AI

每天吃透一个 AI 知识点 —— 循环工程（Loop Engineering）

Posted Cola🌀

转载：小红书 AI产品赵哥

前言🔖

今天，咱们要聊一个最近比较热的概念 —— 循环工程（Loop Engineering）。

你是不是还在这样用 AI？

  • “嘿，AI，帮我写个 Python 脚本，实现这个功能：……”
  • (AI 返回一堆代码)
  • “嗯…… 这里好像有个 bug，你再改改。”
  • (AI 又返回一堆)
  • “不对不对，我的意思是……”

如果觉得这个场景很熟悉，说明你还在 “AI 提示 1.0 时代”，全程陪跑，一勺一勺喂指令，心累。

但真正的高手已经在用一种新方式和 AI 协作。

最近圈内两位大神说了几句话。

  • Peter Steinberger 说：”你不应该手动提示编程智能体了，应该设计循环来提示它。”
  • Anthropic 的 Claude Code 负责人 Boris Cherny 更直接：”我不再手动提示 Claude 了，我运行循环来提示它…… 我的工作是写循环。

看出变化了吗？重点从 “提示 AI” 变成了 “设计循环”。听起来有点玄？ 这篇文章就把 “循环工程” 这个概念讲清楚。

　　

一、人机协作新范式🔖

话说：循环工程到底改变了什么？它改变了我们与 AI 的关系范式。

🔹旧范式：人是主导，AI 是工具（”人机对话” 模式）

在这个范式下，你和 AI 的关系就像一个手艺高超的工匠和他的智能锤子。

  • 你（工匠）：拥有全部的蓝图和最终目标。你需要精确地知道每一步该做什么。
  • AI（锤子）：非常强大，能帮你完成单次、具体的敲击任务。你让它敲，它就敲。但它不知道整个桌子是什么样，也不知道下一步是该敲钉子还是该锯木头。
  • 交互方式：你输入一条指令（“敲这颗钉子”），阅读返回的结果（钉子进去了），再输入下一条指令（“把这块木板锯开”）。整个过程是一问一答、回合制的，你全程在线，一分钟也离不开你。

这个模式的优点是直观、易上手，但缺点也挺明显：你的效率上限，就是你个人输入、思考、判断的速度上限。你无法同时挥舞十把锤子。

　　

🔹新范式：人是设计者，系统是主导，AI 是执行单元（“人设系统” 模式）

在这个范式下，你的角色发生了根本性的转变。你不再是那个亲手干活的工匠，而是变成了设计和运营一个全自动家具工厂的厂长。

  • 你（厂长 / 设计师）：你的工作不再是敲钉子，而是设计整个工厂的生产线（循环）。你定义了 “生产一张桌子” 需要哪些工序、每个工序的标准是什么、工序之间如何衔接、以及如何进行质量检测。
  • 系统（生产线）：这是你设计的核心。它是一个自主运行的流程，知道从哪里获取原材料（任务），如何把任务分解给不同的机器人（AI 智能体），如何检查每个部件的质量，以及如何将它们组装成最终产品。
  • AI（机器人 / 执行单元）：它们是生产线上的具体执行者。有的机器人专门负责切割，有的专门负责打磨，有的专门负责组装。它们被赋予了特定的 “技能”，在系统的调度下高效工作。

　　

二、循环工程的构成：五个组件 + 记忆🔖

一个成熟的循环系统，由五大核心车间和一条贯穿始终的生命线组成。

  1. 自动化车间（定时任务）：工厂的动力心脏，确保生产永不停歇。
  2. 隔离生产区（WorkTree）：为每个任务提供独立工位，防止交叉污染。
  3. 技能培训中心（Skills）：给机器人进行岗前培训，让它们成为专家。
  4. 物流与外部接口（MCP）：连接工厂内外，打通信息和物料流。
  5. 多角色团队（Sub-Agent）：组建专家小组，实现生产与质检分离。以及那条至关重要的生命线：
  6. 中央数据库 / 生产日志（Memory）：记录一切，让工厂拥有长期记忆。

接下来，我们将逐一走进每个车间，详细考察其功能、原理和价值。

　　

🔹2.1 自动化车间：循环任务

这是循环工程的起点。如果没有自动化，所谓的 “循环” 就无从谈起，最多只能算一次手动触发的批处理任务。

【它是什么？】

循环任务（Loop Task），本质上是一个调度和触发机制。它像一个设定好程序的总开关，按照预定的规则，自主地启动、监控和管理任务。

【工作原理详解】

在现代 AI 编程工具中，自动化通常以以下几种形式存在：

  • 定时触发 (Time-based Triggers)：你可以像设置闹钟一样，设定一个任务在特定的时间点或时间间隔执行。
    • Cron Jobs：最经典、最强大的定时任务。你可以用 "0 9 * * 1-5" 这样的表达式，来定义 “在每周一到周五的早上 9 点整” 执行某个任务。这对于日常报告、定时清理等任务非常有用。
    • 间隔循环（/loop）：一种更简单的形式，比如 “每隔 30 分钟，运行一次 @skill-check-new-issues”。这种高频次的轮询，适合需要快速响应的监控类任务。
  • 事件触发 (Hooks)：任务不再是盲目地按时执行，而是在某个特定事件发生时被唤醒。
    • 代码提交钩子 (Git Hooks)：例如，你可以设置一个 post-commit 钩子，每当你提交一次代码，就自动触发一个 AI 来帮你检查提交信息是否规范，或对你修改的代码进行一次快速静态分析。
    • CI/CD 流水线集成：这是企业级应用中最常见的形式。在持续集成 / 持续交付（CI/CD）的流水线中，你可以插入一个 “AI 审查” 节点。例如，当一个 PR 的自动化测试全部通过后，自动触发一个循环，让 AI 子智能体对代码进行深入的逻辑和风格审查。
    • 外部服务 Webhooks：当你在 JIRA 上创建一个新的 bug ticket 时，JIRA 可以向你的循环系统发送一个 Webhook 通知，立即触发一个 “Bug 分析和复现” 的循环。

【核心价值】

自动化的核心价值，是将 “人找事” 的模式，彻底转变为 “事找人” 的模式。它让你的循环系统拥有了主动性和感知能力，能够自主地发现工作，而不是被动地等待你的指令。这把你从重复性的检查工作中解放出来，让你只需关注系统处理后的结果和异常。

此外，还有一个高级的自动化原语叫 /goal。它代表了目标驱动的自动化。你不再告诉 AI 做什么，而是告诉它你希望达到的最终状态是什么。例如，目标是 ./tests/ 目录下的代码覆盖率达到 90% 以上。AI 会启动一个持续的循环，不断地编写测试、运行测试、检查覆盖率，直到这个目标达成。这是一种更高维度的自动化，代表了循环工程的未来方向。

　　

🔹2.2 隔离生产区：工作树 (Work Tree)

当你的工厂开始高速运转，同时处理几十上百个订单（任务）时，混乱就成了最大的敌人。想象一下，两个机器人在同一个工作台上加工不同的零件，结果必然是互相干扰，甚至导致生产事故。

【它是什么？】

工作树（Worktrees），是 Git 版本控制系统提供的一种高级功能，允许你从同一个代码仓库中，同时检出多个不同的分支到物理上相互隔离的目录中。

【工作原理详解】

让我们用一个具象化的比喻来理解。

  • 你的整个代码仓库，就像一栋办公大楼（.git 文件夹是地基和核心结构）。
  • 你的主分支（main 或 master），是大楼的大厅。
  • 当你创建一个工作树时，比如 git worktree add ../project-B-worktree feature-B，就相当于你从大厅出发，在大楼的旁边开辟了一块独立的工地，并建立了一座临时办公室。
  • 这个临时办公室和主楼共享同一个地基和设计图纸（代码历史），但它有自己的门、窗和内部装修（文件系统是独立的）。你在临时办公室里怎么折腾，都不会影响到主楼大厅里的人。

在循环工程中，每当一个新的、需要修改代码的任务被启动时，系统不会在当前的工作目录中直接操作。它会：

  1. 自动创建一个新的工作树，通常以任务 ID 或分支名命名，例如worktrees/fix-bug-456。
  2. 在这个隔离的工作树中，派驻一个或多个 AI 子智能体。
  3. AI 在这个沙盒里，可以随心所欲地进行各种操作：修改、删除、新增文件；安装依赖包；运行测试；甚至把代码改得一团糟再重来…… 这一切都不会对主代码或其他任务产生任何影响。
  4. 任务完成后，如果成功，这个工作树的变更将被整理成一个 PR，等待合并。如果失败或取消，整个工作树目录可以被毫无顾虑地直接删除，不留任何垃圾。

【核心价值】

工作树的核心价值在于，它为大规模并行、无冲突的 AI 协作提供了基础物理隔离。它解决了状态污染和资源竞争这两个在并发系统中极为头疼的问题。有了它，你的循环工厂才能真正实现流水线式生产，同时处理成百上千个任务而不会陷入混乱。

但这里也潜藏着一个 Bug：工具虽然解决了机械碰撞，但你的认知带宽和审查能力成为了新的瓶颈。AI 可以一分钟生成 100 个 PR，但你一天能认真审查几个？这引出了对人类工程师更高层次的要求。

　　

🔹2.3 技能培训中心：Skills

一个刚出厂的 AI 模型，拥有强大的通用学习能力，但对你所在公司的具体业务、技术栈、编码规范、历史包袱一无所知。

如果你每次都指望它临场发挥，靠它那点自信的猜测来工作，那么产出的质量必然是不可控的。

【它是什么？】

技能（Skills），是一种将特定领域的、可复用的项目知识和操作指令，进行结构化封装的机制。它就像是为 AI 量身定制的 SOP（标准作业程序）手册。

【工作原理详解】

一个技能通常是一个独立的文件夹，其核心是 SKILL.md 文件。这个 Markdown 文件不是写给人的，而是写给 AI 看的。它的内容需要极度清晰、明确、无歧义。

一个典型的 code-review.skill 文件夹可能包含：

  • SKILL.md：
# 技能：前端代码审查

## 你的角色
你是一位经验丰富、极其注重细节的前端架构师。你的审查目标是确保代码的健壮性、可维护性和性能。
## 审查清单（必须逐项检查）
1. **代码规范**：是否严格遵守了项目配置的ESLint规则？(运行`npm run lint`确认)
2. **类型安全**：是否为所有新的函数和组件添加了完整的TypeScript类型定义？杜绝使用`any`类型。
3. **组件抽象**：是否存在重复的代码块？是否可以将其抽象成一个可复用的React组件？
4. **性能**：是否存在不必要的`re-render`？是否正确使用了`useMemo`和`useCallback`？
5. **安全性**：是否存在XSS或CSRF漏洞的风险？特别是处理用户输入的地方。
6. **“我们不这样做”规则**：
    * 我们不使用`default export`，因为不利于IDE重构。
    * 我们不直接在组件中进行API调用，必须通过`services`层。这是因为“那次事故”。

## 输出格式
请以列表形式，清晰地指出每个问题，并提供具体的修改建议和代码示例。
  • scripts/（可选）：可以包含一些辅助脚本，比如一个用于检测any类型的特殊脚本。
  • examples/（可选）：可以包含一些正反样例的示例，供 AI 学习。

当循环调用 @skill-code-review 时，AI 会完整地加载并消化这些信息，然后带着这个 “专家人设” 和 “检查清单” 去执行任务。

【核心价值】

技能的核心价值，在于实现了意图的外部化和持久化。

  • 对抗意图债务：AI 每次从零开始都会用猜测填补你意图的空白，这就是意图债务。技能就是把这些意图（约定、规范、背景）写在外面，一次性还清债务。
  • 实现知识复利：你为项目沉淀的技能越多，AI 就越懂你的项目。新来的 AI 也能立即继承所有老员工的经验教训。这是一个知识不断积累和增值的过程。
  • 提升可维护性：当项目规范变化时（比如，决定开始使用default export了），你只需要修改SKILL.md这一个地方。所有依赖此技能的循环都会自动更新，避免了灾难性的批量修改提示语工作。

　　

🔹2.4 物流与外部接口：连接器

一个与世隔绝的工厂是毫无价值的。它需要从外部获取订单（任务），采购原材料（信息），并将成品交付给客户。

【它是什么？】

连接器（Connectors），是让循环系统能够与外部世界进行 API 级别交互的驱动程序。插件（Plugins）通常是围绕特定工具（如 JIRA）的一组连接器和相关技能的集合。

【工作原理详解】

每个连接器都封装了与一个特定服务（如 GitHub API, Slack API, JIRA API）对话的逻辑。它为 AI 提供了一组可以调用的工具函数。

当 AI 决定需要 “创建一个 PR” 时，它实际上并不是在生成 git 命令。它是在调用一个名为 github.create_pull_request 的工具函数，并传入必要的参数（如标题、描述、分支名）。

这个过程对 AI 是透明的。它只需要知道 “我有这个工具可以用”，而不需要关心这个工具背后是如何通过 HTTP 请求、认证、错误处理来与 GitHub 服务器通信的。

【核心价值】

连接器的核心价值在于，它赋予了循环系统在真实数字世界中行动的能力。它将 AI 的智能从纯粹的文本和代码生成，扩展到了能够实际操作和驱动企业级工作流的层面。

　　

🔹2.5 多角色团队：Sub-Agent

“权力导致腐败，绝对的权力导致绝对的腐败。” 这句话在 AI 世界同样适用。让一个 AI 同时负责创造和评判，无异于让它自己监督自己，结果必然是 “你好我好大家好”，而质量隐患则被悄悄掩盖。

【它是什么？】

子智能体（Sub-Agents），是一种将一个复杂的任务分解成多个子角色，并由不同（或带有不同指令）的 AI 实例来分别执行的架构模式。

【工作原理详解】

这不是简单地把一个大提示拆成几个小提示。它的精髓在于角色和指令的差异化。你可以定义一个智能体团队，每个成员都有自己明确的人设和 KPI。

一个常见的代码生成团队配置：

  • 首席架构师
    • 模型：最强、最贵的模型（如 GPT-5.2、Claude-sonnet-4-5）。
    • 指令：不要写任何一行代码。你的唯一任务是深入理解需求，分析现有系统的复杂性，设计出高层次的解决方案、接口和数据结构。输出一份清晰、详细的设计文档。
    • 特点：思考深、成本高、速度慢。
  • 开发工程师
    • 模型：速度快、性价比高的模型。
    • 指令：严格按照首席架构师的设计文档进行编码。不要进行任何自由发挥。你的目标是快速、准确地将设计翻译成代码。
    • 特点：执行快、服从性强。
  • 测试工程师
    • 模型：同样是强力模型，但可能来自不同的公司（例如，用 Minimax M3 来审查 Claude 写的代码），以引入不同的思维模式。
    • 指令：你是全世界最挑剔、最爱找茬的测试工程师。你的工作就是证明这段代码是错的。尝试所有可能的边缘情况、异常输入、并发场景。阅读首席架构师的原始设计，检查开发工程师的实现是否 100% 符合意图。
    • 特点：批判性、对抗性、追求极致。

这三个子智能体形成了一个提出想法 → 实现想法 → 挑战想法的内部博弈和制衡机制。

【核心价值】

子智能体的核心价值在于，通过在系统内部引入建设性冲突，来极大提升产出物的鲁棒性和可靠性。

  • 质量保证：这是在无人监督情况下，你能信任循环系统的唯一原因。因为你知道，代码在交给你之前，已经历过一轮内部的血雨腥风。
  • 任务分解：它也自然地将复杂问题分解成了更小、更易于管理的部分，符合软件工程的基本原则。
  • 成本优化：你可以将最昂贵的模型用在最需要创造性和批判性思维的环节（设计、审查），而将性价比高的模型用在相对机械的编码环节。

　　

🔹2.6 中央数据库 / 生产日志：记忆

一个没有记忆的工厂，每天都是第一天开工。它不知道昨天生产了什么，哪些订单完成了，哪些还在进行中。这样的工厂，只能处理瞬时任务，无法执行任何长期的、有状态的项目。

【它是什么？】

记忆（Memory），是一种将循环的当前状态、历史记录和未来计划，持久化地存储在 AI 上下文之外的机制。

【工作原理详解】

关键在于上下文之外（out of context）。AI 模型的上下文是昂贵且有限的，并且在每次会话结束后都会丢失。因此，真正的记忆必须存储在外部。

常见的实现方式：

  • 简单的文本文件：一个 state.json 或 status.md 文件。循环每次启动时先读取它，每次做出重要决策或完成一个步骤后就更新它。这是最简单直接的方式。
  • 版本控制系统：Git 本身就是一个强大的记忆系统。分支的创建、合并、标签，都可以作为记忆的一部分。PR 的描述和评论区，更是记录了详细的决策过程。
  • 专门的数据库或看板工具：对于非常复杂的循环，可能会使用一个轻量级的数据库（如 SQLite）或通过 API 与 Trello、Linear、JIRA 等看板工具深度集成。任务卡片本身就成了记忆的载体。

比如，那个 status.md 文件里可能会这样记录：

# 循环状态更新 - 2026-06-17
## 已完成
- [x] Bug #123: 修复成功，PR #55 已合并。

## 进行中
- [ ] Bug #124: 正在尝试修复，已生成工作树 `fix-bug-124`。

## 待处理
- [ ] Bug #125: 优先级高，等待分配。

## 失败记录
- [!] Bug #120: 尝试3次修复失败，原因：无法稳定复现。已标记为“需要人工介入”。

【核心价值】

记忆的核心价值在于，它为循环系统提供了时间的维度，使其能够：

  • 处理长期任务：一个需要数天才能完成的重构任务，可以被分解成多个步骤，循环每天完成一步，并通过记忆来知道第二天该从哪里继续。
  • 具备可恢复性：如果循环在执行过程中意外中断，当它重启时，可以读取记忆，从上次中断的地方继续，而不是从头开始。
  • 避免重复工作：记忆记录了已经尝试过的方法和结果，特别是失败的尝试。这可以防止 AI 一遍又一遍地掉进同一个坑里。

五个组件 + 一个记忆，共同构成了循环工程的宏伟蓝图。自动化是动力，工作树是秩序，技能是专业，连接器是触角，子智能体是智慧，记忆把这些串联了起来。

　　

三、循环工程师的三大遗留问题🔖

当你掌握了设计循环工程后，一种前所未有的强大感觉会油然而生。但，所有强大的力量，都伴随着巨大的风险。这些风险，更多地来自于人性的弱点。

🔹问题一：验证责任推卸

症状：你开始无条件地信任循环的产出。“AI 说测试通过了，那肯定就通过了。”“这个 PR 是循环生成的，直接合并吧。”

危险：AI 的验证是基于它被赋予的规则和模型的局限性。它无法理解业务的微妙之处，无法预见现实世界中所有不讲道理的用法。一个通过了所有

自动化检查的 PR，可能在逻辑上存在一个足以让公司承担重大损失的漏洞。

解药：永远记住，你是最终的责任人。把 AI 的审查结果当作一个能力超群的初级工程师给你的审查报告。你需要以一个资深架构师的视角，去进行最终的、带有业务洞察力的元审查。你的价值，体现在那 AI 无法企及的最后 1% 的判断上。

　　

🔹问题二：理解债务

症状：你的循环系统效率极高，每天为你产出海量代码。你开始懒得去阅读和理解这些代码。你对自己亲手维护的代码库，渐渐感到陌生，甚至畏惧。这就是理解债务。

危险：当一个真正棘手的、深层次的问题爆发时，你需要像一个侦探一样，深入代码的肌理去寻找线索。但此时，你发现自己已经不认识代码了。你失去了对系统的掌控力，从一个主人，沦为了一个奴隶。

解药：强制自己进行代码考古。每天 / 每周安排固定时间，去阅读循环生成的、最重要的那些 PR。不是为了找茬，而是为了学习和同步。问自己：

“AI 为什么选择这样实现？有没有更好的方法？这个改动对系统的其他部分有什么潜在影响？” 让审查 AI 代码的过程，成为你自身成长的过程。

　　

🔹问题三：认知的投降

症状：这是最危险的一种。你开始为了逃避思考而使用循环。你不再主动设计和优化循环，而是满足于使用别人提供的模板。你不再批判性地审视 AI 的建议而是全盘接受，因为它看起来很合理，而且自己想也挺麻烦的。

危险：你将自己最重要的核心竞争力 —— 思考、设计、判断、创造 —— 拱手让给了机器。你从一个与 AI 共舞的伙伴，退化成了一个 AI 的接口的操作员。

解药：将自己定位为 AI 的教练。你的工作是训练 AI、引导 AI、挑战 AI。在设计循环时，不断问自己为什么。为什么要这样分工？这个循环的弱点是什么？我如何设计一个实验来测试它的极限？保持这种元认知（Metacognition）层面的思考，是你在 AI 时代不可替代性的终极护城河。