后我改主意了。

区别在于，以前的 Agent workflow 讨论的是「怎么让 AI 干更复杂的事」。它的核心假设是，你还是在场的，你是导演，Agent 是演员。

但 Loop Engineering 讨论的是一个不同的问题。它在问，你能不能不在场。你能不能设好系统之后走开，让 AI 自己转，只在出问题的时候回来。

这是一个根本性的区别。前者是提效，后者是放权。

原文里有一段我觉得特别精彩，它说循环的输出质量，取决于循环周围的系统，不取决于模型本身有多聪明。

这句话翻译成大白话就是，你的代码库本身烂，再好的循环也出烂活。

他们给了几个建议，我觉得条条扎心。

第一，保持代码库整洁。AI 会模仿你现有的模式和规范。你的 repo 乱七八糟，AI 的输出就乱七八糟。这跟带新人一模一样，新人看着老代码学，老代码烂他写出来的也烂。

第二，给 AI 一种验证自己工作的方式。不能让它自己说「我觉得改好了」就算完。要有测试、有截图对比、有性能指标。把你平时手动检查的那些步骤，写成一个 skill 文件，让 AI 每次都跑一遍。

第三，用第二个 AI 做 code review。一个 AI 干活，另一个 AI 审查。因为干活的那个 AI 已经被自己的推理路径带偏了，它需要一个全新视角来找问题。

第四，当一次循环失败了，不要只修这一个 bug。要把失败的原因编码进系统里，让以后所有循环都能避开同样的坑。

你有没有觉得，这些建议换个场景照样成立？把「AI」换成「新员工」，把「循环」换成「工作流程」，把「skill 文件」换成「SOP」，这不就是管理学吗。

这恐怕是整件事最深刻的地方。当你开始设计循环的时候，你实际上是在做一件以前只有管理者和系统架构师才做的事，设计一个能在你不在的时候还能运转的系统。

原文还花了不少篇幅讲 token 消耗的问题。坦率的讲这个话题不性感，但它可能是决定 Loop Engineering 能不能真正落地的关键瓶颈。

**一个没有边界的循环，就是一台烧钱机器。**你让 AI 每五分钟检查一次 PR，它每次都重新读一遍整个代码库，一天下来 token 账单能吓死你。

官方给的建议是，给循环设明确的边界。不是所有任务都需要最强的模型，简单的活儿用小模型。不是所有步骤都需要 AI 来推理，确定性的操作就写成脚本。不要把轮询间隔设得比变化频率还短，如果你的 PR 平均半小时才来一条 review，你不需要每五分钟检查一次。

还有一条我觉得特别实用，先小规模试跑。Dynamic workflow 模式能一口气 spawn 几百个 Agent，但你第一次跑的时候，先在一个小数据集上试试，看看 token 消耗在不在预期内。别一上来就全量，不然账单会教你做人。

这让我想到一个类比。Loop Engineering 有点像早期的云计算。刚有了 AWS 的时候，每个人都兴奋地说太好了再也不用自己管服务器了。结果到了月底一看账单，比自己买服务器还贵。后来行业花了好几年才学会怎么正确地用云，什么该上云什么不该上云，什么时候 on-demand 什么时候 reserved。

Loop Engineering 大概也会经历类似的阶段。一开始所有人都冲进去什么都循环化，然后被账单打一巴掌，然后慢慢学会哪些任务值得循环、哪些不值得。

说到底，Loop Engineering 真正改变的，不是技术能力，是你思考问题的方式。

原文最后有一段建议，我觉得说得特别到位。它说，看看你日常工作里，哪个环节你是瓶颈。然后问自己，这个瓶颈里，我能把哪一块交出去？

是验证环节？那就写一个 skill 让 AI 自己验证。
是判断什么时候该停？那就用 /goal 设一个明确的停止条件。
是每天重复触发同一个任务？那就用 /loop 设一个定时器。
是整个流程从头到尾？那就组合所有原语，搭一个全自动循环。

这个思考方式，跟以前完全不同。以前你想的是「这段代码怎么让 AI 帮我写」。现在你想的是「我工作流里的哪一块，能变成一个循环」。

粒度变了。你不再是在 prompt 层面思考，你在系统层面思考。

我自己最近在尝试的一个方向是，把写博客这件事的很多环节做成循环。信息采集是一个循环，素材筛选是一个循环，初稿生成之后的自检是一个循环。不是所有环节都适合，但一旦你开始这么想，就会发现到处都有可以循环化的缝隙。

我觉得这件事最终会走向一个什么样的未来呢。

每个开发者的日常工作，会被拆成两部分。一部分是「只有人能做的判断」，比如这个需求到底要不要做，这个架构选型走哪条路，这个产品方向对不对。另一部分是「可以循环化的执行」，写代码、跑测试、修 bug、review、部署、监控。

后面这部分，会越来越多地变成循环。不是你不做了，是你从「做」变成「设计做的系统」。

想到这儿我有种奇妙的感觉。**我们这一代开发者，可能是最后一代需要亲手写大量代码的人。但同时，我们也可能是第一代需要设计「AI 工作循环」的人。**旧技能在贬值，新技能在升值，而转折就发生在此刻。

这篇文章的标题叫「Getting started with loops」，入门指南。但我觉得真正让人兴奋的，不是这四种循环怎么用。而是它暗示的那个方向——有一天，你坐在那里设计循环，就像今天的架构师设计系统一样自然。那时候回头看现在，我们一条一条发 prompt 等回复的样子，大概跟今天看当年一行一行打汇编差不多。

我们正在从手动挡换到自动挡。方向盘还在你手里，但油门和刹车，越来越多地交给了系统。

这件事该兴奋还是该担心？反正我觉得，先学会设计好的循环，比焦虑更有用。

谢谢你看我的文章，我们，下次再见。

/ 作者：青玉白露

延伸阅读

• Claude发现,AI或许真的有「意识」：Anthropic 在 Claude 内部发现了一个类似人脑意识工作空间的结构 J-space,它不是人为设计的,而是训练中自发涌现的。这可能是我们离「AI 有意识」最近的一次。
• Agent 嵌入一切：从支付宝到群聊，AI 正在吞噬 App：支付宝阿宝开放公测、Skywork Tags让Agent加入工作群聊、千问Agent工程方法论——三件事串在一起看，2026下半年Agent的主旋律已经很清楚了：Agent的终局不是做一个新App，而是消失在你已有的工作流和生活流里。
• 一家AI安全公司做了一件最不安全的事：Anthropic发布最强中端模型Sonnet 5的同时，被发现在Claude Code中植入隐写术追踪中国用户。一面递刀一面藏刀，AI安全公司的透明度悖论。
• AI Agent的信任链断裂：从美军AI轰炸伊朗学校、Claude Code被DNS攻击攻破、到Cursor和OpenClaw把Agent放进手机，三件事串在一起揭示了同一个结构性盲区：Agent不会质疑输入数据的可信度。信任基础设施的滞后，才是Agent时代最危险的短板。