什么是 Loop Engineer 以及如何真正搭建起来

昨天凌晨 1 点左右，我们代码库中开始涌入大量 PR。不是因为团队在异常加班。

这些 PR 来自不同的 agent 循环：agent 发现 issues、接手工作、验证变更、并打开 PR，全程无需人工逐个提示。

此外，在 @SuperDesignDev，我们还有一个 SEO 循环，每天自动生成 20-40 篇高质量页面。这些页面已经在为公司引流，而我甚至无需过目。

这就是我想聊的转变：循环工程（loop engineering）：

别再把手动提示 agent 当作常态，开始设计能够自主决定做什么、执行、验证结果并持续改进的系统。

一个好的循环不仅仅是生成输出。它构建了一个反馈系统，运行越久，价值越大。

我想解释一下我们是怎样搭建一套能够持续累积（compound）的系统的。

agent 框架包含两个嵌套层

“agent 框架（agent harness）“这个术语可能有点模糊，因为它涵盖了除模型本身外几乎一切内容。

但我发现将其分为两层很有帮助：agent 循环 + 外层循环（outer loop）。

1. agent 循环：帮助 agent 出色地完成给定任务

内层循环就是常见的 agent 运行时：Claude Code、Codex 等。

你给 agent 一个任务。它读取相关上下文，使用工具，执行工作，检查结果，并持续进行直到任务完成。目前大部分 agent 优化都发生在这里：更好的上下文和指令、技能和工具定义、任务分解、工具使用。

这一层试图回答的问题是：

给定这个任务，我们如何帮助 agent 可靠地完成它？

但它仍然依赖于有人决定这个任务值得做。这就是外层循环的用武之地。

2. 外层循环：决定接下来应该做什么

外层循环围绕 agent 运行时。它负责以下事项：

• 什么应该触发 agent
• 哪些状态应该在会话间保留
• 不同 agent 如何共享信息
• 如何监控结果
• 系统如何随时间改进

这一层试图回答的问题是：

agent 接下来应该做什么工作？系统如何从结果中学习？

这就是我们称之为循环工程的部分。循环工程师不仅仅是给 agent 写提示词。他们在设计一个环境，让 agent 能够持续：

• 注意到值得做的工作
• 研究它
• 采取行动
• 记录发生了什么
• 验证是否有效
• 利用该结果决定下一步做什么

agent 循环帮助 agent 执行。外层循环帮助系统决策、学习并持续增长。

当循环共享工件和日志时，效果会叠加

一个有用的循环就很棒了。但真正有趣的部分始于多个循环可以相互学习。

在我们公司，我们在以下领域有循环：支持、SEO、产品增长、广告。每个循环都有自己的触发条件、工作流程、工具和目标。

但它们都写入一个共享的工件系统。

例如，支持循环可能会注意到有五个人询问如何导出某个功能。

它产生一个信号：/export-too-hidden.md

同时，SEO 循环可能会注意到某个页面流量很高但转化率很低。

它产生另一个信号：/conversion-gap-ai-wireframe-generator.md

然后产品增长循环可以同时读取这两个信号以及产品分析数据。它可能会得出结论：导出问题比原始分析数据显示的更为严重。或者它可能发现，通过某个 SEO 页面进入的用户正遇到与支持团队看到的相同的产品痛点。

广告循环可能会发现某个关键词点击率很高，但缺乏相关的自然内容支撑。这可以直接反馈到 SEO 循环。

这就是让系统产生复合效应的原因。这些循环不再是孤立的自动化流程。

它们共享着一个企业正在学习的知识库。

共享日志

工件系统是共享的记忆层，让循环之间产生复合效应。我通常将其分为三部分，例如：

1. 工件（Artifacts）

工件是持久的工作成果或知识对象。它们是循环读写的数据实体。例如信号、文档等。

每种工件类型应具备：

• 清晰的定义：什么是该类型，什么不是
• 一致的 schema
• 生命周期规则

例如，一个信号不仅仅是一条随机笔记。它是一个结构化的记录，表明某件值得关注的事情。

工件的实用之处在于它们不会被困在某个 agent 会话里。任何循环都可以以后读取、更新、链接或基于它们采取行动。

2. 循环契约（Loop contracts）

每个循环都应有一个契约。这通常是一个 README，放在该循环的域名文件夹内。

例如：support-loop/README.md。契约解释：

• 循环的目标
• 它应遵循的工作流程
• 待办队列
• 重要事件的时间线

例如：

每个新的 agent 会话都可以阅读这个契约，了解该循环试图达成什么。

3. 全局日志（Global logs）

最后，维护一个全局的 LOGS.md 或工作日志。

这很有用，因为工作并不总是整齐地局限在单个循环内。你可能手动研究一个想法，审查 agent 的输出，做出决定，然后让另一个 agent 去执行。全局日志捕获了跨领域的上下文。

一个简单的模式很有效：

• 在主要工作之前，agent 读取最近五到十条记录。
• 在主要工作之后，agent 添加简洁的总结。
• 记录应链接到相关工件。

例如：

这样每个循环都能以一种轻量的方式了解整个企业中发生了什么。

让 AI 来运营业务

在 @SuperDesignDev，我们的团队正在搭建一个循环网络，以全 AI 原生方式扩展业务。这些循环共同构成一个持续改进的操作系统。

这就是循环工程。

而那些擅长此道的团队，不仅仅会因为使用 agent 而跑得更快。他们会因为系统在睡觉时也在学习而实现更快的复合增长。

我整理了一个 Loop Engineer Setup 模板，里面包含了很多我们尝试过的实践：工件结构、循环契约、日志、技能和代码库框架检查清单。

你可以将其复制到自己的仓库中，并使用 Claude Code 或 Codex 来搭建你的第一个循环：https://github.com/JayZeeDesign/loop-engineer-template

我们将持续分享在 @SuperDesignDev 上以 AI 原生方式运营的实验，感兴趣的话可以关注我们。