@Formulasearch: https://x.com/Formulasearch/status/2067479963268518337
摘要
本文介绍了从传统提示词工程到“循环工程”的转变,开发者不再手动提示AI,而是让AI通过循环自动执行任务。文章详细解析了循环系统的核心组件、自动化带来的债务,并提供了两种实践方法。
查看缓存全文
缓存时间: 2026/06/18 20:20
还在写提示词?让AI自己动_Loop Engineering
Boris Cherny,Claude Code 的负责人,说了这么一句话: **“我不再 prompt Claude 了。我让一堆循环跑着,由它们去提示 Claude、去琢磨该干什么。我的工作变成了写循环。”**他不是在描述未来。他现在就这么干。
你花了多少时间学提示词技巧? 我花了不少时间。 提示词技巧解决的是“你在场“的问题。你一离开键盘,工作就停了。
一、你是那台人肉发动机
大多数人用 AI 的方式,是这样的:
你敲一段指令,AI 生成,你检查,你再敲,AI 再生成。循环往复。每一轮都需要你坐在那里,看着,等着,做判断,再推一把。
这个模式有个结构性天花板:
你不在,流程就停了。
那个一直在场、一直在推的人,是你自己,你就是那台人肉发动机。
你把自己练成了提示词专家,结果发现被自动化掉的,正是你这个“发指令的人“。
二、循环从哪里来
2025 年,一个叫 Geoffrey Huntley 的开发者提出了“拉尔夫循环“。
最纯粹的形式,3 行 bash:
bashwhile :; do cat PROMPT.md | claude-code; done
没有多智能体通信,没有复杂架构。就是让 AI 一直跑,每轮清空上下文,靠测试报错做硬性反馈。
结果是什么?
用这个“简陋“的循环,他花三个月,让 AI 从零写出了一个全新编程语言的编译器。
2026 年 6 月,这件事开始大爆发。Peter Steinberger(OpenAI)、Boris Cherny(Anthropic)、Addy Osmani(Google Chrome)集体公开站队,正式叫它“循环工程“。
提示词让 AI 一次动一下, 循环让 AI 一直动。
三、解剖一个成熟的循环:5 个零件和 1 个记忆
Addy Osmani 把成熟的循环系统拆成 5 个零件,每一个对应一个你用过 AI 之后认得出来的痛点。
自动化触发器:循环的心跳。你不用按启动键,它自己醒来发现任务——可以是定时,也可以是一个新 PR 进来。
工作区隔离(Worktrees):同时跑多个 Agent 时,给每个 Agent 独立的工作目录。让它们在同一个文件里打架的后果你不想看到。
Skills(技能文件):AI 每次启动都是失忆的。把项目规范写进 SKILL.md,AI 读了就能干活,不用你重新解释一遍项目背景。
连接器(MCP):让循环能读 Jira 工单、查数据库、在 Slack 发消息、自动开 PR——跳出文件系统,接进真实工作流。
子智能体分工(制造者 + 审查者):让写代码的模型给自己打分,它会一直夸自己。必须另派一个独立 Agent 来挑刺。自我评分是陷阱。
还有一个必须有的东西:记忆。
AI 在轮次间会遗忘。进度必须存磁盘,一个 Markdown 文件就够。系统重启才知道昨天干到哪了。
循环是个不睡觉的工程师。但你得给它留便条——否则它每天早上都以为是第一天上班。
四、自动化欠的三笔债
社交媒体上你只看到“循环跑了一夜,写了 6 个仓库“。
你看不到的是,没人看管的循环在无人看管地犯错。
验证债:AI 在控制台打出“Done“,这是宣称,不是证明。没有硬性停止条件——测试通过、Lint 干净——循环会想方设法糊弄过关,把烂代码悄悄合进去。你今天省的复核时间,全变成未来系统崩溃时的炸弹。
理解债:循环产出代码的速度远超你阅读的速度。连续几个月让循环提交 PR 而不去读,你会突然发现自己成了自己代码库里的陌生人。系统出了深层 Bug,循环修不了,你连从哪开始 Debug 都不知道。
认知妥协(最危险):当“按一下让 AI 干“变得太舒服,你会逐渐放弃思考“这个功能该不该做“、“架构是否合理”。你交出了作为工程师最重要的——判断力。
还有一个账单:没有迭代上限的循环,一夜可以重试几百次,直接把 API 的钱包刷爆。
五、现在就可以开始(两种方法)
方法 A:/goal 命令(推荐新手)
写清验收条件。比如:“所有测试通过,且不能修改 test/ 目录下任何文件。”
启动后:负责干活的模型改代码,背后一个独立小模型评估进度,不达标打回,达标才停。你不用插手,直到条件达成或超时。
我用 Codex 的 /goal 功能做了一个实测,目标是给自己开发一个推特内容自动收集和排期的插件——之前一直手动操作,纯重复劳动。
写了验收条件,启动,去做别的事。
完成了。
能跑,能用,验收基本是通过的。
门槛只有一个:你需要说清楚“什么叫完成“,而不是“大概做个这样的东西“。条件越精准,结果越可靠。
方法 B:极简拉尔夫循环(10 行 bash,适合折腾派)
-
创建 progress.txt:持久化记忆,告诉 AI 干到哪了
-
创建 spec.md:你的验收标准和任务列表
-
一个 while 循环,把这两个文件喂给 AI(Aider 或 claude 命令行)
核心哲学:每轮清空上下文,靠物理状态机传递进度,不让上下文污染。
从 /goal 开始。bash 循环适合你已经知道自己要什么、且愿意自己监控输出的场景。不要上来就复杂化。
去造那个循环。
但别让自己沦为一个只会按启动键的机器看门人。
循环让代码生产变廉价。它不让“该做什么“这个判断变廉价。 那个判断,现在、将来都还是你的工作。
你现在在写提示词,还是在写循环?
🥳感谢看到这里,我是 Phil,前建筑师 → AI 产品 欢迎关注我@Formulasearch,持续分享 AI 工具与产品思维。
相似文章
@freeman1266: https://x.com/freeman1266/status/2064702757773496552
本文介绍Loop Engineering概念,即通过设计自动化系统让AI代理自主循环工作,包括自动化任务、工作树、技能、插件、子代理等要素,从而取代手动提示的方式,提升开发效率。
@AomyYing: Loop Engineering 完整教程: 普通人:问 AI 一句话(“帮我写文章”) 高手:设计一个循环,让 AI 自动执行 → 检查 → 修正 → 直到结果达标。 核心公式(5步 Loop): 1. 明确目标 2. 拆解步骤 3. …
教程介绍了 Loop Engineering 方法,通过设计自动执行、检查、修正的循环,让 AI 迭代直到结果达标,从而将单次提问升级为流程工程。
@Lonely__MH: 提示词已死,Loop Engineering 已来! 最近,AI 编程领域的 Loop Engineering(循环工程) 概念引发了技术圈的广泛讨论。 Claude Code 负责人 Boris Cherny 在近期采访中,分享了团队内…
Claude Code负责人Boris Cherny提出AI编程正从提示词工程转向循环工程(Loop Engineering),未来开发者核心任务是设计自动化循环而非编写提示词,这一趋势有望拉平开发门槛。
@QingQ77: Loops 提供 100 个精心策划的 AI 驱动自动化循环模板,覆盖软件开发、数据科学、内容创作、产品运营、学习管理等领域。 https://github.com/jwangkun/loops 让 AI 助手自己反复"干→查→修→再干"…
Loops 是一个包含 100 个 AI 驱动自动化循环模板的开源项目,覆盖软件开发、数据科学、内容创作等领域,支持 Claude Code、Cursor、Trae 等 AI 编程助手,通过“执行→检查→修复→重复”的闭环模式实现自主任务完成。
@cellinlab: https://x.com/cellinlab/status/2064144608242679822
这篇文章介绍了 Loop Engineering 的概念——不再直接给 AI agent 写 prompt,而是设计一个系统(loop)来递归地让 agent 迭代工作,直到任务完成。文章详细对比了 Claude Code 和 Codex 在 automations、worktrees、skills、sub-agents 等五个构建块上的实现,认为这可能是未来与 coding agent 协作的趋势,但仍需警惕 token 成本和 AI slop 问题。