本文深入解析了Loop Engineering的概念及其在大模型时代的应用。通过对比传统工作流与动态决策的Loop阐述了Harness Engineering与Loop Engineering的区别与联系。同时文章还讨论了Loop Engineering的质疑点如术语包装、成本问题及案例选择。最后提出了Loop Engineering的实际应用策略强调在合适场景下构建Loop以实现高效的大模型工作流管理。你大概最近读过类似这样的话“你不应该再去 prompt 你的 coding agent 了。你应该去设计 loop让 loop 去 prompt 你的 agent。— Peter Steinberger”第一反应大概是那我们一直在做的事情算什么呢其实这句话暗示着精心构造 prompt、不断迭代已经不再是工作的核心了。agent harness engineering 本质上 90% 是早已熟知的系统设计systems design。而 loop engineering 位于 harness 之上更高的一层本文解释一下它到底是什么哪些质疑合理哪些地方确实发生了变化。什么是 loop engineeringPeter Steinberger 给出的定义最简洁“Loop engineering 就是把自己从’去 prompt agent 的人’这个角色中替换掉。设计一个系统让系统代替你去做这件事。”Boris Cherny负责 Anthropic 的 Claude Code说过几乎一模一样的话“我已经不再 prompt Claude 了。我有一些 loop 在运行它们去 prompt Claude并且自己判断该做什么。我的工作是写 loop。”第一次读到这句话我们可能想到的是反应式工作流reactive workflows、事件驱动的 pipeline、内部装了更聪明任务的 cron job。不过他们的区别在于 loop 内部是什么。传统的 cron job 执行固定的步骤跑一个 SQL 查询写入一个文件发一封邮件。这些步骤是确定性的在编写时就已经定义好完全知道它会做什么。Steinberger 和 Cherny 所说的那种 loop 不一样它执行的步骤是在运行时由模型决定的。loop 说梳理昨天的 CI 失败模型自己决定什么算是值得处理的失败、如何排优先级、尝试怎样的修复、什么时候停止。这个 loop 的行为由作者从未明确编程过的上下文塑造出来。质疑合理的地方以下是可以合理质疑的地方。术语被过度包装。 每隔三个月就会有一个新的复合名词冠在早已熟悉的模式上Context engineering、agent harness、agentic workflows、loop engineering。有一部分确实是词汇的真正演化有一部分是 概念和会议演讲标题的产物。所以要想真正理解这个词底层的概念之前先不要相信这个词。成本问题。 一个按计划运行、生成并行子 agent、不断迭代直到达成目标的 loop会以变化很大的速率消耗 token。对多数团队来说写一个检查部署状态的简单 Python 脚本要比花钱让一个模型每 15 分钟去判断一次这件事划算得多。除非问题本身确实需要运行时的动态判断否则这种能力并不能证明这笔花费合理。演示案例是精心挑选过的。 用来说明 loop engineering 的那些例子——每日 CI 梳理、commit 简报、从上周的 commit 中找 bug——恰好都是模型的动态判断能发挥价值的场景。这会给人留下一种印象loop 在所有场景下都比脚本更好。事实并不是这样因为它们只是在特定情境下更好即工作需要那种无法预先指定的推理时。Harness engineering 与 loop engineering 的关系目前多数解释都略过了这部分。Harness engineering 关注单个 agent 运行所处的执行环境上下文管理、工具权限、重试、日志记录、跨调用的状态持久化。它的作用是防止单个 agent 产生幻觉般的工具调用、在第 40 轮对话时忘记自己的目标或者悄无声息地、高置信度地产出错误结果。搭建过真正的后端系统的人其实已经了解 harness 所做事情的 80%。Loop engineering 关注的是随时间推移编排多个 agent 和多次运行回答的是这样一些问题谁去发现工作谁去执行工作谁去检查工作明天的运行如何知道今天的运行完成了什么Loop 是 harness 之上的控制平面control plane。可以这样理解harness 是单个 agent 生活于其中的东西loop 决定的是何时启动一个 agent、给它什么、以及如何处理它返回的结果。两者解决的是不同的问题并且都需要。Addy 的博客里loop 的五个结构性组成部分是Automations自动化按计划或按事件触发、用来发现工作的 prompt。在 Claude Code 中对应/loop、/goal和 scheduled tasks在 Codex app 中是 Automations 标签页里的 Triage 收件箱。Worktrees工作树为并行 agent 提供隔离。两个 agent 同时写同一个文件和两个工程师在没有协调的情况下提交同一行代码是同一种失败模式。Skills技能把项目知识写下来一次放在对话之外agent 就不用每次运行都从头重新推导约定。另一篇文章专门写过这个称之为 SKILL.md。Connectors连接器Model Context ProtocolMCP集成让 loop 能够在真实环境中行动——开 PR、更新工单、在频道里发通知。Sub-agents子 agentmaker/checker制作者/检查者的分工。写代码的 agent 不是给代码打分的那个。第六个要素是整个结构基础状态state。一个 markdown 文件一个 Linear 看板任何存在于对话之外、记录着尝试过什么、通过了什么、还有什么没解决的东西。模型在多次运行之间会遗忘但是仓库不会。/goal是最有意思的部分多数 loop 的机制都足够眼熟但有一个原语primitive没有干净的先例可以类比。Claude Code 和 Codex 都提供了一个/goal命令。给它一个可验证的停止条件——“test/auth 中的所有测试都通过并且 lint 检查干净”loop 会持续运行直到这个条件为真。每一轮结束后一个单独的、更小的模型会去评估目标是否已经达成做这项工作的 agent 就不是给自己打分的那个。把 maker/checker 分工应用到停止条件本身是真正的新设计领域。这不是 cron job——cron job 是脚本退出时就停止这个是当一个独立的裁判确认结果符合规范时才停止。是否值得付出对应的 token 成本完全取决于问题本身。CI 是否通过这种问题写一个 bash 检查就够了这个 PR 按照安全约定是否可以安全合并这种问题模型的判断可能值得花钱。结论Loop engineering 不是一个根本性的全新范式paradigm而是建立在 agent harness 基本组件之上的一种编排模式被应用于随时间推移进行自主多 agent 工作这个问题上。真正新的是/goal这个原语以及把 maker/checker 分工应用到停止条件上——这是一个真实的设计贡献无法干净地映射到此前的反应式工作流模式上。被过度包装的是应该停止 prompt agent、转而设计 loop这个说法被当成普遍原则来讲。这只是对某一类特定问题正确的做法对多数人马上会想要拿它去试的场景来说其实是浪费。最贴切的类比不会仅仅因为微服务microservices存在就把每一次函数调用都替换成一个微服务只在扩展性问题能够证明其复杂性合理时才用。Loop 也是同样的道理。在问题确实需要的地方构建 loop要足够了解自己的 harness这样才能看清什么时候一个更简单的方案才是正确的选择。从结论到落地生产Loop engineering 还太新目前没有经过实战检验的操作手册。多数尝试它的团队仍在摸索它到底在哪些地方真正有用哪些地方一个更简单的脚本原本就够了。从 Forward Deployed Engineer 的视角看不要一开始就构建 loop。先找出一个反复出现的工作流其中的决策逻辑在运行时确实模糊不清是脚本无法预先指定的那种。用 agent 手动跑几次这个工作流观察它在哪里失败、哪里需要判断力、哪里产出的结果不经过审核就不敢信任。这些观察结果就是 loop 设计的依据。也要留意 token 消耗核算相关成本。每一个新的行业流行词都会把团队推向在基础工作做好之前就先去尝试的方向。结果要么是演示阶段就卡住了要么更糟——真的进入了生产环境然后失败了。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取