昨天小雷在 x 上刷到吴恩达的一则动态，主题聚焦于 agent 的 loop（循环）工程。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
图片来源：X
如果你在过去半年内体验过 Claude Code、Codex、Workbuddy、Kimi Work 或其他主流 Agent 类产品，大概率已经察觉到一种悄然发生的变化——与以往需要逐条指令引导 AI 不同，如今你只需抛出一个需求，它便能自主编写代码、执行运行、识别错误并反复修正，直至交付可用成果。
这种“自我驱动、持续运转”的体验，正是 Loop 工程在实际产品中的具象体现。
“……你无需再为 Coding Agent 精心撰写提示词，而应专注于设计 Loop。” 6 月，OpenClaw（龙虾）创始人 Peter Steinberger 的这条推文迅速引发广泛热议。事实上，就在不久前，Google 工程负责人 Addy Osmani 已系统性梳理并正式提出“Loop 工程”这一概念。
图片来源：X
但追溯公开资料可见，最早提出 Loop 并率先将其落地见效的，是 Claude Code 的核心开发者 Boris Cherny。就在 6 月底，Anthropic 官方发布技术博客，首次全面公开了 Claude Code 中所采用的四种 Loop 原语。
短短一个月内，Loop 工程完成了一次关键跃迁——从技术圈层的讨论话题，跃升为行业级共识与主流焦点。 那么，Loop 到底是什么？它又将如何影响普通用户的日常使用？
从提示词，到 Harness，再到 Loop：Agent 究竟新增了什么能力？
过去谈论 AI 应用，绕不开提示词（Prompt）。无论是写代码、改文档还是做调研，提示词越精准、结构越清晰，输出质量往往越高。当模型进化为 Agent，其职责已不止于“回答问题”，还需判断何时读取文件、何时执行命令、何时调用搜索、何时暂停并请求人工确认——仅靠提示词工程或思维链（Chain-of-Thought）已难以支撑。
于是 Harness 工程应运而生。它可被理解为包裹在模型外的一整套运行框架，负责对接工具链、管理权限、注入上下文、维护状态。模型本身仍专注推理与生成，但已被嵌入一个真正具备任务执行能力的环境中。
而 Loop 工程则更进一步——它关注的是：如何让 Agent 围绕一个明确目标，持续、闭环地推进任务。
「龙虾」官方文档将 Loop 视为「基础」，图片来源：OpenClaw
简言之：用户设定目标 → Agent 理解任务 → 获取上下文 → 调用工具 → 观察结果 → 判断是否达成；若未完成，则自动调整策略、再次执行、重新验证。这个过程高度还原人类工作流：先产出初稿，发现问题后迭代优化，直至交付达标成果。
因此，“Loop”的关键并不在于“重复”本身，而在于每一次循环中所承载的决策逻辑、工具调用、反馈处理与状态更新。
Claude Code 是最具代表性的案例。它并非简单地将 Claude 接入终端，而是让模型在一个 while-loop 中反复调用工具、编辑源码、运行测试、解析返回值。真正复杂的部分反而位于循环之外：权限控制体系、上下文压缩机制、插件生态、skills 封装、hooks 钩子、子 Agent 协同、会话持久化等。
Agent 是否能“自己转起来”，不取决于模型某次推理是否灵光一现，而依赖一整套稳健、可扩展、可调试的工程架构为其托底。
这也是吴恩达此次强调 Loop 工程的核心语境。进入 2026 年，Claude Code、Codex、ZCode、MiniMax Code 等产品，已普遍将“写—跑—验—修”这一完整闭环作为默认能力。
Anthropic 在博客中进一步将 Loop 细分为四类：turn-based（回合制）、goal-based（目标驱动）、time-based（定时触发）、proactive（主动式）。
- “帮我做个登录页”，它自主编码、测试、修复，即 goal-based loop； - 每发一条消息它响应一次，属于 turn-based； - time-based 允许你设定周期任务，例如每两小时自动检查某 PR 并发起 Review； - proactive 更进一步——它能主动发现异常并介入，比如检测到单元测试覆盖率下滑，自动补全缺失用例。
目标驱动 Loop，图片来源：Anthropic
这波讨论在 5、6 月集中升温，也与产品进展密不可分。OpenAI 的 Codex 已不再只是“帮你写代码”的辅助入口，而是在隔离环境中自主读取仓库、修改文件、运行测试，并将完整日志与结果回传。
Anthropic 方面，Claude Code 几乎已成为 Loop 工程的最佳实践范本。Boris Cherny 那句“别再亲手写提示词，而是让一个 Agent 去提示 Claude”，乍听拗口，实则指向本质转变：人不再操心每一步该问什么，转而聚焦于构建能让模型持续工作的机制。
为 Arch 多智能体系统创建新的 OpenClaw 智能体。当请求创建、添加或设置新智能体，或操作 ~/.openclaw/ 下的系统时使用。涵盖完整生命周期：目录创建、工作区文件（SOUL.md、IDENTITY.md 等）、openclaw. 配置、Telegram 路由（绑定、群组及提及模式）、含提示词工程的定时任务创建及网关重启。亦适用于修改现有智能体配置、添加定时任务或调试路由问题。
这也正是 Loop 工程对普通用户最切实的意义所在。Loop 设计越成熟，Agent 就越接近一位可托付任务的协作者：你给出方向，它自行推进；偏离路径时，它能依据反馈及时纠偏；完成之后，还会主动呈现过程记录与最终成果供你复核。
“提示词时代”的终结，对普通人意味着什么？
Agent Loop 对普通用户最直接的价值，在于大幅降低提示词设计门槛。
过去使用 AI，如同带领一名聪明但缺乏经验的实习生协作。你需要明确每一步动作：何时查资料、何时停止、哪些信息不可虚构、哪里需人工校验。你指挥得越细致，输出越可控；表达越笼统，AI 越易失控。
而一个优秀的 Loop Agent，则更像一位熟悉标准作业流程的资深成员。你无需反复提醒“报错就重试”，因为测试与修复本就是循环内置环节；你也不必一次性把全部背景塞进对话框——Agent 可通过文件系统、检索工具、记忆模块与索引机制，按需逐步获取所需信息。
这正在重塑人与 AI 的协作关系。
以往用户写提示词时，常需身兼数职：产品经理（定义需求）、项目经理（拆解步骤）、测试工程师（验证结果）、导师（纠正偏差）。未来，用户角色将更趋近于目标设定者与成果验收者。
举例来说，当你让 Agent 规划一次旅行。过去你可能要写：“预算 1.5 万、5 天行程、先比机票、再订酒店、注意地铁换乘、输出表格、最后总结”。而在 Loop 成熟的场景下，你只需说：“下个月去东京 5 天，预算中等，希望轻松些，多安排美术馆参观”，Agent 就应能自主查航班时刻、比价筛选、规划动线、识别时间冲突、生成多套方案，并在你反馈“第二天太紧凑”后即时重排日程。
这就是所谓“告别提示词竞赛”的第一层含义：普通用户无需再自我训练成提示词专家，Agent 产品理应承担起流程抽象与复杂性封装的责任。
另一方面，软件工程天然契合 Loop 架构。目标可表述为 issue，过程可映射为文件变更，工具可覆盖测试运行，结果可通过 diff 与 CI 流水线验证。一旦 Agent 出错，系统可即时捕获报错；修复后，也能立刻看到测试通过。这种反馈闭环清晰、可量化、可沉淀，因此 Claude Code、Codex、ZCode、MiniMax Code 均率先在编程场景实现突破。
图片来源：智谱 Zcode
但代码只是起点。研究分析、表格处理、PPT 制作、数据洞察、客服工单、法律检索、简历筛选、运营监控等场景，同样具备共性特征：任务无法一句话完成，但成功标准可明确定义、执行过程可记录留痕、结果质量可客观检验。
这构成了 Loop 的第二重价值：显著提升复杂任务的生产力。 人不再紧盯中间步骤，而是聚焦于目标设定、结果评估与规格调整。正如吴恩达所提的 developer feedback loop——AI 加速了内部执行节奏，而人则需站在更高维度把控方向是否正确。
此外，体验不佳的 Agent，常给人留下“不稳定”“乱调工具”“越做越偏”的印象。但从工程视角看，Loop 实际提供了提升可靠性的关键支点。
在完善的 Loop 设计下，Agent 为何访问某网页、为何修改某文件、为何调用某 API、为何判定任务结束……这些决策均可被完整追踪与审计。问题修复可沉淀为 skill，业务规则可写入 AGENTS.md、CLAUDE.md 等标准化记忆文档。下次面对同类任务，Agent 便无需从零摸索。
不过必须坦诚指出：Loop 本身不会自动带来可靠性。一个设计粗糙的 Loop，反而会让错误以指数级速度自我强化。
结语
过去三年，我们与 AI 的交互方式历经数轮演进，但底层范式始终未变——人发指令、AI 执行、人判结果。人在整个循环中始终处于驱动中心。Loop 工程首次将人从循环核心移至外部，人不再是司机，而是导航员。
这一转变的影响或将远超效率层面。对开发者而言，核心竞争力正转向问题定义能力与验收标准设计能力；对产品团队而言，迭代速度将进一步加快，倒逼其更深入理解用户、更精准把握业务——因为技术瓶颈正在消退，真正的壁垒，已转向判断力与洞察力。
当然，所有这一切的前提，是模型能力仍在持续进化。Loop 能转多少圈、能应对多复杂的问题，终究取决于模型的基础水平。倘若模型几步之内便严重偏离，再精巧的 Loop 架构亦难奏效。
值得庆幸的是，今年模型进步的步伐并未放缓。GPT-5.5、Claude 5、GLM-5.2、M3、K2.6、DeepSeek V4——半年内各大厂商均已发布新一代模型，且每一版都在 Agent 场景中展现出显著增强。
模型愈强，Loop 愈稳；人愈退，协同愈深。这一趋势已然清晰。
表面看，这只是效率升级；但细究之下，它或许正是 AI 从“工具”迈向“协作者”的临界点。工具需要你掌握操作方法、熟悉每一步流程；协作者则只需你明确目标，它自会寻找路径，与你共同把事情做成。
我们，很可能正站在这条分界线上。
