Loop Engineering 火了：AI Agent 的杠杆，正在从 Prompt 移到 Loop

🎯 Главная суть

Концепция Loop Engineering (инженерия циклов) становится новым рычагом в работе с AI-агентами, заменяя Prompt Engineering как основной способ управления. Суть — не писать идеальные промпты, а проектировать самоподдерживающиеся замкнутые циклы, в которых агенты автономно запускаются, выполняют задачи, проверяют результаты, запоминают ошибки и повторяют процесс с улучшениями. Ключевой сдвиг: работа разработчика смещается с написания кода на проектирование таких циклов — как выразился сооснователь CloudCoder Борис Чейни: «Моя работа сегодня — писать loops».

---

От Prompt Engineering к Loop Engineering: четыре эволюции подходов

Управление AI прошло четыре последовательные стадии, каждая из которых поднимала уровень абстракции и автоматизации.

Prompt Engineering — первый этап. Основной рычаг — точность формулировки запроса человеком. Задача — добиться от модели корректного понимания на один запрос.

Workflow Engineering / Context Engineering — второй этап. Это про выстраивание детерминированной логической цепочки: как подать контекст всей задачи целиком, чтобы AI понимал не отдельный запрос, а проект как целое. Повышает процент успешного выполнения за счет полноты фона.

Harness Engineering — третий этап. Решает инфраструктурный уровень: окружение для запуска агента, подключение инструментов, права доступа, механизмы валидации сигналов. Продукты вроде Cloud Code и Codex получили признание именно за проработанный слой Harness — их агенты стабильно точно исполняют задачи.

Loop Engineering — текущий этап. Вместо того чтобы человек каждый раз запускал агента и проверял результат, проектируется автоматический цикл: система сама будит агента, забирает результат, ставит новую задачу, запоминает итоги и корректирует поведение. Человек перестаёт быть оператором и становится архитектором этого цикла.

---

Agent Loop: базовая механика замкнутого цикла

На нижнем уровне Agent Loop — это циклический процесс с обязательной обратной связью. Простейшая иллюстрация: один агент выполняет задачу, второй (другая LLM — например, GPT или Claude) наблюдает за процессом, анализирует шаги и результат, даёт обратную связь. Первый агент получает эту критику и на следующем шаге её учитывает. Без этой второй итерации — не цикл, а однократный запрос.

Цикл включает обязательные этапы: постановка целевого состояния → планирование шагов → выполнение → наблюдение за процессом → рефлексия (не только финального результата, но и промежуточных шагов) → корректировка → повтор до достижения цели. Ключевое — наблюдение и рефлексия выполняются отдельной сущностью (другим агентом или механизмом), а не тем же, кто выполнял.

---

Пять модулей Loop Engineering и память: архитектура по Эдди (Google)

Инженер экосистемы Google Cloud Эдди, долгие годы отвечавший за Developer Experience Chrome, а ныне фокусирующийся на AI и Agent-экосистемах Google Cloud, опубликовал пост, в котором разложил Loop Engineering на пять обязательных модулей плюс слой памяти. Он приводит Cloud Code и Codex как эталонные реализации.

Automation — сердце цикла. Решает вопрос «кто запускает цикл». Без этого модуля цикл — одноразовая ручная операция. В Codex это «механизм сердцебиения» (heartbeat), в Cloud Code — планировщик задач по таймеру или событиям. Agent должен уметь просыпаться самостоятельно при наступлении условия (время, событие, триггер).

Worktree — изолятор. Обеспечивает параллельную работу нескольких агентов без коллизий. Каждое ворктри использует свою копию текстового слоя при общем git-логе — это позволяет агентам не «перетирать» друг другу изменения. В Codex эта настройка находится в Settings → Worktree.

Skill — библиотека упакованного опыта. Это не разовые промпты, а зафиксированные, отлаженные последовательности действий, которые агент может вызывать командой (например, через / в диалоге). Skill — это статика, а Loop — динамика, которая заставляет Skill исполняться итеративно.

Connector — внешние подключения. MCP-серверы, плагины, API-интерфейсы. Через этот слой общий агент получает специализированные способности: кодинг, редактирование видео, работа с почтой или создание музыки. Сам агент не умеет делать всё — Connectors дают ему «руки и ноги».

Sub-agents — разделение ролей. Эдди формулирует принцип: «Sub-agents keep the maker away from the checker». Исполнитель и проверяющий — разные сущности с разными целями. Один Sub-agent пишет код и исследует; второй — валидирует, проверяет на соответствие стандартам, тестирует. Смешение этих ролей в одном агенте ведёт к загрязнению проверки («кашу») — агент будет пропускать собственные ошибки. Оба направления (создание и проверка) достойны затрат токенов; разделение цикла — критично.

Память (Memory) — надстройка над всеми модулями. Модель забывает, что делала. Если фиксировать всё в хранилище (git, база знаний) — не забудет. Цикл должен регулярно писать результаты, ошибки и выводы в память, обновлять её и на старте следующей итерации читать. Без памяти каждый цикл начинается с нуля; с памятью — накапливает опыт и ошибки, работает с нарастающей эффективностью. Именно это превращает простой повтор в «сложный процент» системы.

---

Интеграция модулей: как выглядит работающий Loop

В работающей системе все пять модулей соединяются в последовательность:

1. Automation будит агента по расписанию или событию.
2. Skill (набор навыков) идёт в работу — агент загружает задачу.
3. Создаётся изолированный Worktree, чтобы не пересекаться с другими задачами.
4. Sub-agent-исполнитель выполняет.
5. Sub-agent-проверяющий отдельно проверяет соответствие задаче, тестирует (юнит-тесты / smoke-test / линтер).
6. Connector подключается к внешним системам — CI/CD, Slack, репозитории.
7. Если всё прошло — создаётся PR; если нет — причина фиксируется в Memory.
8. Цикл повторяется, на каждом витке Memory уже содержит информацию о прошлых ошибках.

---

Практические дополнения: что важно за рамками схемы Эдди

К пяти модулям стоит добавить три практических элемента.

Критерий остановки (Acceptance Criteria). Цикл не должен крутиться бесконечно. В начальной постановке задачи (Goal) нужно явно указать условие завершения. Например: «выполнять итерации, пока все тесты не будут зелёными» или «сделать максимум 5 попыток». Без этого агент может зациклиться.

Границы прав (Permission Boundary) и Human Gate. В корпоративных системах — критично. Какие действия агент может совершать автоматически (создавать файлы, коммитить, отправлять API-запросы), а какие требуют человеческого одобрения (мержить в продакшен, платить деньги, публиковать сообщения). Human Gate определяет, в каких случаях цикл ставится на паузу и ждёт решения человека.

Наблюдаемость (Observability) — не только результат, но и процесс. Для качественного цикла недостаточно просто получить итоговый ответ. Нужно видеть всю цепочку: как задача была декомпозирована, какие шаги выполнялись, какие инструменты вызывались, какие ошибки возникли. Только на основе полной записи проверяющий Sub-agent может дать адекватную обратную связь. Observability — основа для рефлексии, без неё цикл не эволюционирует.

---

Почему это стало важным именно сейчас

Концепция Loop получила взрывную популярность в Кремниевой долине (август-сентябрь 2025) по нескольким причинам. Первая — кодинг-агенты (Cloud Code и Codex) уже способны выполнять длительные задачи, а не одношаговые запросы. Вторая — модели (особенно Codex с ежедневными обновлениями) становятся всё искуснее в вызове плагинов и API: арсенал инструментов ширится. Третья — вместе с ростом возможностей растёт стоимость ошибки: токены, таймауты, риски доступа в корпоративной среде становятся реальной проблемой. Запустить агента «ещё на пару витков» — недостаточно; требуется контролируемый, повторяемый, аудитируемый цикл. Loop Engineering — ответ именно на этот запрос: сделать агента не просто автономным, но и управляемо автономным.

---

Loop-мышление как новый способ думать об AI

Практический вывод для повседневной работы: любой одноразовый запрос к AI можно перестроить как минимальный цикл. Вместо того чтобы писать идеальный длинный промпт и ждать идеального ответа, проектируется система: «Агент делает → второй проверяет → первый исправляет → оба записывают в память → повторить». Два агента могут работать в одном окне (например, один — Claude, второй — GPT) или в разных сессиях. Цель — перевести разовую вспышку инсайта в долгоживущий механизм, а диалог — в автоматически наращивающееся преимущество.

大家好欢迎来到林姐说一爱最近有一组概念在硅谷非常的火叫做looploop循环open cloud的创始人Pistamburgers在6月初发布了一条消息他是这么说的他说Here is your monthly reminderthat you shouldn't be promoting coding agent anymore他说提醒大家一下你不应该再主动的去提示你的coding agent了你现在要干的事情是什么呢You should be designing loops that promote your agents你应该为你的agent去设计一些循环这个帖子发布后有830万的观看另外Boris Cheney他作为Cloudcoder的创始人和负责人之一他是一位资深的软件工程师他在最近的一次访谈中他这么说My job is writing loop我的工作就是写路盆另外一位来自谷歌系的工程师Eddie他是长期负责谷歌Chrome的开发者体验现在主要聚焦于Google Cloud AI和Agent开发生态的这么一个工程的领导者他写了一篇文章叫做Loop Engineering专门阐述了Loop相关的概念可以说Loop这个概念和思路最近在硅谷非常的火实际上不谦虚的说我们在一年前就开始用loop的这个思路在进行AI的应用和实践我正式把loop这个想法和大家分享是在2025年的12月在12月那条视频里面我教大家怎么用loop思维进行科研制图并且在最近4月份的时候我又给大家去专门讲了这个loop思维怎么在组织提效中践行loop做到AI first就仅仅从这个角度来讲我认为我的频道的很多的实践思想应用都是走在非常前沿的这期视频会进一步的和大家分享loop思维怎么运用和实践这里的loop实际上会涉及两层概念一层是agent loop实际上这是底层的机制还有一层叫做loop engineering其实这个就是机制化产品化和工程化我们这期视频就会一起来结合这些大佬的一些思想和表达看看我们自己怎么应用我之所以把loop这个思维反复的拿出来讲第一个它确实很重要第二个它最近在硅谷这么火确实实际的操作的情形和整个的技术发展又到了一个新的阶段他最近这么活也是有原因的他刚好跟几个趋势叠加在了一起第一个是像Cloud Code和Codex这类Coding Agent他已经能够做常任务了第二个模型调用工具的能力日渐增强你可以看到Codex几乎是每天一更新他能够调用的插件调用的API越来越丰富背后的工具Skill越来越多由于agent的能力包括整个harness框架的成熟这些应用到企业端企业会慢慢的开始关心这些可重复可测试可审计的这种agent工作流怎么在我自己的企业里面去实践第四个当AI的模型真的跑在真实的企业任务中时这时候token的成本任务的失败率包含权限风险都会开始成为一个真实的问题所以让agent多跑几轮还不够必须让它升级为可控的一个loop这是它的一个大的背景我们再来回过来讲这个loop的机制这里讲到的一个核心的概念是agent loop这里的agent loop实际上是它的底层的机制之前我给大家讲的loop的应用可能跟目前的agent阶段不一样但是它底层的思路和方法整个的链路闭环是一致的我们先有目标设定然后基于设定的目标规划它的任务步骤然后进行执行在执行这个阶段就会输出结果大部分人就会停到这一步它不是闭环的这个时候你应该合适的方式应该对它的这个执行的结果包括执行的过程进行observe观察看看里面有不有值得改进的地方这里值得改进反思复盘的过程不只是针对结果而且针对过程和步骤最后在基于要达成的目标不断的循环往进而aged loop要做的就是我要设置这么一个循环的机制我经常跟大家讲的是一种双直新的玩法比如说让codex去执行让另外一个AI可以是cc或者是让GPT来进行观察反思这相当于给前面的执行者有了一个评审的第三方机制猝使他去不断的迭代引进那未来像OpenAI也说他们未来会做一个超级APP这样的具体的操作层的方式可能会迭代可能会演进但是他底层的核心机制是一致的就是你要让这个Agent有自我迭代自我演进的要设计出这么一个loop为什么说这个Boris说我现在的工作是在写loop而不是在写其实词写代码那么整个的这个工程化产品化的过程其实也经历了几个眼镜的阶段一开始我们讲我们用好AI讲的很多的就是提示词工程Proud Engineering就是我怎么向AI提问问好这个问题这个时候核心的杠杆是我们的表达怎么精确的让AI去理解提升模型对单次输入的理解力然后再往前眼镜啊这里写的是workflow engineering很多人还听的是叫做context engineering就是上下文工程实际上这里的底层是一致的这里解决的是一个任务流的串联的问题就是一个整的大的工作和项目背景的这么一个问题相当于是用一种确定性的逻辑链条一个更加完整的上下为背景去提升AI对项目的理解程度去提升任务的完成率而到了第三个阶段前段时间也非常流行open cloud出来之后这个harness engineering就是他解决的是运行层的问题他需要给这个项目搭建一个比较好的执行环境解决工具和反馈的问题给这个agent去提供合适的权限框架还有可以验证的信号现在大家认可度比较高的CC还有Kodaks在Harness Engineering这一层他都是做的比较好的他的精准执行任务的能力都是比较强的现在我们讲这个agent loop的概念讲到了这个第四层叫做loop engineering就是设计一个agent可以自我眼镜的闭环让系统替代人去提示检查和纠偏的agent就相当于你在工作环境里面设计了一个比较好的激励机制一个考核机制这些员工当然这里是数字员工他就可以持续的可靠的可控的在这个系统里面去运行在这里呢我也和大家一起去读一下艾迪写的这篇博客他的loop engineering在这里面他是怎么定义和理解这个loop engineering的在安迪的博客里面他把loop拆成了5个模块和一个记忆机制他们刚好对应了一个长期运行的agent系统必须解决的几个问题而刚好Cloud Code与Codex都具备这些组件只是命名不同这个就是他博客原文的表达作为一个谷歌的agent生态的工程师那他把codex和cc放在这里来表达来讲这个loop engineering的机制从某种程度上面来说也是在认可cc和codex在通用agent他整个机制的完备性他包含了这五大要素自动化工作速技能插件还有子代理人还有一层就是他的状态记忆层我们一个来看自动化这个是他的心跳在codex里面就是它的心跳机制在cloudcode里面是通过loop的定时任务的运行服务来进行运行的automation本质上是来解决谁来启动循环就是让agent在特定的条件或者固定频率下自动醒来如果没有它loop只是手工跑了一次人还是要不断的提示但是codex的automation或者是cc的定时任务可以让整个的循环去定时的运行左侧这个边栏的自动化就是刚刚讲的自动运行循环机制的地方第二个板块是worktree是隔离舱它解决的是多个agent同时工作会会打架多个worktree它是共享git list但是它的文本副本是独立的可以让并行不变成混乱在你的codex里面点到设置再点一下设置再点到左边的这个工作数就能够看到你对应的worksheet第三个板块是skill这个板块其实大家这个概念目前应该是比较熟悉了它解决的是agent每次它都不是丛林理解项目它会有一些固定的沉淀的工作流有一些封装下的沉淀的能力体系要搞清楚的是Skill本身它是经验而loop是让整个的经验运用起来循环执行的系统大家在你的对话框里面在codex里面可以通过斜杠这样子可以快速的找到你看我这里封装的非常多的包括个人的和系统的Skill你也可以通过对话让他给你去列举你在codex里面去沉淀的这些Skill可以对Skill进行删除合并各种多种操作第四个部分是Connector这里包含了MCP包含了插件包含了API的接口很多时候我们说Codex可以剪辑实际上Codex本身是不能够剪辑的它通过接入外部的工具而让自己这个通用的Agent有了非常多的泛化的能力包括在这里我可以通过Codex去收取和回复邮箱也可以在这里用Codex来剪辑视频生成MV生成音乐这些能力本身不是codex自有的而是他通过接入插件接入这些连接器给他赋能的把外部的agent接入进来变成了自己的手脚第五个模块是subagents他原文是这么写的subagents keep the maker awayfrom the tracker就是让这个检查者和自图者他是分开两个角色平常我在讲这个loop的时候我之前讲的这两个角色一个可能是一个context另外一个是gbt或者是cc或者是分开两个窗口或者是分开两个非常高级别的AI一个是gemini一个是gbt都是可以的那么在这里可以通过子角色的方式来完成这个设定就相当于一个subagent他是整个的工作的运行者执行者另外一个subagent他是一个审核者他们的目标和角色不一样你看他这里花了比较多的笔墨来讲这个问题如果说你的审核的人和执行者不是分开循环的有可能会棍你核或出现一些问题他这里说就是一个要负责探索负责代码的编排另一个代理需要负责对现有规范进行验证执行本身值得花token而审查本身也值得花token这两个地方都非常重要很多人做任务的时候只管创建但是对应的检查没有做或者对应的检查者的这个角色没有和创建者的这个角色分离把创建者和检查者进行分离不断的循环迭代实现他们这个信息的互通共联是实现这个循环的非常关键的点而这五个模块之外的就是一个非常重要的状态记忆一个记忆机制模型可能会忘了他曾经做过的事但是如果你把它记在仓库里面他就不会所以你要定期的去写入记忆去更新记定期的复盘定期的给这个loop系统升级如果说没有记忆机制那么loop它每一次都是新的有了这样的记忆机制他把所有的经验进行沉淀所有的错误进行规避所有的工作都是留恒的那么这个loop才是真正的loop因为它是产生复利的loop所以看完安迪的文章实际上这里闭环起来就是一个控制系统定时的去启动然后读取外部的输入第二用agent里面的scare去理解任务并且创建一个彼此隔离的worktrip让他们不容易污染不要互相打架然后组的agent执行然后有一个单独的分离的子agent的角色审查这些规范然后再进行工具验证测试可以通过这个geron或者是通过smoke test冒烟测试然后进行验证接着就可以开pr去更新任务如果有失败就记录原因然后从事把所有的原因过程的记录写入memory然后再到下一轮继续进入一个闭环完成一个loop讲的五个模块加一个记忆机制的方式其实已经很完善了结合我自己的实操实践我觉得以下的四个板块也是非常重要的第一个是这个验收标准这个验收标准就是说这个loop什么时候是持续执行的什么时候这个loop是应该停止下来的需要有一个明确的标准给到它当然这个验收标准可以写在你一开始启动目标的时候你在写这个go的时候就把它写进去第二个我觉得要重视的就是一个权限的边界特别是在企业中这些企业级的loop一定要有这个最小权限的原则到底这些东西是能不能改能不能删能不能访问特定的网络能不能自动的去支付API能不能去发这个消息发slack直接创建直接就合并完成了这些权限的边界一定要写清楚当然这个权限的边界的背后就是带来另外一个点就是这里的human review human gate什么时候超出这个特定的权限边界的时候人需要观察而哪些情况下是需要人工去介入这个loop需要暂停需要人来协助拍板的这个我认为也非常的重要就是权限边界和这个human gate human review是一个事情的两面另外一个就是可观察性这个概念我在其他的视频里面也讲解到就是可观察性的重要性在于说我们不仅要求结果的可观察性还需要loop的整个的过程它是可观察的整个的loop的记录包括他的任务的拆解执行的动作过程都是可观察的这样他在闭环执行的时候才是能够基于这个审核对比的机制来不断的提升他最后执行任务的有效性的如果这期视频真的想让大家学到什么我想就是把loop的思维运用到你每一次AI的运用你的每一个任务中loop能够让AI成为你的真正的生产系统现在真正高级的玩家不再是写多漂亮多长的prompt而是把你的任务设计为一个可以循环可以迭代可以沉淀的生产机制的系统把你瞬间的灵感变成一个长效的工作机制把你单次的对话转向一个自动化复利的一个过程如果你觉得你对loop的理解还不够可以把我前两期关于loop的解读和实战拿出来看一看如果你是林杰的粉丝我希望你能真正的学会loop思维关于AI的实操应用你还有什么想聊的也欢迎在评论区留下你的想法如果觉得视频做的还不错欢迎给我点赞订阅我的频道打开你的小铃铛我们下期再见了拜拜

最近 coding agent 圈都在讲 Loop Engineering。真正值得关注的不是一个新名词，而是 AI Agent 的使用方式正在从“人不断提示 AI”，转向“人设计可控、可验证、可沉淀的工作系统”。
这期我会结合 Addy Osmani 的 Loop Engineering 框架，以及 Codex、Claude Code、Skill、Connector、Sub-agent、Memory 等工具实践，拆解：为什么高手开始写 Loop，而不只是写更长的 Prompt。

你会看到：

- Agent Loop 和 Loop Engineering 到底有什么区别
- 为什么 Prompt Engineering 的杠杆正在后移
- Addy 框架里的 Automation、Worktree、Skill、Connector、Sub-agent 和 Memory 分别解决什么问题
- 为什么执行者和审查者最好分离
- 个人创作者和开发者如何搭一个最小可行 Loop
- 真正上生产前必须补上的 Eval、Permission、Human Review 和 Observability

我的判断标准很简单：Loop Engineering 不奖励盲目自动化，它奖励清晰目标、清晰边界、清晰验证，以及每一轮都能沉淀经验的工作系统。

时间轴：

00:00 最近为什么都在讲 Loop？
00:50 Agent Loop vs Loop Engineering：两层概念
03:08 为什么这波 Loop 会突然变热
04:10 Agent Loop 的底层机制
06:05 Prompt 到 Workflow 到 Harness 到 Loop
08:01 Addy 框架：五模块加一层记忆
09:02 Automation：谁来启动循环
09:40 Worktree：并行不打架
10:02 Skill：让经验可复用
10:48 Connector：让 Agent 接入真实工具
11:28 Sub-agent：执行者和审查者分离
13:02 Memory：长期 Loop 的骨架
13:40 把 Loop 看成一个控制系统
14:35 我会补上的四块护栏
16:28 总结：高级玩家开始设计 Loop

相关资料：
视频中提到的本频道的两条Loop思维相关的视频：
1. 应用Loop思维进行科研制图：https://youtu.be/dbvqEzhnJrM
2. 真正重要的是Loop：AI First是把整个组织重写一遍：https://youtu.be/3Lyh3QMJsNo

Boris的访谈原链接 https://www.youtube.com/watch?v=V5S40cLnku8


#LoopEngineering #AIAgent #Codex #ClaudeCode #PromptEngineering #AIWorkflow #MCP #灵姐说AI

欢迎来到【灵姐说AI】。本频道聚焦 AI 前沿洞察、AI 工具实测、AI Agent、提示词方法论、AI 内容工厂与企业应用落地。