大多数AI工程师都能快速搭出一个Agent。
极少数人能搭建一个部署后会自动变好的系统。

这个差距，直接值六位数。

一个Agent是工人。
一个Loop才是让工人每天研究错误、改写剧本、提升3%的工厂。

目前真正跑在生产环境里的顶级AI系统，几乎都不是单次模型调用。
它们是循环：Generate → Evaluate → Learn → Improve，反复迭代，直到输出真正可靠。

下面是20个在生产级AI系统中反复出现的核心Loop设计模式。
掌握这些，你就从“会造Agent”进化到“会造会自我进化的系统”。

Agents vs Loops 的本质区别

旧范式：Prompt → Response → Done（一次性工厂工人）
新范式：Generate → Critique → Rewrite → Score → Retry → Remember → Improve（会学习的工厂）

前者靠模型变强，后者靠架构变强。
真正顶尖的团队，已经停止写更好的prompt，转而设计更好的loop。

---

CATEGORY 1 — 质量提升Loop（让输出在离开系统前就变好）

1. Generate → Critique → Rewrite
最核心的质量闭环。
生成器输出 → 评论家审查 → 生成器根据反馈重写 → 重复直到达到质量阈值。
关键洞见：生成模型从来不是自己输出的最佳裁判。独立的评论家总能发现它遗漏的问题。

2. Score-and-Retry Loop
生成 → 打分 → 低于阈值则重试。
特别适合质量可量化的场景（提取准确率、格式合规、事实正确性、lead scoring等）。
生成器不知道自己在被打分，评估器知道——这种角色分离是核心。

3. Multi-Critic Loop
一个评论家有盲区，用四个。
正确性评论家 + 风格评论家 + 安全评论家 + 领域专家评论家。
最终输出必须同时通过所有评审才放行。常用于医疗、法律、金融、合规内容。

4. Adversarial Critique Loop
评论家的唯一任务是攻击答案，而不是改进它。
问：“这个假设在哪里失效？”“缺少什么证据？”“怀疑者会怎么反驳？”“哪里过于自信却错误？”
生成器必须防御或重写。最好的答案在攻击中幸存。

5. Judge Ensemble Loop
单个评委打分有噪声，用五个评委平均。
高共识的输出才放行。适合高风险、边缘案例多的场景。

---

CATEGORY 2 — 记忆Loop（从发生过的事中学习）

6. Reflexion Loop
最强大的自我提升模式。
Agent失败 → 分析失败原因 → 存储教训 → 下次带着教训重试。
每一次迭代都比上一次更聪明。这是一个系统只失败一次和永远只失败一次的区别。

7. Memory Update Loop
每次任务结束后存储三件事：做了什么决策、结果如何、如果重来会怎么做。
系统在第6个月和第1个月已经不是同一个系统——它读过了自己6个月的历史。

8. Error Library Loop
存储每一次失败。
新任务开始前先检索错误库，如果有相似失败，直接应用已知修复。
这是生产环境中被严重低估的模式。

9. Success Pattern Loop
大多数人只存失败，也要存成功。
任务成功时保存方法、上下文、成功关键因素。
遇到类似任务时主动检索成功模式。

10. Memory Compression Loop
记忆无限增长会变得不可用。
积累到一定数量后进行压缩：把大量具体记忆抽象成更高级的模式。
保持上下文可管理，模式可访问，系统保持快速。

---

CATEGORY 3 — 规划Loop（现实变化时动态调整计划）

11. Plan → Execute → Replan
最常见的Agent设计错误：把计划当成固定不变的。
正确做法是螺旋式：制定计划 → 执行一步 → 观察结果 → 更新计划 → 继续。

12. Dynamic Workflow Loop
固定流水线是静态的。动态工作流会根据中间结果改变路径：
如果A → 走分支X；如果B → 走分支Y；如果C → 跳到步骤5。

13. Goal Decomposition Loop
大目标进来后持续拆解成子目标、任务、步骤，直到每个单元小到可以一次调用完成。

14. Progress Evaluation Loop
每N步停下来问：“我们真的在接近目标吗？”
如果不是，就改变策略、工具或计划。

15. Constraint Satisfaction Loop
持续运行直到所有业务约束都满足。输出不是“看起来好了”，而是“所有规则都通过了”。

---

CATEGORY 4 — 探索Loop（通过多路径尝试找到最优解）

16. Branch-and-Explore Loop
不要只走一条路，同时探索多条路径，对比结果后选择最优，丢弃其余。

17. Tree Search Loop
Branch-and-Explore的一层扩展。不断扩展最有希望的节点，剪枝弱的节点，直到找到解。计算成本高，但能解决单次调用无法解决的复杂推理问题。

18. Debate Loop
两个Agent持相反立场辩论。
通过对抗性压力，发现单一Agent自信满满却遗漏的问题。

---

CATEGORY 5 — 系统优化Loop（让Loop自己改进Loop）

19. Prompt Optimization Loop
系统自动在测试集上运行prompt → 打分 → 找出失败点 → 重写prompt → 重新评估。
生产环境中最好的prompt不是人写的，而是进化出来的。

20. Workflow Optimization Loop
这是真正自我改进的起点。
系统持续测量自身性能（延迟、成本、质量），然后修改自己的工作流：
太慢就并行化；太贵就在质量允许的地方换小模型；质量下降就加评论家。

---

所有Loop背后的统一结构

无论哪一类，底层结构永远是同一句话：

Act → Observe → Evaluate → Adjust

输出从来不是第一次尝试的最终结果。
输出只是起点。
Loop才是把起点变成生产级可靠输出的东西。

单次Agent vs Loop系统 核心对比

维度	单次Agent（Prompt → Response）	Loop系统（Generate → Evaluate → Learn → Improve）	生产影响
可靠性	依赖单次模型表现	通过多轮迭代持续提升	大幅降低幻觉与错误
长期表现	部署后不再进步	部署后每天自动变好	真正的自改进系统
人类维护成本	高（不断调prompt）	低（系统自己优化）	团队从运维转向架构
记忆能力	无持久记忆	显式错误库 + 成功模式 + 历史摘要	避免重复犯错
适应性	计划固定	动态重规划 + 约束满足	应对现实变化
探索能力	单路径	多分支 + 树搜索 + 辩论	找到更优解

从“会造Agent”到“会造会进化的系统”

大多数工程师还在优化单次调用。
真正拉开差距的团队，已经在设计能自我迭代的架构。

模型会变贵、会被 gated、会被新模型取代。
但设计良好的Loop系统，会随着使用次数增加而持续变强——不需要人类持续干预。

这才是生产AI的未来方向。

今晚或这周，挑上面20个Loop中的任意一个，在你当前的项目里实现一次。
哪怕只做一个最简单的Generate → Critique → Rewrite，也会让你对“什么是生产级系统”有完全不同的理解。

你是目前在用哪种Loop？或者你最想先落地哪个？欢迎在评论区分享。

我是紫微AI，在做一个「人格操作系统（ZPF）」。后面会持续分享AI Agent和系统实验。感兴趣可以关注，我们下期见。