你不需要成为一个好的提示词工程师。你需要成为那个设计循环、让循环替你写提示词的人。
2026年 6月，一场关于 AI 工作方式的范式转变正在发生。Anthropic Claude Code 负责人 Boris Cherny 说："我不再给 Claude 写提示词了，我的工作是写循环。" Google 工程师 Addy Osmani 随即发表长文，正式将这种实践命名为 Loop Engineering（循环工程）。 这篇文章会用最直白的方式解释：什么是 Loop Engineering，它和你现在的工作方式有什么不同，以及你明天就可以开始用的实操方法。
一、先搞清楚一件事：提示词 vs 循环
你现在用 AI 的方式，大概率是这样的：
打开对话 → 写一个提示词 → 读回复 → 再写下一个提示词 → 再读回复……
你在全程"手握工具"，一轮接一轮地操作。AI 是一个被动的工具，你是唯一的驱动力。
Loop Engineering 说的是另一种工作姿态：
你设计一个系统 → 这个系统自己去给 AI 下指令 → 自己检查结果 → 自己决定下一步做什么 → 你只在关键节点介入审核。
区别不在于 AI 变强了，而在于你的角色变了——从"操作员"变成"系统设计者"。
用一个比喻来说：以前你是亲自上场打每一个球的球员，现在你是设计战术板的教练。球员（AI）按照你的战术自己跑位、传球、射门，你在场边观察，只在需要换人或调整战术时介入。
二、一个循环到底长什么样？
Anthropic 在其官方博客《Building Effective Agents》中给出了 Agent 的核心定义：LLM 在一个循环中自主使用工具。 模型调用工具、获取环境反馈、再决定下一步，如此往复直到任务完成。
Addy Osmani 在此基础上，把一个完整的 Loop 拆解成了六个组件。不要被这个数字吓到——你不需要一次性全部搭建，理解每个部件的作用就够了。
1. 自动化（Automations）—— 心跳
自动化是让循环成为"循环"而不是"一次性运行"的关键。它就是一个触发器：一个定时任务、一个 webhook、一个文件变更监听。没有它，你所谓的"循环"只是一个你手动执行了一次的脚本。
最简单的自动化： 每天早上 8 点，自动运行一段指令，让 AI 读取昨天的关键信息，把发现写进一个文件。就这样，这已经是一个循环了。
2. 工作树（Worktrees）—— 隔离墙
当你同时让多个 AI 干不同的活时，它们可能会互相踩脚——两个 AI 同时改同一个文件，结果就乱了。工作树给每个 AI 一个独立的工作空间，互不干扰。
通俗理解： 就像给每个员工一张独立的办公桌，而不是让所有人挤在同一台电脑前。
3. 技能（Skills）—— 操作手册
你有没有这种体验：每次和 AI 对话，都要重新解释一遍你的项目背景、写作规范、代码风格？技能文件解决的就是这个问题。它是一份写好的文档，AI 每次运行时先读它，就像新员工入职先看 SOP 手册。
关键价值： 你解释一次，所有循环都能读到，知识被复用而不是每次从零开始。
4. 连接器（Connectors）—— 触手
一个只能读写本地文件的循环是受限的。连接器让 AI 能操作你真正在用的工具——读飞书消息、查数据库、发 Slack 通知、提交 PR。连接器是循环从"给你建议"升级到"帮你执行"的桥梁。 5. 子代理（Sub-agents）—— 写作者和审查者
这是循环中最关键的结构设计：写东西的 AI 和检查东西的 AI 必须是两个。
Anthropic 在官方博客中专门定义了这种模式，叫 Evaluator-Optimizer（评估者-优化者）：一个 AI 生成内容，另一个 AI 根据客观标准评审，循环迭代直到通过。
为什么？因为同一个 AI 既写又查，就像学生自己给自己的作业打分——打分太宽松了。
6. 记忆（Memory）—— 状态文件
AI 每次运行之间会忘记一切。这是循环架构的核心事实。解决方案很朴素：一个 Markdown 文件，放在所有循环都能读写的位置。AI 每次运行开始时先读它，结束时把做了什么、下一步计划写回去。
Addy Osmani 说得很直接：Agent 会忘，但文件不会。
这个文件的结构通常是四个部分：上次做了什么、当前在做什么、被什么阻塞了、下一步要尝试什么。保持简短，别让 AI 去读 2000 行的记忆——那还不如没有记忆。
三、为什么这件事现在重要了？
Anthropic 的官方工程博客在定义 Agent 时，措辞从早期的"workflow vs agent"逐步收敛到一句话：Agent 就是 LLM 在循环中自主使用工具。 他们观察到整个行业都在向这个范式收敛。
同时，Anthropic 提出了一个重要的设计原则：从最简单的方案开始，只在必要时增加复杂度。 很多任务用单次 LLM 调用加上检索和上下文示例就够了。只有当任务需要灵活性和模型驱动的决策时，才值得构建 Agent 循环。
这意味着 Loop Engineering 不是"所有工作都要用循环"，而是识别哪些工作值得被循环化。判断标准很简单：这件事你是不是每天/每周都在重复做，而且每次做的步骤基本一样？ 如果是，它就是循环的候选人。
四、实操：从零开始构建你的第一个循环
第一步：找到你的重复性任务
翻一下你过去一周的工作记录，找到那些你做了三次以上、步骤基本固定的任务。比如：
选最简单的那一个，作为你的第一个循环。
第二步：创建状态文件
在你的项目目录下创建一个 STATE.md，写入以下结构：
这个文件就是你的循环的全部记忆。简单到不能再简单，但它就是有效。
第三步：写一个触发器
最简单的触发器就是一个定时任务。你不需要从复杂的 webhook 开始，一个 cron job 就够了：
如果你用的是 Claude Code，它内置了 /loop（按间隔重复运行）和 /goal（持续运行直到满足条件）两个原语。
第四步：设定硬性停止条件
没有退出条件的循环会失控。你的停止条件必须是可被外部验证的客观标准，而不是"AI 说它做完了"。
好的停止条件：测试全部通过、文章字数在 1100-1500 之间且包含必需章节、所有待处理 issue 已分类完毕。
坏的停止条件：AI 回复"任务完成"。
同时设置一个最大迭代次数作为兜底，一般 10-20 次。如果达到上限仍未满足条件，停下来交给人工。
第五步：从 Level 1 开始，逐步放手
Boris Cherny 提出了一个"自主梯度"的概念：
新循环永远从 Level 1 或 2 开始。 让它跑一周，每天看它的输出，纠正错误。当循环能持续产出你无需修改就会批准的结果时，再升级。Level 4 是靠表现挣来的，不是默认的。
五、第一个循环跑起来后，怎么扩展？
让循环之间互相连接
你的第二个循环不应该是和第一个完全独立的另一件事，而应该和第一个形成管道。
一个常见的组合：
- 循环 A（发现）：每天早上扫描信息源，按规则筛选分级，结果写入
TRIAGE.md
- 循环 B（执行）：读取
TRIAGE.md，对最高优先级的项目生成初稿，写入 DRAFTS.md
两个循环通过共享文件连接。各自独立运行，但合在一起就是一条从"发现问题"到"开始处理"的自动管道。
让循环共享技能
一旦你为"如何筛选新闻"写了一个技能文件，所有涉及新闻筛选的循环都读取同一份技能。你不需要在每个循环里重新解释一遍规则。
这是循环比单次提示词更有杠杆的根本原因：知识被编码一次，被复用无数次。
六、容易踩的坑
Token 成本会爆炸
一次写错的提示词只是浪费一次调用。但一个写错的循环无人值守跑一整夜，是一笔实实在在的账单。
在让任何循环无人值守运行之前：手动跑 3-5 次，记录每次的 Token 消耗。用最大迭代次数乘以单次消耗，算出单次运行的最差成本。再乘以触发频率，得出每日最差成本。
检查者必须有硬信号
让第二个 AI "审查"第一个 AI 的输出，如果没有客观标准，只是多了一个乐观主义者。检查者需要的是硬性关卡：测试套件、lint 规则、字数要求、格式校验——而不是"你觉得这个怎么样"。
对于内容生产场景，你需要自己构建"内容 CI"：把你的写作规范中所有可量化的规则（标题字数、段落数量、禁用词汇、必含要素）变成可自动检测的校验器。
理解力债务会悄悄累积
Addy Osmani 特别警告了一个风险：循环跑得越快，你对输出物的理解就越容易落后。他称之为 Comprehension Debt（理解力债务）。循环替你产出了大量内容或代码，但如果你不读它产出的东西，你和自己的项目之间就会出现认知断层。
设计循环的人必须同时是审查输出的人。 这不是可选项。
七、一句话总结
Loop Engineering 的核心不是什么新技术，而是一个思维转变：你的工作不再是给 AI 写指令，而是设计一个能自己给 AI 写指令的系统。
你写的提示词变少了，不是因为你做得少了，而是因为循环在替你写提示词。你的注意力转移到了真正需要人类参与的部分：审查节点、停止条件、以及下一个值得构建的循环。
正如 Addy Osmani 的结尾所说：去构建你的循环，但要像一个打算继续当工程师的人那样去构建它——而不是一个只想按下启动键的人。
AI 速览
