标签
一位开发者分享了近期在个人与企业开发中实用的 AI 工具与方法，包括用 Felix Rieseberg 的 meta prompt 激发 Opus 5.5 的规划能力、参考 yetone 的三个 loop（需求/反馈/沉淀）驱动 Magpie 式自动化开发，以及借鉴 poteto 的 pstack skill 优化 Agent 编码工作流。
LoopArena 将模型作为编码任务的运行时控制器进行基准测试，揭示即使 GPT-5.5 也仅达到 24.69% 的成功率，强调了代理系统中需要更好的控制机制。
GitHub推广了一期播客节目，解释开发者当前遇到的AI术语，如“循环”和“工具”。
这描述了一个使用Claude AI和Obsidian的自动化工作流，用于创建一个自行运行的保管库，并有一个审查代理在提交前检查所有更改。
LoopArena推出一项基准测试，评估模型在编码代理任务中充当循环工程运行时控制器的表现，结果显示严格成功率较低，但成本显著降低。
Andrew Ng 为 AI 代理制定的操作手册强调，像循环和图工程这样的架构选择比模型选择更为关键，并概述了构建有效系统的各个阶段，如反思、工具、规划和状态管理。
Anthropic 发布了一个40分钟的关于循环工程的综合指南，涵盖了从构建基本循环到AI代理中高级目标设定的主题，旨在改变开发者构建循环的方式。
一位开发者讨论了在使用AI编码代理时，代码生成速度超过理解速度，如何保持工程纪律和架构完整性的挑战，并寻求避免创建低质量软件的最佳实践。
Addy Osmani 讨论了面向AI代理的实用循环工程，涵盖目标、自主反馈循环，以及使用Claude Code和Codex等工具来管理并行代理任务。
介绍开源项目 Loop Engineering，将提示词工程升级为构建自动化循环系统，提供多个生产级模式与工具，支持 Claude Code、Codex 等。
微软研究人员发表了一项里程碑式研究，介绍了 LoopsBench，一个用于评估自纠正编码智能体循环的框架，并概述了从 Harness Engineering 到 Loop Engineering 的转变，以实现可靠的自主开发。
一条推文分享了一个关于 AI 代理信任层的 Google 视频和博客文章，使用基于角色的架构和可验证凭证来强制执行停止条件，防止代理进行未经授权的购买。
一篇探讨循环工程起源和核心组件的文章，循环工程是设计自主循环来提示AI编码代理的实践，而不是一次一条消息地提示它们，并强调客观门控和状态的重要性。
Kent C. Dodds 分享了一个自动化设置，其中 Kody Koala 暴露了一个 Sentry webhook，触发 Cursor AI 云代理来调查并修复错误，然后合并、部署并在生产环境中验证。
Anthropic 发布了一个关于循环工程的 1 小时工作坊，讲解如何从单个规范构建智能体循环，直到拥有 200 个功能，并附有完整的操作手册。
推荐字节跳动火山引擎 OpenViking 核心贡献者黄瑞腾开发的开源项目 LoopX，一个为超长程 AI Agent 设计的轻量级状态内核和控制平面，支持 200+ 小时稳定运行、状态管理和人工干预，与 OpenViking 深度合作。
来自freeCodeCamp的一份指南，解释了提示词工程与循环工程在AI工作流中的区别，并提供了一个用Python构建PR审查循环的实用示例。
用单站和多站装配线的类比，解释了 AI 工作流中循环工程和图工程的区别，并提供了选择它们的简单框架。
Salesforce 讨论了 'Loop engineering' 作为一种让AI智能体评估自身进度的方法，但认为当前指标往往无法衡量真正的业务成果，并建议智能体应与共同业务目标对齐。
对AI驱动的软件工厂运动的批评，认为再多的循环工程也无法克服模型训练的根本问题，并引用代码质量下降和事件增加的证据。