- "循环工程"(Loop Engineering)成为 AI 开发领域新热词,源自 Claude Code 创建者鲍里斯·切尔尼和 OpenClaw 创建者彼得·施泰因贝格尔的公开讨论
- 吴恩达提出三层嵌套循环:智能体编码循环(分钟级)、开发者反馈循环(小时级)、外部反馈循环(天/周级)
- 编码智能体的自测试能力大幅提升,开发者正从"QA 角色"转向"产品决策者"
- 人类的不可替代性不在于"品味"这个模糊概念,而在于具体的背景信息优势——我们比 AI 更了解用户和产品运作环境
- 工程师正在承担产品经理角色,产品经理也在做更多工程工作——角色边界正在融合
循环工程:从流行语到方法论
"循环工程"(Loop Engineering)这个词在 2026 年中成为 AI 开发社区的高频词汇。它的走红源自两个人的公开言论:Claude Code 的创建者鲍里斯·切尔尼(Boris Cherny)和 OpenClaw 的创建者彼得·施泰因贝格尔(Peter Steinberger)。两人不约而同地指出:让 AI 智能体在闭环中持续迭代,是当前 AI 辅助编程最有效的工作模式。 吴恩达(Andrew Ng)在最新一期 newsletter 中对这个概念做了系统化的阐述。他分享了自己在构建从零到一产品时遵循的三个关键循环——这三个循环不仅定义了他如何构建软件,也定义了他决定构建什么软件。
这不是一个理论框架。吴恩达用一个具体案例贯穿全文:他为女儿构建了一个练习打字的应用程序。在这个项目中,编码智能体可以独立工作约一小时,多次使用浏览器检查构建结果,全程无需人工干预。
第一层:智能体编码循环(分钟级)
输入: 产品规格说明 +(可选)一组评估标准(用于衡量性能的数据集)
过程: AI 智能体编写代码 → 测试代码 → 发现问题 → 修复代码 → 重新测试 → 循环直到代码无缺陷且符合规格
节奏: 每隔几分钟,编码智能体就可能构建并测试一个新版本
这个最内层循环的关键特征是自主性——智能体在没有人类介入的情况下完成"写-测-修"的完整闭环。这个想法大约在 2025 年底开始流行,它根本性地改变了编码智能体的工作方式:从需要人类逐步确认的协作模式,变成了长时间自主迭代的独立模式。
吴恩达指出,这是一个"充满创新的活跃领域"——开发者们正在不断寻找新方法来设计更高效的工程循环。优化方向包括:更好的自测试策略、更精确的规格说明格式、更有效的评估标准设计。
核心洞察: 这一层的效率取决于两件事——规格说明的清晰度,以及评估标准的存在与否。没有评估标准的智能体容易在"看起来对"和"真的对"之间迷失。
第二层:开发者反馈循环(小时级)
输入: 智能体产出的当前版本产品
过程: 开发者审查产品 → 做出产品级决策 → 更新规格说明 → 将新指令传递给编码智能体
节奏: 几十分钟到几小时
这一层发生了一个重要的角色转变。吴恩达坦承,去年(2025 年)他和许多开发者一样,主要充当编码智能体的 QA 角色——手动查找 bug,然后要求智能体修复。但随着编码智能体自测试能力的大幅提升,这种低层次的质量检查工作已经显著减少。
开发者被释放出来做更高级别的工作:
以打字应用为例,吴恩达在这一层多次改变主意——关于视觉设计、关于她学习时可以解锁的猫咪服装(他女儿爱猫)、关于成年人登录并引导孩子学习体验的用户流程。这些都是产品决策,不是工程决策。
核心洞察: 将愿景转化为编码智能体可执行的规格说明,仍然需要大量工作。而且在看到实现结果后,开发者往往会更新或澄清规格说明。这个"从愿景到规格"的翻译过程,是当前 AI 辅助开发中摩擦最大的环节。
第三层:外部反馈循环(天/周级)
输入: 来自真实用户的反馈数据
过程: 向朋友征求反馈 / Alpha 测试 / A/B 测试 → 数据反馈到开发者愿景 → 驱动规格更新 → 驱动编码智能体
节奏: 几天到几周
这是最慢的一层,但也是唯一连接真实世界的层。前两层循环可以无限快速地迭代,但如果方向错了,快速迭代只是"高效地走向错误的终点"。外部反馈循环的价值在于方向校正。
吴恩达观察到,越来越多的 AI 原生团队正在利用 AI 来加速这一层——自动收集和分析使用数据、总结书面和口头的客户反馈、进行竞争分析。但他对完全自动化持谨慎态度。
人类的不可替代性:不是"品味",是信息优势
吴恩达在文中提出了一个重要的概念澄清。
很多人把人类在 AI 开发循环中的角色描述为"品味"(taste)——一种模糊的、难以言说的审美判断力。吴恩达明确反对这种说法。他更倾向于将其定义为背景信息优势(contextual information advantage):
人类比 AI 系统更了解用户以及产品必须运作的环境。
这个重新定义不是文字游戏,而是具有操作性含义的:
- 如果人类优势是"品味",那它不可传授、不可量化、无法系统性提升
- 如果人类优势是"背景信息",那我们就有了一条清晰的路径来帮助 AI 系统变得更好——把人类知道但 AI 不知道的信息注入系统
这也解释了为什么开发者反馈循环无法完全自动化:只要人类知道 AI 不知道的事情,就需要人在循环中来将这些知识注入系统。 这个条件在可预见的未来都将成立——因为 AI 系统无法直接观察用户的物理环境、社会关系、情绪状态和文化背景。
角色融合:工程师变产品经理,产品经理变工程师
吴恩达指出了一个正在发生的结构性变化:随着编码智能体加速软件开发,越来越多的工程师开始承担产品管理角色。反过来,产品经理和设计师也在做更多工程工作。
对于正在向产品角色成长的工程师,他认为最困难的部分是:
- 塑造产品愿景 — 不是"能构建什么"而是"应该构建什么"
- 在构建和获取反馈之间取得平衡 — 弥合愿景与规格之间的差距,同时持续从用户反馈中演进愿景
这两者都很重要,且相互依赖。只构建不获取反馈会导致闭门造车;只收集反馈不快速构建会导致失去迭代窗口。三层循环框架的价值在于:它把这种平衡从直觉变成了结构。
循环工程的实践含义
如果接受吴恩达的三层框架,对当前 AI 产品开发有几个直接的操作启示:
1. 投资于规格说明的质量,而非 prompt 的技巧。
智能体编码循环的效率瓶颈不是智能体的能力,而是输入规格的清晰度。一份好的规格说明比一百条 prompt 优化技巧更有价值。如果你发现系统反复遇到某些问题,正确的做法不是"换个说法",而是为智能体构建一套评估标准。
2. 把"QA 时间"重新分配给"产品决策时间"。
如果你还在花大量时间手动检查智能体写的代码是否有 bug,你的工作流可能已经过时了。让智能体自测试,把你的时间留给它无法做的事——决定功能方向、判断用户体验、选择取舍。
3. 缩短外部反馈循环,而不是内部编码循环。
大多数团队在优化的是如何让智能体跑得更快。但真正的瓶颈往往在最外层——你多久能拿到一次真实用户反馈。把 Alpha 测试从"几周"压缩到"几天",比把编码循环从"5 分钟"压缩到"3 分钟"更有价值。
4. 建立"评估标准"作为累积资产。
吴恩达提到评估标准是可选的,但"如果你发现系统反复遇到某些问题,为智能体构建一套评估标准就会变得很有用。" 这些评估标准是跨项目可复用的资产,也是团队工程知识的结构化沉淀。
循环工程与 AI 主权的交叉
值得注意的是,三层循环框架中隐含了一个数据流向问题:
- 智能体编码循环中,你的规格说明、评估标准、代码库结构全部流入 AI 系统
- 开发者反馈循环中,你的产品决策模式、优先级判断、迭代轨迹被记录
如果这三层循环全部跑在闭源平台上,平台方从中获取的不仅是你的代码——而是你整个产品决策过程的高清录像。这些过程数据的价值远超代码本身。
循环工程让开发效率大幅提升的同时,也让数据流出的密度和维度成倍增加。这是一个值得任何严肃团队在选择工具栈时考虑的权衡。
结语
吴恩达的三层循环框架,本质上是对"AI 时代人机协作应该长什么样"的一个结构化回答:
- 中间层(小时级):人类做产品决策,把决策翻译成规格
- 最外层(天/周级):从真实用户那里获取方向校正信号
这三层循环的嵌套关系意味着:越外层的循环,单次迭代的价值越高、对最终产品方向的影响越大。但大多数开发者的注意力分配恰好相反——花大量时间优化最内层的 prompt 技巧,而忽略了外层的产品愿景和用户反馈。
循环工程的真正启示不是"如何让 AI 跑得更快"——而是当执行层被自动化之后,人类的价值锚点从"能写出好代码"转移到了"能做出好决策"。这不是对工程师的替代,而是对工程师角色的重新定义。