全球Agent都在卷的「Loop工程」：AI自己干活、监工和返工

最近圈内有一则消息传得很广——吴恩达在 X 上发了一篇推文，聊的是 Agent 的 Loop（循环）工程。

图片来源：X

如果你最近半年用过 Claude Code、Codex、Workbuddy、Kimi Work 或者类似的 Agent 产品，应该能明显感受到一种变化：过去是手把手地教 AI 每一步该干什么，现在只要你把需求扔进去，它自己就能写代码、跑代码、报错了还能自己改，直到把事情做出来。

6 月份，OpenClaw（龙虾）创始人 Peter Steinberger 的一条推文引发了大量讨论。就在这之前不久，Google 工程负责人 Addy Osmani 已经系统性地整理了这个概念，并正式提出了 Loop 工程。

图片来源：X

不过从公开信息来看，最早提出 Loop 概念的，也是最早让它在产品中发光发热的，其实是 Claude Code 的创始人 Boris Cherny。到了 6 月底，Anthropic 还专门发了一篇博客，把 Claude Code 里四种核心的 Loop 原语全部公开。

那么，Loop 到底是什么？它对普通用户又意味着什么？

从提示词到 Harness 和 Loop，Agent 到底多了什么？

过去我们用 AI，几乎绕不开提示词。你让模型写代码、改文档、做研究，提示词写得越细，结果就越像样。但当模型进化为 Agent，它不只要回答，还得知道什么时候读文件、什么时候跑命令、什么时候查网页、什么时候停下来问人。这时候，提示词工程和思维链就完全不够用了。

于是，Harness 工程应运而生。你可以把它理解为模型外面那套运行框架，负责接工具、管权限、塞上下文、存状态。模型依然负责推理和生成，但它已经被放进一个可以执行任务的环境里。

“龙虾”官方文档将 Loop 视为“基础”，图片来源：OpenClaw

简单来说，用户给出一个目标，Agent 先理解任务，再抓取上下文，调用工具，观察结果，判断是否完成。没完成？那就继续改，继续跑，继续检查。整个过程就像人类工作的常态：先做一版，发现问题，再修一版，直到结果能交付。

所以 Loop 的重点并不在“循环”这个词本身，而在于循环里到底放了什么。

Claude Code 的例子最典型。它并不是简单地把 Claude 接到终端，而是让模型在一个 while-loop 里反复调用工具、编辑文件、运行命令、观察返回结果。真正复杂的地方反而在循环外面：权限系统、上下文压缩、插件、skills、hooks、子 Agent、会话存储。

Agent 能不能自己转起来，靠的不是模型一时兴起多想几步，而是一套完整的工程设计在托着它走。

这也是吴恩达这次聊 Loop 工程的核心背景。到了 2026 年，Claude Code、Codex、ZCode、MiniMax Code 等 Agent 产品，已经把“写—跑—看结果—再改”变成了默认能力。

- 你让它“帮我写个登录页面”，它写、测、改——这是 goal-based loop；

- 你每发一条消息它回一条——这是 turn-based；

- time-based 是你可以让它每隔两小时自动去检查某个 PR，有更新就帮你 review；

- proactive 更激进，它会自己发现问题、自己开干。比如发现测试覆盖率下降了，它自己去补测试用例。

目标驱动 Loop，图片来源：Anthropic

这波讨论在 5、6 月突然升温，和产品进展也有直接关系。OpenAI 的 Codex 已经不只是“帮你写代码”的入口，而是在独立环境里读仓库、改文件、跑测试，再把日志和结果交回来。Anthropic 这边，Claude Code 本身几乎成了 Loop 工程的最佳样板。Boris Cherny 那句“不再自己写提示词，而是让一个 Agent 去提示 Claude”，听起来有点绕，但意思很明确：人不再负责每一步该怎么问模型，人应该设计一套让模型持续工作的机制。

这也是 Loop 工程真正值得普通用户关注的地方。Loop 工程做得越好，Agent 就越像一个能接住任务的人：你给它方向，它自己往前跑；跑偏了，它能从反馈里拉回来；做完了，它还会把过程和结果交给你检查。

杀死提示词，对咱们普通人到底有什么用？

过去用 AI，很像和一个聪明但没经验的实习生合作。你得告诉它每一步怎么做，什么时候停，哪里需要查资料，哪里不能乱编。你指挥得越细，它表现越好；你说得越粗，它越容易跑偏。

而 Loop 做得好的 Agent，更像一个已经知道基本工作流程的人。你不需要每次都提醒它“如果代码报错就继续修”，因为测试和返工本来就是循环的一部分。你甚至不用把所有上下文一次性塞进对话框，因为 Agent 可以通过文件系统、搜索工具、记忆和索引，逐步拿到需要的信息。

以前用户在写提示词时，经常要扮演产品经理、项目经理、测试工程师和老师。你要给需求、拆步骤、盯进度、改错误。以后，用户更像是在设目标和验收结果。

举个例子，你让一个 Agent 做旅行计划。过去你得写：预算多少、天数多少、先查机票、再查酒店、注意交通、给我表格、最后总结。Loop 做好以后，你只要说“下个月去东京 5 天，预算中等，想少折腾，多看展”，Agent 就应该能自己查时间、比价格、排路线、发现冲突、给出方案，甚至在你反馈“第二天太满”之后，自动重排。

另一方面，软件工程天然适合 Loop。目标可以写成 issue，过程可以拆成文件修改，工具可以跑测试，结果可以用 diff 和 CI 验证。Agent 写错了，系统马上能看到报错；修好了，也能看到测试通过。这种反馈闭环清楚、可验证、可沉淀，所以 Claude Code、Codex、ZCode、MiniMax Code 都先从代码场景打穿。

图片来源：智谱 Zcode

但代码只是开始。研究、表格、PPT、数据分析、客服工单、法务检索、招聘筛选、运营监控——都有类似的特征：任务不是一句话能做完，但成功标准可以被写出来，过程可以被记录，结果可以被检查。

人不再盯着每一步，而是负责定方向、看结果、改规格。吴恩达提到的 developer feedback loop，就是说 AI 可以加速内部执行循环，但人依然要在更高一层循环里判断方向是否对。

另外，体验不好的 Agent，给人的第一印象往往是“不稳定”“乱点工具”“越做越偏”。但从工程角度看，Loop 恰恰为可靠性提供了一个抓手。

在 Loop 工程的设计下，Agent 为什么搜索这个页面、为什么修改这个文件、为什么调用这个工具、为什么判断任务已经完成——这些都可以被记录。修复可以变成 skill，项目规则可以写进 AGENTS.md、CLAUDE.md 或类似的记忆文件。下一次 Agent 再做同类任务，就不需要重新摸索。

写在最后

过去三年，我们使用 AI 的方式经历了几次大的变化，但底层逻辑没变——都是人发指令，AI 执行，人再判断结果。人一直在循环里，是驱动整个系统的核心。Loop 工程第一次把人从循环的中心移到了循环的外面：人不再是司机，变成了导航。

这个变化的影响比想象中要深远。对开发者来说，核心竞争力变成了定义问题、设计验收标准的能力。对产品来说，迭代速度会进一步加快，倒逼产品团队更懂用户、更懂业务——因为技术不再是瓶颈，判断力才是。

好在从今年的情况看，模型进步的速度还没慢下来。GPT-5.5、Claude 5、GLM-5.2、M3、K2.6、DeepSeek V4——半年时间，各家都更新了一代，而且每一代在 Agent 能力上都有明显提升。

模型越来越强，Loop 越转越顺，人越来越往外退。这个趋势已经很清晰了。

这件事听起来好像只是效率提升，但仔细想想，它可能是 AI 从“工具”变成“协作者”的关键一步。工具是你用它，你得知道怎么用、每一步怎么操作。协作者是你告诉它目标，它自己想办法，你们一起把事情做成。

我们现在可能就站在这条分界线上。