一开始，我们主要是在和 AI “对话”。AI 要理解我们的需求，就有了 Prompt Engineering：怎么把一句 prompt 写好，让它更准确地明白我们要什么。再后来，AI 开始进入更具体的任务场景。它不能只理解一句话，还得知道项目背景、任务目标、代码结构和历史决策。就诞生了 Context Engineering：要给 AI 什么上下文，它才更容易做对。

再往后，AI Agent 开始“长手长脚”了。不只是在聊天框里回答问题，它还能写代码、查资料、调用工具、跑测试、修 bug。但是 Agent 要处理的任务变长、变复杂之后，问题也随之来了：

• 要如何持续推进任务？

• 执行结果要怎么检查？

• 任务失败之后要怎么修正？

• 修正后的经验能不能沉淀下来？

• 什么时候该停下来，把决策权交给人？

这就是最近大家开始讨论 Loop Engineering 的原因。

单看 Loop Engineering，它像是一个新黑话。比较好的理解方式，是把它和另外三个词放在一起看：Prompt Engineering、Context Engineering、Loop Engineering、Harness Engineering。

它们其实是在回答 AI Agent 工作流里的四个问题：怎么问、给它看什么、怎么让它持续推进，以及让它在什么样的环境里安全运行。

Prompt Engineering：怎么问 AI

Prompt Engineering 是最早被大家熟悉的概念。那时候，我们经常会问一句：“你的 Prompt 是怎么写的？”Prompt Engineering 关心的是人要怎么组织指令，让模型更准确地理解任务，并按我们想要的格式输出结果。为此，我们会让 AI 扮演某个角色，明确输出格式，补充几个示例，告诉它回答时要注意什么，或者要求它分步骤完成任务。这些做法的目的都很直接：让 AI 更接近我们想要的结果。

Prompt Engineering 要解决的问题概括成一句话，就是怎么问，AI 才更容易答对。

它适合处理相对明确、边界比较清楚的任务，像是写一段文案、总结一篇文章、提取几个要点，或者生成一个表格。

但当任务变复杂之后，光靠 prompt 就不够了，因为 AI 可能不知道你的项目背景，不了解代码结构，也不清楚之前做过哪些决定。

这时候，重点就从“怎么问”，转向了“给它看什么”。

Context Engineering：给 AI 看什么

执行任务时，应该把哪些信息放进模型的上下文里，是 Context Engineering 要解决的问题。

举个例子，你让 Agent 修改一个项目 bug。它需要看到的不只是你的那句需求，还有相关代码文件、项目目录结构、错误日志、测试结果、README、团队规范、历史 issue，以及之前的修改记录。

这些信息给少了，Agent 可能缺少判断依据；信息给错了，它可能很努力在错方向上渐行渐远；信息给得太多，它又可能抓不住重点。

Context Engineering 要解决的问题概括成一句话，就是给 AI 看什么，它才更容易做对。

在 AI Agent 里，这件事会变得更重要。因为 Agent 经常要连续执行很多步，每一步都需要判断：现在应该读取什么信息，保留什么信息，又该丢掉什么信息。

Loop Engineering：让 Agent 循环工作

这周火起来的 Loop Engineering，主要解决 Agent 持续工作、围绕任务工作的问题。

以前我们使用 Agent 时，很多任务其实都要靠人一轮轮往前推。你让它修一个 bug，它改了一版之后，可以自己运行测试、读取报错，再继续修改；但这个过程要不要继续跑、失败几次后要不要停下来、哪些结果算通过、最后要不要交给人来进行 review，是要一套流程来约束和判断的。

Loop Engineering 想做的事情，就是把这个过程设计成一个稳定的循环：任务输入 → Agent 执行 → 工具检查 → 失败反馈 → 再次修改 → 记录状态 → 必要时交给人。