Loop Engineering（循环工程）是AI编码领域的新趋势，开发者不再手动给Agent输入prompt，而是设计程序自动完成这一过程。通过循环让Agent自主产出代码、测试并验证，实现持续的自我改进和产出。这一方法要求开发者从“写代码”转向“设计系统”，对人的判断力提出了更高要求。Loop Engineering的核心在于建立有效的反馈机制，确保Agent在自动化过程中不会偏离方向。这一趋势标志着AI协作方式的进一步升级，将人从高频低权重的决策点推向低频高权重的决策点，对工程师和管理者都提出了新的挑战和机遇。
6 月 8 日凌晨，一个叫 Peter Steinberger 的开发者（开源项目 OpenClaw 的作者）在 X 上发了两句话：
“每月提醒一次：你不该再给编码 Agent 输入 prompt 了。你应该设计循环，让循环去给 Agent 输入 prompt。”
没有图，没有代码，没有链接。就两句话。这条推文获得了650 万次浏览。接下来一整周，整个 AI 编码圈都在争论这六个字到底是什么意思。
更耐人寻味的是，几天前，Claude Code 的创造者、Anthropic 的 Boris Cherny 已经在台上说了几乎一模一样的话：
“我现在不给 Claude 输入 prompt 了。我有一堆循环在运行，是它们在给 Claude 输入 prompt、决定该做什么。我的工作是写循环。”
两个最懂 AI 编码的人，在同一周说了同一件事。一个新词诞生了：Loop Engineering（循环工程）。这篇文章想讲清楚三件事：它是什么？怎么用？以及最重要的——为什么它会在这个时候出现？
一、Loop Engineering 到底是什么？
先给一句话定义：Loop Engineering 就是你不再亲手给 Agent 输入 prompt，而是写一个"自动给 Agent 输入 prompt 的程序"。
这句话听起来有点绕，我们拆开看。过去你用 AI 写代码，是这样的：你输入一句话，AI 回一段代码；不对，你再输入一句，它再回一段。你是那个一直待在循环里、一遍遍敲 prompt 的人。
Loop Engineering 把这个"敲 prompt"的动作交给了一个程序。这个程序会自己转圈，每一圈做四件事：
① 给 Agent 输入 prompt——不是你敲，是程序自动发出。
② Agent 产出——写出代码、跑出测试结果、提交 PR。
③ 读取产出，判断完成了没有——程序自己读 Agent 干了什么，自己决定下一步。
**④ 没完成，就带着新的上下文，回到第①步再来一圈。**完成了，就交还给你。
关键的转变在这里：你不再待在循环里敲 prompt，你变成了那个写循环的人。模型从"你对话的对象"，变成了"你程序里的一个零件"。
Boris 用一个三级阶梯描述了自己的演化：
• **第一级，自动补全。**他手写代码，AI 给点建议。他是打字员。
• **第二级，并行会话。**他同时开 5-10 个 Claude 会话，挨个给它们输入 prompt。他是 prompt 操作员。
• **第三级，循环。**他写循环，Agent 自己读 GitHub、Slack、Twitter，自己决定该做什么。他是循环工程师。
证据有多硬？在 2025 年 12 月 27 日之前的 30 天里，Boris 对 Claude Code 的贡献，**100% 是由 Claude Code 自己写的——259 个 PR 合并入库。**他在 2025 年 11 月删掉了自己的 IDE，之后再没打开过。
二、具体怎么用？一个真实场景
Claude Code 已经把 /loop 作为内置功能发布了。Boris 自己最经典的一条启动命令是这样的：
/loop 看护我所有的 PR。自动修复构建问题，有人留言评论时，派一个 worktree Agent 去处理。
翻译成大白话：你设定一个循环，让它 24 小时盯着你所有的代码合并请求。构建挂了，它自动修。有同事提了意见，它自动派一个 Agent 去改。你睡觉的时候，它在工作。
更激进的例子是 Steve Yegge 在 2026 年 1 月开源的 Gas Town 项目。它用一个"市长（Mayor）"Agent 协调 20-30 个 Claude Code 实例，"巡逻"Agent 持续跑循环，所有状态存在 git 里——这样即使某个 Agent 崩溃了，工作也不会丢。
**这已经不是"一个人用 AI 写代码"了。这是"一个人指挥一支 Agent 舰队，而且这支舰队会自己找活干"。**还有一个开发者 Matt Van Horn，他的循环每晚自动在大约 30 个开源仓库里提交 PR。他睡着的时候，代码在合并。
三、一个关键澄清：loop 不是越自动越好
这件事最容易被误解的地方就是：以为 loop 就是"放手让 AI 自己跑"。恰恰相反。推文评论区里最有价值的一条回复是这么说的：
“设计循环只是一半。另一半是在循环里放一个能说’不’的东西：一个测试、一个类型检查、一个真实的报错。一个没有任何东西能反驳它的循环，只是 Agent 在不停地自我点头。”
Steinberger 本人同意了这个观点。这句话点破了 Loop Engineering 的灵魂：**循环的价值不在于"自动"，而在于"自我验证"。**一个能跑的循环很简单——一个 while 死循环就行。难的是在循环里放进足够强的反馈机制，让它知道什么时候做对了、什么时候跑偏了、什么时候该停下来交给人。没有验证机制的循环，不是自动化，是"自动化地犯错"。
四、为什么偏偏是现在？
要回答这个问题，得先看一个清晰的"抽象阶梯"。过去三年，我们和 AI 协作的方式，一级一级地往上爬：
• **2024 年：Prompt Engineering（提示工程）。**优化单次交互的质量——怎么把一个问题问好，怎么给例子，怎么指定输出格式。这是"如何问一个好问题"的世界。
• **2025 年：Context Engineering（上下文工程）。**不只优化一句话，而是设计模型推理时看到的整个信息环境——系统指令、工具定义、记忆、历史、检索结果。视角从"单次提问"升到了"信息环境设计"。
• **2026 年初：Harness Engineering（缰绳工程）。**给单次 Agent 运行配上引导和传感器，让它在约束中自主工作、犯错能自我纠正。
• **2026 年 6 月：Loop Engineering（循环工程）。**设计驱动 Agent 一轮轮自我运转的系统。
把这四级放在一起，一个规律就浮现了：每升一级，人离"具体执行"就远一步，离"系统设计"就近一步。
Prompt 时代，你还在亲手问每一个问题。Context 时代，你设计的是问问题的环境。Harness 时代，你设计的是约束 Agent 行为的护栏。到了 Loop 时代，你连"问问题"这个动作本身都交出去了——你设计的是一台"会自己问问题的机器"。
但这个阶梯还藏着一个更深的东西。每往上爬一级，你交出去的是"控制"，换回来的是"杠杆"。Prompt 时代你控制每一句话；Loop 时代你连"何时问、问什么"都交出去了，换来的是一个人指挥一支 Agent 舰队的放大效应。而这里的代价是：你交出去的控制越多，你需要的信任就越多——而信任不能凭空给，必须靠验证机制来支撑。
答案其实很朴素：**自动化总是发生在"可靠性"跨过某个临界点之后。**你不会让一个不可靠的东西自己循环。到了 2025 年底，情况变了。Karpathy 在 2025 年 12 月发现，Agent 从"偶尔有用但经常要修正"变成了"持续输出大块正确的代码"。Boris 也是在同一个时间点删掉了 IDE。
**核心洞察：**Harness 让"单次奔跑"不跑偏，Loop 才敢让它"一轮轮地自己跑"。前者是后者的前提。没有可靠的 Harness，Loop 就是放大器，把小错误放大成灾难。有了可靠的 Harness，Loop 才是杠杆，把单次的可靠性复利成持续的产出。
五、“它不就是个定时任务吗？”
当然，也有冷静甚至刻薄的声音。最犀利的评论只有几个字："定时任务最近改名改得挺花哨。“这话半对。是的，循环的调度层就是 cron——Boris 确实就是用 cron 跑循环的。如果你对 loop 的全部定义就是"一个定时运行的东西”，那这玩意儿 1975 年就发明了。
但定时任务和 Agent 循环的根本区别，在于循环体里那个"决策者"：定时任务跑的是固定脚本，每次走一样的分支，不会自我纠正。Agent 循环跑的是一个会读取当前状态的模型，每一拍都在决定下一个动作，能验证、能失败重试、还能派遣和监督其他 Agent。
**cron 从来没有的，是中间那个"会思考、会判断、会喊停"的大脑。**Loop Engineering 真正的工程难度，不在那个 for 循环，而在你给循环体里放了什么——以及你怎么确保它不会跑下悬崖。
六、一个反直觉的结论：Loop 越成熟，对人的判断要求越高
大多数人认为 Loop 让人更轻松了——你睡觉，它干活，一夜提交几十个 PR。但真相恰恰相反。想一想：当一个循环能指挥 30 个 Agent、一夜跑出几十个 PR 时，如果你设错了一个验证标准、给错了一个目标定义，会发生什么？循环会忠实地、大规模地、不知疲倦地，把这个错误复制到所有产出里。
一个人手写代码时，判断错误的影响范围是一行、一个函数。一个循环驱动 30 个 Agent 时，同一个判断错误的影响范围，是 30 个 Agent 一整夜的产出。你的判断被放大了——对的判断和错的判断，都被放大了。
这就引出了一个反直觉的结论：**Loop 时代对人的要求，不是"更少思考"，而是"在更少的决策点上，做密度更高、容错更低的判断"。**过去你有几百次小的决策机会，每次错一点都能在下一步修正回来——犯错的成本被分散了。现在你的决策点变少了，但每一个决策点的权重变大了。
所以"AI 让人变轻松"这个直觉是错的。准确的说法是：**AI 把人从"高频率、低权重"的判断，推向了"低频率、高权重"的判断。**你按的次数少了，但每一次按下去的后果，重了。
七、对管理者和工程师意味着什么
**对工程师：你的价值正在第三次迁移。**从"写代码"到"写 prompt"，到"写循环"。每一次迁移，你都离具体执行更远，离系统设计更近。如果你还把自己的核心能力定义为"我代码写得快"，那你正在被定义为打字员。真正值钱的能力，是设计那个"让代码自己被写出来"的系统。
**对管理者：你管理的对象正在变化。**黄仁勋说的 1:100（每个员工配 100 个 Agent）不再是修辞。当一个工程师能写循环、指挥一支会自己找活干的 Agent 舰队时，管理的本质从"管人"变成了"管人 + Agent 混合系统"。你需要重新思考：绩效怎么衡量？一个产出 259 个 PR 但全是 AI 写的工程师，该怎么评价？
但最重要的一条，Boris 自己点破了：他说的不是工程师过时了。仍然需要有人决定建什么、和客户聊、协调团队。工作没有消失——它从"写代码"变成了"写那个写代码的东西"。
这和我们整个系列反复讲的是同一件事：**AI 不会消灭你的工作，它会把你的工作往上推一层。**从执行到判断，从做事到设计做事的系统。Loop Engineering 只是这个大趋势，在编码这个最前沿的领域，最新、也最极致的一次体现。
0 AI行业迎来前所未有的爆发式增长：从DeepSeek百万年薪招聘AI研究员，到百度、阿里、腾讯等大厂疯狂布局AI Agent，再到国家政策大力扶持数字经济和AI人才培养，所有信号都在告诉我们：AI的黄金十年，真的来了！
在行业火爆之下，AI人才争夺战也日趋白热化，其就业前景一片蓝海！
我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓
人才缺口巨大
人力资源社会保障部有关报告显示，据测算，当前，****我国人工智能人才缺口超过500万，****供求比例达1∶10。脉脉最新数据也显示：AI新发岗位量较去年初暴增29倍，超1000家AI企业释放7.2万+岗位……
单拿今年的秋招来说，各互联网大厂释放出来的招聘信息中，我们就能感受到AI浪潮，比如百度90%的技术岗都与AI相关！
就业薪资超高
在旺盛的市场需求下，AI岗位不仅招聘量大，薪资待遇更是“一骑绝尘”。企业为抢AI核心人才，薪资给的非常慷慨，过去一年，懂AI的人才普遍涨薪40%+！
脉脉高聘发布的《2025年度人才迁徙报告》显示，在2025年1月-10月的高薪岗位Top20排行中，AI相关岗位占了绝大多数，并且平均薪资月薪都超过6w！
在去年的秋招中，小红书给算法相关岗位的薪资为50k起，字节开出228万元的超高年薪，据《2025年秋季校园招聘白皮书》，AI算法类平均年薪达36.9万，遥遥领先其他行业！
总结来说，当前人工智能岗位需求多，薪资高，前景好。在职场里，选对赛道就能赢在起跑线。抓住AI风口，轻松实现高薪就业！
但现实却是，仍有很多同学不知道如何抓住AI机遇，会遇到很多就业难题，比如：
❌ 技术过时：只会CRUD的开发者，在AI浪潮中沦为“职场裸奔者”；
❌ 薪资停滞：初级岗位内卷到白菜价，传统开发3年经验薪资涨幅不足15%；
❌ 转型无门：想学AI却找不到系统路径，83%自学党中途放弃。
他们的就业难题解决问题的关键在于：不仅要选对赛道，更要跟对老师！
我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓
