标签
Andrew Ng讨论了“循环工程”的概念，将其作为构建AI智能体以迭代开发软件的关键方法，并概述了三个主要循环：智能体编码循环、开发者反馈循环和外部反馈循环。
一份泄露的 Anthropic 内部指南详细介绍了循环工程原则，以最大化 AI 生产力，包括分离生成器和评估器、使用工作树以及 80/20 杠铃成本策略。
一种称为循环工程的新范式被引入，从手动提示工程转向设计能够自主提示AI代理的系统。该GitHub仓库提供了模式、快速入门指南以及npm包，用于实现与Grok、Claude Code和Cursor等编码代理的循环。
解释了循环工程是从手动提示到自主AI循环的转变，这些循环自动运行任务，仅在需要时才让人参与。由Claude Code的创建者Boris Cherny推广。
一篇展示如何构建循环自动调优RAG系统配置以达到目标召回率的文章，包含完整代码和评估方法。
一份关于为AI编码智能体构建自主循环的指南，解释了如何设计系统，使智能体能够无需人工干预地重复运行任务，并阐述了何时值得使用循环以及如何安全构建它们。
本文讨论了构建AI驱动软件产品的三个关键循环：智能编码循环、开发者反馈循环和外部反馈循环。它强调了循环工程如何使AI代理自主迭代，并让开发者专注于更高层次的决策。
一位资深Anthropic工程师发布了一份关于循环工程的11页PDF文件，详细介绍了构建自主AI智能体系统的框架，该系统能够自我发现工作、隔离任务、通过第二个智能体进行验证、持久化到磁盘，并按计划运行。
本文介绍了在Claude Code中使用Hook的六种玩法，包括权限弹窗、开机日程播报、摘要卡片、文件自动整理、久坐提醒和长任务推送，展示了如何通过事件驱动自动化来提升AI工作流的效率。
在生成式AI开发者年会上，ihower分享了关于Agent开发的Harness + Loop Engineering系列文章和投影片。
文章宣布Prompt Engineering已死，提出Loop Engineering作为2026年AI开发的新范式，强调设计自主循环系统（Plan-Execute-Verify-Iterate）让Agent自主完成复杂工作流，并给出了实际案例和上手方法。
Anthropic 一位资深工程师发表了一篇 11 页的论文，提出构建代理系统的新范式，核心是反馈循环、隔离、验证和记忆，而非更聪明的提示词。
对AI代理的循环工程的详细解析：从手动代理监督转向具有触发器、制造器、检查器和持久状态的自主循环。推荐使用Zep的Graphiti进行时序知识图谱，以及Comet的Opik进行可观测性，以构建可靠的无人值守代理系统。
这篇文章讨论了Loop Engineering（循环工程）在AI代理工作流中的应用，重点介绍了Anatoli Kopadze关于循环的详细解释以及Peter Steinberger在AI Engineer Europe上的分享，强调了自动验证闭环和验收标准的重要性。
Google工程师提出Loop Engineering方法，利用LLM生成代码变换方案，以编译器反馈作为自动奖励信号，实现无需人类标注的代码优化迭代循环。
Kent C. Dodds 分享了“循环工程”的概念与实践：通过为编码代理设置触发、行动/观察循环和停止条件，让代理自主完成多轮工作，并用自动化事件代替手动提示，从而提升开发效率。
一位谷歌资深工程师发布了一篇19页的PDF，关于LLM和智能系统的“循环工程”，概述了一个迭代反馈循环：LLM提出代码转换，观察编译器反馈，从中学习，并重复直到不再有改进。
本文描述了AI产品经理的循环工程设计周期，强调构建可重用且随时间不断改进的系统，而非一次性提示词。
本文解释了AI代理中的循环工程概念，强调核心循环很简单，但关键工作在于模型周围的“束具”，包括知道何时停止以及防止上下文腐败。