从"怎么跟 AI 说话"到"怎么让 AI 自己转起来"，AI 工程的重心正在经历一场深刻的外移。

引言：你还在手动提示 AI 吗？

如果你今天还在一条一条地给 AI Agent 敲提示词，那么你的工作方式可能已经落后了。

2026 年 6 月，Google Chrome 前工程负责人 Addy Osmani 发表了一篇影响深远的文章，正式定义了一个新概念——Loop Engineering（循环工程）。他的核心论断简洁有力：

“Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead.”

—— Loop Engineering 就是用系统替代你自己去提示 Agent。你不再是那个敲键盘的人，你是设计这个系统的人。

几乎在同一时间，Anthropic Claude Code 的负责人 Boris Cherny 在一次访谈中说了一句更直白的话：“My job is writing loops.”——我的工作就是写循环。

这不是某个工具的更新公告，而是一种工程思维范式的根本转变。在这篇文章中，我想从技术脉络出发，聊聊 Loop Engineering 到底是什么，它如何从 ReAct 等早期 Agent 模式中演化而来，以及它为什么是当下 AI 工程最值得关注的方向。

---

一、四次跃迁：AI 工程重心的持续外移

回顾过去几年 AI 应用工程的发展，有一条清晰的演进主线。每一次跃迁，工程师关注的焦点都在往"更外层"移动：

1. Prompt Engineering（提示词工程）

这是一切的起点。核心问题是：怎么跟模型说话？ 我们琢磨措辞、调整 few-shot 示例、使用 Chain-of-Thought 引导推理——所有努力都指向一个目标：提升模型对单次输入的理解力。

2. Context Engineering（上下文工程）

当任务变得复杂，单条提示词不够用了。Anthropic 在 2025 年将其正式命名为"Context Engineering"，定义为设计、结构化和管理 AI Agent 做决策时所需的整个信息环境——包括系统指令、工具定义、对话历史、外部检索知识等。它解决的是：给模型看什么？ 用一个更完整的上下文去提升任务完成率。

3. Harness Engineering（运行环境工程）

有了好的上下文，还需要一个好的运行环境。Harness Engineering 解决的是：给 Agent 搭什么样的脚手架？ 包括权限框架、工具接口、沙箱环境、验证信号等。像 Claude Code 和 Codex 之所以能精准执行复杂任务，很大程度上得益于它们在这一层的成熟。

4. Loop Engineering（循环工程）

现在，我们来到了第四层。Loop Engineering 解决的核心问题是：怎样让整套系统自己转起来？

它不是简单地让 Agent “多跑几轮”，而是设计一个自驱动的闭环系统——系统自动触发任务、执行、验证、反馈、纠偏，并在每一轮循环中积累经验。人的角色从"操作者"变成了"架构师"。

---

二、什么是 Loop Engineering？

让我们给出一个更精确的定义。

Loop Engineering 是设计一个可以自我提示、自我验证、自我演进的 Agent 运行闭环的工程实践。 你定义目的和边界，AI 在其中不断迭代直到任务完成。

一个完整的 Loop，本质上是一个控制系统。它的运行逻辑可以概括为：

触发 → 读取输入 → 理解任务 → 创建隔离环境 → 执行 → 审查 → 验证/测试 → 产出结果（或记录失败） → 写入记忆 → 进入下一轮

Addy Osmani 在他的框架中，将一个成熟的 Loop 系统拆解为 五大模块 + 一层记忆机制：

五大模块

模块	解决的问题	核心作用
Automation（自动化）	谁来启动循环？	让 Agent 在特定条件或固定频率下自动唤醒，而非等人手动提示
Worktree（工作树）	多个 Agent 并行时如何不冲突？	共享 Git 历史，但工作副本隔离，实现"并行不混乱"
Skill（技能）	Agent 每次都要从零开始理解项目吗？	将经验封装为可复用的工作流和能力模块
Connector（连接器）	Agent 如何接入真实世界的工具？	通过 MCP、插件、API 等方式，赋予 Agent 操作外部系统的能力
Sub-agent（子代理）	执行者和审查者需要分离吗？	用独立角色分别负责创建和检查，避免自我评估的盲区

记忆层

在这五个模块之上，还有一个至关重要的状态记忆层（Memory）。模型本身是无状态的——上一次循环做了什么、犯了什么错，它不会自动记住。记忆层的作用就是将每一轮循环的经验持久化，让 Loop 真正产生复利效应：错误被规避、经验被沉淀、每一次迭代都比上一次更好。

没有记忆的 Loop，每一次都是全新的开始。有了记忆的 Loop，才是真正的复利系统。

---

三、从 ReAct 到 Loop：一段被低估的演化史

很多人在讨论 Loop Engineering 时，往往忽略了它的思想根源。事实上，如果我们追溯 Agent 的运行模式，会发现 Loop 的核心机制在几年前就已经被一个学术框架清晰地描述过了——那就是 ReAct。

ReAct 是什么？

ReAct（Reasoning + Acting）由 Yao et al. 在 2022 年提出，是目前 AI Agent 领域最主流的运行范式之一。它的核心思想可以用一句话概括：

让模型在一个紧密的循环中交替进行"思考"和"行动"，每一次思考指导下一次行动，每一次观察修正下一次思考。

一个典型的 ReAct 循环是这样的：

Thought（思考）→ Action（行动）→ Observation（观察）→ Thought → Action → Observation → ... → 最终答案

这与传统的 Chain-of-Thought（纯推理，不与外界交互）和传统的 Tool-Use（直接调用工具，不做推理）有本质区别。ReAct 的精妙之处在于，它将内部推理和外部行动编织成了一个迭代的反馈环路。

ReAct 和 Loop Engineering 的关系

理解了 ReAct，就更容易理解 Loop Engineering 的定位。我认为它们之间的关系可以这样描述：

ReAct 是 Agent Loop 的微观内核，Loop Engineering 是将这个内核工程化、产品化、规模化的系统实践。

具体来说：

维度	ReAct	Loop Engineering
层级	单次任务内的推理-行动循环	跨任务、跨时间的系统级循环
关注点	模型如何在一个任务中思考和使用工具	如何设计一个系统让多个 Agent 自动、持续地运行
循环主体	LLM 自身的 Thought-Action-Observation	包括触发、执行、审查、验证、记忆的完整工程闭环
记忆	局限于当前上下文窗口	持久化的跨会话状态记忆
人的角色	仍需人来发起任务、提供上下文	人退居为系统设计者，循环自动运行
典型产物	一个问题的答案或一次工具调用链	一个持续运行的自动化生产流水线

可以这样打一个比方：ReAct 就像一个员工在处理一项任务时的思维方式——想一想、做一做、看看结果、再调整。而 Loop Engineering 是为这个员工设计整套工作制度——什么时候上班、用什么工具、做完谁来检查、经验怎么沉淀、下一个任务怎么自动分配。

换言之，ReAct 告诉我们 Agent 应该怎么思考和行动，Loop Engineering 告诉我们应该怎么让这种思考和行动自动化、可控化、规模化地运转起来。

从技术谱系上看，这是一条清晰的演化链：

Chain-of-Thought（纯推理）
    → ReAct（推理 + 行动的交替循环）
        → Agent Loop（将 ReAct 循环嵌入完整的任务执行框架）
            → Loop Engineering（将 Agent Loop 工程化为可自动运行的生产系统）

ReAct 是这条链上极为关键的一环。没有 ReAct 将"思考"和"行动"编织成闭环的范式突破，今天的 Loop Engineering 就缺少了最核心的运行机制。

---

四、为什么是现在？Loop Engineering 爆发的四个条件

Loop Engineering 的概念并不是凭空出现的。它在 2026 年中集中爆发，是因为几个关键条件同时成熟了：

1. Agent 具备了长任务执行能力：像 Claude Code、Codex 等 Coding Agent 已经可以持续处理跨文件、跨模块的复杂工程任务，而不仅仅是回答一个问题。

2. 工具调用能力飞速增强：通过 MCP（Model Context Protocol）、插件体系、API 集成，Agent 能够操作的外部工具越来越丰富，从代码编辑到邮件发送到数据库查询，能力边界不断扩大。

3. 企业端开始需要可重复、可审计的工作流：当 AI 真正进入生产环节，企业不再满足于"跑一次看看效果"，而是需要可重复执行、过程可追溯、结果可验证的系统化方案。

4. 成本和风险倒逼精细化管控：Token 成本、任务失败率、权限风险——这些在实验阶段可以忽略的问题，在生产环境中都变成了必须面对的工程挑战。简单地"让 Agent 多跑几轮"已经不够，必须让它在一个可控的闭环中运行。

---

五、实践 Loop Engineering 的四道护栏

在 Addy Osmani 提出的五模块 + 记忆层的基础上，结合实际工程经验，我认为还有四个维度值得特别关注：

1. 验收标准（Exit Criteria）

Loop 什么时候该停？如果没有明确的终止条件，循环可能陷入无限迭代或过早收敛。在启动 Loop 时，就应该定义清晰的验收标准——达成什么指标算完成，出现什么信号该停止。

2. 权限边界（Permission Boundary）

特别是在企业场景中，必须遵循最小权限原则。Agent 能不能修改生产数据？能不能发送消息？能不能自动合并代码？这些边界需要在 Loop 设计阶段就明确锁定。

3. 人工介入门（Human Gate）

与权限边界相辅相成。当 Agent 的操作超出预设的安全边界时，Loop 需要暂停，等待人工审核和决策。这不是效率的倒退，而是安全性的保障。

4. 可观察性（Observability）

不仅要看结果，更要看过程。Loop 的每一轮迭代——任务拆解、执行动作、工具调用、审查反馈——都应该是可追溯、可观察的。只有过程透明，才能持续优化循环的质量。

---

六、结语：从写提示词到设计系统

回看 AI 工程的四次跃迁，有一条隐含的主线：人的角色在不断后退，系统的自主性在不断前进。

• Prompt Engineering 时代，人是 Agent 的操作员；
• Context Engineering 时代，人是 Agent 的信息策展人；
• Harness Engineering 时代，人是 Agent 的环境搭建者；
• Loop Engineering 时代，人是 Agent 的系统架构师。

而 ReAct 框架的贡献在于，它在学术层面证明了一件事：Agent 可以在"思考—行动—观察"的闭环中自主解决问题。 这为后来的 Agent Loop 乃至 Loop Engineering 奠定了理论基石。从 ReAct 的微观循环到 Loop Engineering 的宏观系统，本质上是同一种思想——闭环、迭代、自我修正——在不同尺度上的展开。

真正高阶的 AI 工程实践，不是写出多么精妙的提示词，而是设计出一个可以自动运行、自我迭代、持续产生价值的生产系统。把瞬间的灵感变成长效的工作机制，把单次的对话转化为自动化的复利过程——这就是 Loop Engineering 的终极目标。

---

参考资料：

• Addy Osmani, “Loop Engineering”, addyosmani.com, 2026
• Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models”, ICLR 2023
• Anthropic, “Effective Context Engineering for AI Agents”, 2025