这是互联网上学习循环工程的最佳网站。免费。完全免费。大多数AI工程师从未听说过这个术语。https://aibuilderclub.com/blog/loop-engineering-guide-2026… 收藏这个网站。然后阅读下面的设置 ↓

循环工程指南（2026）

来源：https://www.aibuilderclub.com/blog/loop-engineering-guide-2026 首页 (https://www.aibuilderclub.com/) / 博客 (https://www.aibuilderclub.com/blog) / 循环工程指南 (2026) #ai-agents #循环工程 #评估 #生产环境 #高级

循环工程：2026年，从提示智能体转向设计它们的循环。为什么验证器是瓶颈，以及一份清单。

2026年6月17日 更新于 2026年7月2日 阅读时间17分钟

课程大纲·构建AI智能体(4.6) 循环工程是一门设计智能体运行循环的学科——管理它在工具调用之间的行为、何时检查自身工作、以及如何决定任务完成，而不是手动编写每个提示词。 它是2026年对提示工程的继承。模型现在自己编写提示词。稀缺的技能是定义什么是“好”和“完成”，而几乎每个解释器都跳过的一个部分是：在任何循环中，验证器是瓶颈，而不是模型。

几天前的一个早上，我在Claude Code中输入了一句话，然后去煮咖啡。等我回来时，大约四十个智能体已经启动、编写了代码、互相检查了工作、丢弃了失败的尝试，并留下了三个拉取请求让我审查。

我没有写四十个提示。我写了一个循环。

如果你最近感觉到“提示工程”的基础正在发生转变，这就是原因。以下是解读——不是炒作版本，而是你今天下午就能用的版本。

AI Jason在他的视频《循环工程师：系统化与产物》中分解了同样的转变——这个术语的实际含义、四个核心要素，以及他的团队如何设计能够产生复合效应的循环：

我们是如何从提示工程走向循环工程的？

看看这条时间线会有所帮助：

年份时代你的工作你的角色2024 提示工程 写好提示词，获得好输出操作者2025 并行智能体 不再死盯着一个对话，同时运行多个管理者2026 循环工程 构建为你运行智能体的循环系统设计师Claude Code的幕后人员已经说出了公开的秘密：有些早晨，他们实际上不再编写提示词了——另一个模型在代劳——而且他们同时管理着数百甚至数千个智能体。这听起来很厉害，直到你明白它的含义：如果你在每一步之间不再按回车键进入循环，那么必须有其他东西来决定工作何时足够好。 这个“其他东西”就是整个游戏的全部。

什么是循环？

去掉行话，一个循环就是重复四个动作：

发现 → 计划 → 执行 → 验证 → (重复直到满足条件)

你过去就是那个循环。你曾是站在智能体步骤之间的那个人，读取输出，发现错误，决定下一步做什么，告诉它再试一次。循环工程是一门学科，教你走出那个内在循环，上升到设计智能体运行的轨道。

这是一个最简单的版本。给智能体一个目标和停止条件，然后让它运行：

这就是一个循环。在简单的任务上它确实有效。但如果你把一个循环指向开放式的任务——比如“改进这个应用”、“把这个页面做得更好”、“研究X并写一份报告”——它要么产生很棒的结果，要么悄悄地变成一个非常昂贵的垃圾产出机。这两种结果之间的差异，就是没人谈论的部分。

循环嵌套：吴恩达的三循环模型

上面提到的发现 → 计划 → 执行 → 验证循环是内层循环。放大来看，你会发现它被包裹在更慢的循环中。吴恩达在2026年6月的Batch通讯 (https://x.com/AndrewYNg/status/2071988145667928442) 中清晰地阐述了这一点——而他写了这件事本身就是信号：“在Claude Code的创建者Boris Cherny和OpenClaw的创建者Peter Steinberger提及后，‘循环工程’成为了一个热门流行语。”当吴恩达用一整篇通讯来讨论一个术语时，它已经离开了流行语的范畴。

他的模型是三个不同速度运行的循环：

循环节奏谁运行它它决定什么智能体编码循环 几秒到几分钟智能体编写代码，测试它，迭代直到无错误并符合规范（如果有评估的话）开发者反馈循环 几分钟到几小时你审查产品，引导智能体，更新规范外部反馈循环 几小时到几周外部世界Alpha测试者，A/B测试，生产数据——将你的愿景反馈回规范观察当你向外移动时发生了什么变化：循环变慢了，验证器变得更依赖人类。内层循环可以用测试来验证自身。外层循环则不行——它们需要你。吴恩达就在这里提出了最尖锐的观点，这是对接下来即将讨论的“品味即奖励函数”理念的一个友好修正。人们把人类的贡献称为“品味”，但他更喜欢“背景优势”：“只要人类知道AI不知道的事情，就需要人在循环中注入这些知识。”品味听起来是天生的、无法教授的。而“背景优势”则准确地告诉你需要将什么编码到循环中：那些你了解但模型不了解的关于你的用户和问题的信息。这就是你的验证器，写下来的东西。

以下是他给出的判断标准，告诉你何时该从肉眼检查输出升级到真正的验证器：“如果你发现系统反复遇到某些问题，那么为智能体构建一套评估就变得有用了。”这与下面的落地页示例是同一个教训——当你在检查同样的事情第二次时，就把它写进循环里。

为什么验证器是瓶颈，而不是生成器？

每个循环都有两个部分。生成器产生工作——那是模型，而模型现在非常擅长这个。验证器判断那个工作是否足够好。简单地说：一个循环就是一个连接到验证器的生成器，而生成器从来不是瓶颈。验证器才是。

两年来，我们痴迷于生成器。我们调整提示词，更换模型，争论温度参数。但在循环中，生成器几乎可以免费地一次又一次运行。而决定所有这些运动是否能产生价值的东西是验证器。

你让循环越自由地运行，一切就越依赖于验证器。一个带有弱“足够好了吗？”检查的循环不会大声失败。它会自信地、成百上千次地成功生产出垃圾。

这同样是Addy Osmani (https://addyo.substack.com/p/code-review-in-the-age-of-ai) 一直指出的转变：瓶颈从编写代码转移到了证明代码能工作。审查、判断、品味、知道“正确”长什么样——这现在是工程师拥有的最具杠杆作用的技能。这也是在代理评估 (https://www.aibuilderclub.com/blog/how-to-evaluate-ai-agents) 在代码生产层教导的相同教训：让模型给自己的作业打分，它总是给自己一个A。在一个循环工程的世界里，你的品味不再是一种软技能。它就是奖励函数。

开环 vs 闭环：你应该构建哪一种？

一旦你接受验证器是关键，工程决策就变得清晰了。每个循环都位于两个极端之间。

开环闭环它是什么 给出目标和宽松条件，让它在广阔空间中探索预先锁定成功标准，评估每一步，定义明确的停止优势 真正新颖的输出。惊喜的解决方案藏身于此常规预算即可运行。可预测。可以放心让其独立运行劣势 消耗令牌。宽松条件下迅速退化为垃圾不会给你惊喜。只做你规定的事情，不会多做生死取决于 验证器（甚至更依赖于它）验证器实际的工程是两个决策：

1. 为此特定任务选择开环或闭环。 大致上：我需要多少新颖性，以及我愿意冒多少预算风险？
2. 编写匹配的验证器。 闭环需要硬性的、可检查的通过条件。开环需要一个更好的验证器，因为它是唯一阻止探索变成垃圾的东西。

一个弱验证器的循环实际会产生什么？

最有用的不是一个能工作的循环。而是同一个任务用两种方式运行的结果。

方案1 - 开环，弱验证器

“让这个落地页更好。持续迭代。”没有定义“更好”。它重写了标题区八次，每次都不同，没有明显变好，但似乎都合理。它报告成功。你花了真金白银却只获得了没有进步的动作。这就是垃圾产出机——而且几乎每个人的第一个智能体循环恰恰就是这样的。

方案2 - 闭环，显式验证器

相同的任务，但每次迭代都必须跨越你设定的一个门槛。动作只能朝着“更好”的方向发生。循环收敛而不是漫无目的。

这是方案2的写法：

现在循环收敛了，因为每次迭代都跨越了你定义的门槛。然后是同样能挽救开环的技巧：把这些硬性检查作为底线，再加上一个开放式指令（“用标题给我惊喜”）。这样你就能既进行探索，又不会低于你的标准。

教训不是“闭环更好”。而是：验证器才是让任何一种循环能够交付的关键。

免费AI构建者通讯

每周关于AI工具和构建者策略的指南。

你不必从头构建循环的机制。有一条清晰的演进路径，从僵硬到自主：

工具/模式它如何决定“完成”最适合什么**“拉尔夫”循环** 一个原始外壳while循环重复触发相同的提示，直到你停止它——没有智能的“完成”，你就是停止按钮机械的、重复的任务。原始但可靠Claude Code的/goal (https://code.claude.com/docs/en/goal) 一个小型快速模型在每次交互后判断停止条件模糊的“完成”，仍需评估目标追踪设置 智能体在文件中跟踪自身进度，预先定义“完成”需要保持方向的长时间运行自托管智能体（Hermes风格） 在自有基础设施上持续运行，跨会话保持状态一次性设置好并让其持续运行 (https://www.aibuilderclub.com/blog/hermes-nous-research-self-improving-agent) 的常驻智能体/goal是最清晰的入口点：你输入一次完成条件，每次交互后，一个Haiku级别的评估器读取记录并回答是或否，循环直到条件满足（或达到交互次数上限）。一个值得注意的陷阱——评估器只能看到Claude已经打印出来的内容，所以你的条件必须能从智能体自身的输出中得到证明。

选择能完成工作的、最小自主性的工具。自主性不是目标。交付结果才是目标。 当工作变得广泛且重复时，将循环推入带有动态工作流 (https://www.aibuilderclub.com/blog/claude-code-dynamic-workflows) 的脚本中，而不是守着它。

一个真正的循环系统看起来像什么？

单个循环很有用。而一个系统的循环共享一个大脑，其杠杆效应会复合增长。这正是AI Jason在他自己公司内部运行的。

从最简单的开始：一个支持循环。每30分钟，一个定时任务唤醒一个智能体。它提取所有支持工单，回复它能够回答的那些，并将它发现的摩擦点和产品创意记录到一个名为signals的共享文件夹中。仅这一个循环就值得了。

现在让它复合起来。同一个循环不仅记录了一个错误——它还衍生出一个编码智能体去修复它，监控该修复是否生效，并告知客户问题已解决。如果用户仍然遇到这个问题，意味着问题未被根治，那么循环会再次尝试。

真正的技巧在于，每个循环读取并写入相同的共享文件夹。Jason同时运行多个：

循环触发器它做什么它写什么支持 每30分钟回答工单，发现摩擦点signals，工程师任务SEO 每天上午9点提取数据，研究主题，发布页面pages，转化差距signals产品增长 每天根据分析数据+信号优先安排实验tasksReddit 定时发布符合品牌风格的评论评论产物因为它们共享一个文件系统，SEO循环的“这个关键词有转化但我们没有自然内容”信号会输入内容循环。支持循环的“重复错误”信号会被产品循环捕获。每个循环每小时或每天运行，读取其他循环学到的东西。共享的大脑是产生复合效应的关键——根据Jason的引用，这个设置在他无需过目的情况下，每天能产生20到40篇高质量页面并带来流量。

产生复合效应的循环的4个要素

Jason的框架可以归结为四个部分。大多数人能掌握前三个，但跳过第四个——而第四个才决定了自主工作是否可能。

1. 触发器。 唤醒智能体的东西。一个定时任务，一个webhook，另一个智能体，一个服务器事件。关键是智能体无需你按下回车就能自行运行。
2. 文件结构。 最重要的设计决策。产物、契约和日志存放的位置（下面会详细介绍）。
3. 工具和连接器。 让智能体执行实际工作的技能和脚本——如Intercom用来获取工单，Stripe用来检查订阅，Supabase用来调试，Playwright用来测试。
4. 一个智能体就绪的代码库。 允许许多智能体并行工作并验证自身输出的设置。这是每个人都遗漏的一个。

如何使代码库智能体就绪？

在任何循环工作之前，环境必须允许智能体独立操作。需要三个属性：

可读性 - 智能体可以找到在哪里更改什么。维护AGENTS.md / CLAUDE.md作为大约100行的索引，指向更深入的文档（OpenAI将其保持在100行左右）。然后通过自定义lint将规则内置，这样智能体会自动收到警告，而不是指望它阅读正确的文档。示例：lint失败任何来自你不希望被触碰的遗留文件夹的导入。

可执行性 - 智能体在开发服务器已启动的情况下开始工作，几乎零令牌成本。编写一个dev local脚本，这样它就不会每次运行都花费3-5分钟启动应用。使仓库对工作树友好，这样五个并行智能体可以各自启动自己的服务器而不会冲突。添加能快速跳转到特定状态以测试场景的脚本。

可验证性 - 为智能体提供测试并证明其工作的工具。Playwright CLI脱颖而出：它驱动浏览器并录制一个视频片段，你可以将其附加到GitHub PR中，这样审查只需几秒钟。用端到端测试来支持你永远不希望被破坏的流程——注册、升级、核心操作。

来自视频的一条硬性规则，与上文关于验证器的观点完全一致：不要让智能体自我验证。 效果不好。Jason的PR技能总是会衍生出一个单独的、只读的验证器智能体，并附带详细的规范。生成器和验证器保持为不同的智能体。

文件系统：产物、契约、日志

这是要素#2，也是系统的核心。三种文件类型，三种工作：

产物 - 共享的知识层。每个循环工作的输出。类型包括docs， signals， tasks， tickets， 甚至广告循环的campaigns。每种产物类型都有自己的文件夹，附带一个README，定义放进什么、不放进什么、添加项的过程以及模式。每个产物文件都带有前置元数据、正文和每次更改的时间线。

信号是使循环产生复合效应的单元。它捕捉一个产品创意、一个摩擦点或一个错失的机会，链接到其原始来源（一个支持工单、一个客户引述），并且任何循环都可以读取或写入它。

契约 - 每个循环一个，通常是循环文件夹中的一个README。它陈述目标、工作流、边界、未完成的待办事项和时间线。每次循环触发时，它首先读取自己的契约——目标、工作流、上次发生了什么——然后采取下一个最佳行动。