一条推文引发的还手行业变革

2026 年 6 月初，OpenClaw 创始人 Peter Steinberger 在社交平台发出警示：停止手动为 AI Agent 编写提示词，写P循环转而设计能够自动生成提示词的人早系统。这一观点迅速引发共鸣。用上随后，工程Claude Code 负责人 Boris Cherny 公开表示，自动驾代其日常工作重心已转向编写“循环（Loop）”，还手由循环调度 Claude 执行任务，写P循环而非人工逐条下达指令。人早Google Cloud 工程总监 Addy Osmani 进一步对这一实践进行了系统性拆解，用上并正式将其命名为 Loop Engineering（循环工程）。工程

三人、自动驾代三家公司、还手同一周、写P循环同一结论。人早这并非巧合，而是标志着 AI 编程工具在 2026 年迈入全新阶段的里程碑。

什么是循环工程？

循环工程是一种面向 AI Agent 的工作流设计范式。其核心目标是构建一个完整的自动化执行系统，该系统具备以下能力：
* 自动发现任务
* 智能分配给 AI 代理
* 质量检查与进度记录
* 动态决策（继续、重试或终止）

整个过程可在无人值守状态下持续运转，直至满足预设的退出条件。简而言之，这是 AI 领域的“永动机”。

形象比喻：
如果提示词工程（Prompt Engineering）是在棋盘上精心走好每一步棋，那么循环工程就是设计下棋的规则与裁判机制，让 AI 依据规则自主完成整盘棋局。

尽管目前主要应用于软件开发，但其底层逻辑适用于任何需要反复执行、反复判断的流程，包括运维巡检、内容生产、客服分流及数据清洗等。编程领域因工具链成熟，成为首个实践高地。

从提示词工程到循环工程：演进三部曲

回顾 AI 辅助编程的发展，可清晰划分为三个阶段，每个阶段解决的问题及工程师角色截然不同。

第一阶段：提示词工程（Prompt Engineering）

早期主流协作方式。工程师通过精心构造角色、示例及链式思考（Chain-of-Thought）来引导模型。
* 痛点：高度依赖特定模型版本和上下文长度。模型更新或输入微调即导致提示词失效，产生 Prompt Drift（提示词漂移）。
* 本质：将确定性期望绑定在概率系统上，必然导致的不稳定性。

第二阶段：上下文工程（Context Engineering）

重心从“怎么说”转向“让模型看到什么”。RAG 管线、向量数据库及百万级上下文窗口的出现，解决了信息供给问题。
* 痛点：缺乏自我纠错机制。若模型首次回答错误，无法主动发现或验证，整个管线缺乏二次检查推动力。

第三阶段：循环工程（Loop Engineering）

补全了前两个阶段的短板，构建闭环系统：
模型执行 → 确定性工具评估（编译/测试/Lint） → 反馈回传 → 模型修正 → 再次执行，直至通过所有验证门禁。

• 角色转变：工程师从“对话参与者”转变为“闭环系统设计师”，定义完成标准、验证逻辑及异常处理机制。
• 关系定位：三者非替代关系，而是层级关系。优秀的提示词和上下文已成为循环内部的子模块，循环本身的设计才是决定产出质量的关键。

构建可用循环的六大核心组件

根据 Addy Osmani 的拆解，一个生产级的循环系统需包含以下组件及贯穿始终的记忆层：

1. 自动化触发（Automations）

循环与一次性脚本的本质区别。
* 形式：定时任务（如每 30 分钟扫描漏洞）、事件钩子（如 PR 合并后触发检查）、持续监听。
* 实践：Claude Code 支持 /loop定时巡检及 GitHub Actions 后台运行；Codex 提供 Automations 面板配置执行频率与环境。
* 核心：无触发机制 = 手动脚本。

2. 工作树隔离（Worktrees）

解决多 Agent 并行处理同一仓库时的文件冲突。
* 原理：Git Worktree 为每个代理提供独立工作目录与分支，共享仓库历史但修改互不干扰。
* 实践：Codex 内置 Worktree 支持；Claude Code 通过 --worktree或 isolation: worktree配置实现隔离。

3. 技能文件（Skills）

解决 意图债务（Intent Debt），即 AI 对特定项目约定、构建流程及陷阱的认知缺失。
* 机制：通过 SKILL.md存储指令、元数据、脚本及示例。Agent 启动时自动加载，避免重复解释背景。
* 价值：项目经验沉淀为系统资产，随对话窗口关闭而消失的问题得以解决。

4. 插件与连接器（Plugins & Connectors）

突破本地文件读写限制，扩展 Agent 执行半径。
* 标准：MCP（Model Context Protocol）已成为行业标准，由 Linux 基金会治理。截至 2026 年 3 月，SDK 月下载量超 9700 万，公开服务器破万。
* 案例：ServBay 内置 MCP Server，开放 39 个工具接口（服务启停、SSL 配置、数据库操作等）。Agent 可一键完成“创建带 MySQL 和 HTTPS 的站点”，实现从“建议配置”到“自动配置”的跨越。

5. 子代理（Sub-agents）

关键架构决策：分离“生成”与“验证”角色。
* 必要性：生成模型存在“自恋”倾向，倾向于自我合理化。独立验证代理（可使用不同模型或指令集）能更客观地捕捉被忽略的问题。
* 实践：Claude Code 的 /goal命令底层即采用此机制；Codex 支持通过 .codex/agents/下的 TOML 文件定义多代理及不同推理强度。
* 代价：消耗额外 Token，但为无人值守提供了必要的安全保障。

6. 状态持久化（State）

AI 对话结束后即遗忘，但循环不能遗忘。
* 载体：Markdown 文件、Linear 看板、GitHub Issue 评论区等任何持久化存储。
* 作用：记录任务进度、失败重试次数及上下文，避免每次运行均为冷启动。

循环工程的实际运作流程

以老王团队的 CI 失败修复为例，完整闭环如下：

1. 触发：每日定时任务启动，调用分类 Skill，读取 CI 日志、Issue 及提交记录，写入状态文件。
2. 执行与隔离：针对每个事项，在隔离 Worktree 中启动生成子代理起草修复方案，同时启动验证子代理对照 Skill 进行独立审查。
3. 决策与反馈：
4. 通过：连接器自动创建 PR、关联 Issue，CI 绿灯后通知 Slack。
5. 失败：退回重试；超次则升级至人工队列。
6. 持久化：状态文件实时更新进度。次日循环读取状态，接续执行。

结果：流程设计一次，后续每日全自动执行，无需人工干预。

落地挑战：Token 消耗与成本控制

循环工程落地的最大门槛并非架构，而是 Token 成本。无上限的循环如同无油量表的车。

据 FinOps Foundation 2026 年调查，98% 的企业已主动管理 AI 成本（两年前仅为 31%）。典型事故案例：某团队夜间循环修复 Flaky Test（不稳定测试），AI 因无法识别测试本身的不稳定性，连续尝试多种方案，导致 Token 激增。

三大成本控制策略

1. 提示缓存（Prompt Caching）：将系统提示词、工具定义及不变上下文设为可缓存部分，避免每轮重复计费。
2. 动态模型路由（Dynamic Model Routing）：
3. 简单任务（Lint、格式校验）→ 低价小模型。
4. 复杂决策 → 前沿大模型。
5. 注：不同模型价格差距可达千倍。
6. 状态压缩（State Compaction）：对运行历史进行摘要压缩，避免模型每轮重读完整日志，确保 Token 消耗平稳或递减。

本地 AI Gateway 的关键作用

动态模型路由实施难点在于多模型 API 格式差异及密钥管理风险。AI Gateway提供了解决方案：

• 统一入口：如 ServBay AI Gateway，聚合 Anthropic、OpenAI、Google 及本地 Ollama 请求。
• 安全与管控：密钥本地加密存储，支持项目级虚拟密钥签发，用量可视化。
• 闭环赋能：配合内置 MCP Server，实现“按需调用模型 + 操作本地环境”的完整闭环，无需修改工具侧配置即可切换模型。

四种循环模式：自动化逐级递增

ClaudeDevs 官方归纳了四种模式，适配不同场景：

1. 回合制循环（Turn-based）：基础形式。单次指令执行后，依据 Skill 验收清单自查（服务启动、浏览器操作、控制台检查等），全部通过才提交。
2. 目标制循环（Goal-based）：适用于复杂多轮任务。设定量化目标（如 Lighthouse 评分 90+）及最大重试次数，后台自动迭代直至达标。
3. 定时制循环（Time-based）：适用于日常重复事务。设定巡检间隔（如每 5 分钟检查 PR 状态、修复 CI），将高频低创工作转化为后台守护进程。
4. 主动循环（Proactive）：最高自动化。事件驱动，多代理协作。监听新事件自动启动流程，多工作区并行生成方案，独立审查代理择优合并。

循环工程不仅是程序员的事

尽管工具链聚焦开发领域，但其逻辑可迁移至任何具备明确输入源、可定义规则、可验证标准的流程：

• 内容团队：定时扫描信息源 → 筛选选题 → 生成摘要。
• 运维团队：监控告警 → 自动执行预案 → 异常升级人工。
• 客服团队：工单分类 → 初步回复 → 复杂对话路由真人。

循环跑得越快，人的角色越重要

循环工程并未移除人，反而凸显了以下三点：

1. 验证责任未转移：无人值守 = 无人值守的犯错。生成与验证分离后，最终质量责任仍由工程师承担。完成是断言而非证明。
2. 认知差距加速拉大：代码生成速度越快，工程师对系统的理解越易脱节，形成 Comprehension Debt（认知债务）。不主动阅读生成代码，将导致系统掌控力丧失。
3. 舒适状态即危险状态：全盘接受循环产出意味着放弃思考。理解业务者用其加速既定工作，不理解者用其逃避思考。产出质量如实反映使用者水平。

Boris Cherny 的观点核心在于关注点的转移：设计循环比写提示词更难，要求工程师具备精确的完成定义能力、失败预判力、成本约束意识及人工介入判断力。

行动建议

循环工程尚处早期，建议从小步快跑开始：
1. 现有 Claude Code/Codex 工作流中增加 Skill文件及验收清单。
2. 体验回合制循环的效率提升。
3. 逐步引入目标制循环及子代理验证。

搭好循环，但别忘了初衷。工具在变，工程师的判断力永不褪色。