提示词过时？AI最新颠覆性玩法“无限流”全面解析

AI行业的术语更新速度令人惊叹。回顾过去一年，层出不穷的新概念让人应接不暇。

先是提示词工程（Prompt Engineering）兴起，接着是Harness工程（Harness Engineering），而现在，我们迎来了循环工程（Loop Engineering）时代。最初，模型的能力似乎完全取决于我们输入的优质Prompt；随后，业界意识到，通过构建稳定的框架（Harness）来约束模型，才是产出可靠结果的关键。

到了当下，最新的趋势是“循环工程”（Loop Engineering）。无论是精心设计提示词，还是构建精巧的约束框架，其重要性似乎都无法与设计一个高效的工作循环相提并论。

被业界戏称为“龙虾之父”的AI专家在X平台发文指出，在Coding Agent这类产品中，核心不应是撰写提示词，而应聚焦于设计一系列驱动Agent运行的循环机制。紧接着，Codex负责人Tibo转发了该观点，并向社区发问：“你们是否已经开始编写嵌套循环了？”

作为Codex的竞争对手，Claude Code的产品负责人Boris Cherny也在播客访谈中分享了他的洞见：“我们不应再直接与Agent对话，而是要与循环（loop）交互，让循环反过来引导和驱动‘提示’过程。”

在Claude公司近期举办的回顾Claude Code一周年节目中，其负责人Boris Cherny与产品负责人Cat Wu交流时，均对Loop机制表现出浓厚兴趣。他们认为，Loop有望成为AI协作的下一个重大飞跃（Leap）。

与循环对话？那么，这个“循环”究竟是什么？目前看来，所谓的“循环工程”似乎尚未在具体项目中带来颠覆性的变革。例如，通过控制变量法对比：一个项目采用循环工程，另一个则否，两者的最终产出真的会有天壤之别吗？

这些术语毫无征兆地出现在社交媒体上。有观点认为，无需深究“循环工程”的定义，它本质上可能只是一种炒作和营销手段。

对于那些真正在使用Agent的用户而言，“循环工程”可能是一个自然形成的过程，而非需要刻意遵循的一套特定流程。并非只有符合那套标准，才配叫“循环工程”。

所以，这究竟是“新瓶装旧酒”——一套古老的思维方法论，被套上了时髦的新名词？

从撰写提示词，到设计循环

如果仅从技术实现层面来看，循环工程并未发明全然全新的东西。Harness、Skill、Agent Workflow等系统，在过去几年里都致力于让Agent能够自主规划、执行、反思并持续执行。

但如今人们重新讨论Loop，根本原因在于模型终于具备了让循环“跑通”的能力。当Agent能连续工作数十分钟、数小时，甚至跨天完成任务时，人与AI协作的基本单位，也从“一次对话”转变为“一个完整的闭环回路”。

什么是循环工程？听起来很新颖，但描述的场景其实非常日常：你让AI写代码，它完成后你运行测试；测试报错，你将错误信息贴回去；AI修改代码；你再跑测试。如此往复，直到代码通过为止。

这就是一个最原始的工作循环：行动、观察、修正、再行动。

其核心区别在于：过去，每一次迭代都依赖人工手动推进（复制错误、追问原因、提醒修正、判断何时停止）。而循环工程所做的，正是将这些重复性劳动固化为规则，交由系统自动执行。

一个完整的循环，至少需要回答五个关键问题：AI何时开始工作？它能调用哪些工具？它如何知道自己犯了错？它如何记录和保存每一轮的结果？它必须在何种情况下停止并交回人类控制？

因此，循环工程更像是一套严谨的工作制度：为AI设定目标、分配工具、建立反馈机制、提供记忆模块、安装“刹车”系统。在此框架下，prompt只是这个复杂系统中最微小的零件之一。

应用在代码项目中，它可能表现为：每天清晨，系统自动检查昨晚失败的代码提交。AI读取日志，判断问题是源于测试波动、依赖冲突，还是近期提交引入的Bug。对于可复现的问题，AI会在独立的工作目录中尝试修复、运行测试，通过后自动提交一个草稿PR。对于原因不明的问题，AI会将现场信息、已尝试的解决方法和下一步建议整理成文档，等待开发者介入处理。

应用于我们的日常工作流中，它可以是：每天早晨，AI自动抓取指定的新闻源、社交平台和行业博客。它从中筛选出5个可能成文的选题，并附上来源链接、关键人物、争议焦点、可用截图以及一句话判断。对于资料不足的部分，它会明确标记出来。当这份资料呈现在我们面前时，它已经是一张结构清晰的选题卡片。

“龙虾之父”也在X平台分享了他的循环工程实践：他让Codex负责维护自己的代码仓库，每5分钟唤醒一次，并将工作分配给不同的线程。他声称，通过综合运用统筹能力、分类机制、自动审核和Computer Use等技能，已经能使部分工作实现全自主运行。

这听起来与Claude Code主推的“做梦”机制以及Hermes Agent的“自进化”功能颇为相似——让Agent从过往的上下文中学习知识，并不断优化整个工作流程。

这正是循环工程带来的核心变革：在Prompt Engineering时代，人的工作是撰写一句好的提示词。在Harness Engineering时代，人的工作是构建一个模型运行的框架。到了Loop Engineering时代，人的工作再次后退一层，专注于设计和管理整个反馈循环系统。

一个工作循环的构成要素

一个能够有效运行的循环，通常包含几个关键组成部分。

根据Google Cloud AI总监Addy Osmani在X平台发布的关于循环工程的文章，一套完整的循环工程体系由五个基础积木和一个用于记录的“记事本”组成。

这五个积木分别是：定时任务（Scheduled Task）、工作目录（Worktree）、技能（Skill）、连接器（Connector）、子Agent（Child Agent），外加一个“记事本”——状态文件（State File）。

定时任务：在Codex中它叫Automations，在OpenClaw中是HEARTBEAT，在Claude Cowork里是Scheduled。通过配置定时任务，我们可以选择目标项目、自定义提示词、并设定执行频率。这是实现自动化循环的第一步。设置定时任务时，类似于在Codex中使用Goal模式，让Agent自主运行，直到达成预设目标。

Worktree（工作目录）的作用是为每个Agent提供一个独立的工作空间，确保在循环工程中，不同Agent仅修改各自负责的分支，避免冲突。而Skill（技能）的存在，让循环的每一轮都能准确理解项目背景。通过将项目知识（构建步骤、团队约定、历史教训等）写入文件，Agent获得了更充分的上下文记忆去处理任务。

连接器（Connector）的核心目标是通过MCP协议跳出单个文件系统的限制，获取外部数据库、API及其他系统信息，从而完善整个工作循环。子Agent（Child Agent）是整个体系中最关键的结构——写代码的和审核代码的必须由不同角色担任。换个指令、甚至模型都不同的Agent来进行审查，才能发现真正的问题。

记忆（Memory）也至关重要。许多AI工作流每天都在重复，但每次却从零开始。昨天刚确认的事实，今天需要重新验证；上周已否决的标题风格，这周再次被生成；某个信息来源经常不可靠，但AI下次依然会引用。除了通过更新Skill来规范Agent行为，工作循环还需要一个位于聊天框之外的记忆存储位置。

这个“记事本”——状态文件（State File），存在于单次对话之外。它可以是一个文档、表格、看板，或者一份项目规则。其中记录了已确认的信息、踩过的坑、偏好的格式、禁用的表达方式、以及上次未解决的问题。AI每次启动时先读取这份文件，就能实现有效的“断点续传”。

如何上手循环工程

循环工程之所以常被开发者讨论，是因为代码场景拥有天然的反馈机制：测试能否通过、程序能否运行、错误日志在哪里。这使得代码开发看起来非常适合应用循环。

但正如Coding Agent最终演变为适用于所有人的Agent一样，循环的适用范围也远不止编程。

在内容创作领域，它可以用于选题筛选、资料整理、初稿生成、事实核查、标题优化以及发布前检查。在客户服务领域，它可以先读取客户来信，判断问题类型，整理历史记录，生成回复草稿，并将敏感投诉转交给人工处理。AI不需要直接发出所有回复，它只需先完成问题分类和资料准备，就能大幅节省时间。

在产品与运营工作中，它可以定期整理用户反馈、应用商店评论、社交媒体讨论和竞品动态。在研究工作中，它可以追踪特定主题下的新论文、新报告、新数据。通过每天或每周更新，将新增内容与已有判断进行比对。

这些场景的共同特点是：任务会重复出现，流程相对稳定，结果可以被检查，且关键决策权仍掌握在人类手中。

然而，真正入门循环工程并非易事，因为它有一个硬性前提：充裕的Token供应。

循环会反复读取上下文、反复重试、四处探索。无论最终是否产生有效产出，Token都在持续消耗。那些拥有无限Token配额的人（如“龙虾之父”、Claude Code负责人、Google Cloud AI总监）自然会认为循环是理所当然的。但对于月付20美元的用户来说，循环运行两天可能就会触及每周的Token限额。

此外，任务还必须具备足够的重复频率。如果是“一次性”的活，一句好的提示词可能更快、更便宜；重复频率太低，Agent就无法从循环中学习到有价值的模式。而高频率的循环又必须配备自动验证、测试、类型检查、构建流水线，确保Agent在无人监督时能将“烂活”拦截下来。Agent本身也需要具备高级工程师的素养：会写日志、能搭建复现环境、能执行自己编写的代码。

上述任何一条缺失，都可能导致循环的成本远超其回报。而Token成本这个现实问题，其实恰好把这个火热的概念拉回了地面——循环工程并不会让AI协作变得零成本，它只是将成本从“人类逐一盯着”的时间成本，转移到了“系统一轮轮运行”的货币成本。

新的变化在于，随着模型能力越来越强，这笔成本账正在发生转变。过去，任务失败后，人类只能回来继续追问、补充上下文、重新解释需求。而今天，AI在很多情况下已经能自主尝试、自我验证、自行修正，然后将结果提交回来。如果一次循环消耗的Token量，已经接近人类来回追问几轮的隐性成本，那么真正值得优化的对象，可能就不再是某一句具体的提示词，而是整个反馈回路的效率。

因此，循环工程最值得探讨之处，或许不在于它是否算得上一个全新的学科。

一个更现实的问题是：当AI已经能够连续处理多轮任务时，人类是否还需要继续将自己卡在每一次“追问-响应”的循环里？

有些工作，确实只需要一句精妙的提示词。而有些工作，则需要一套能够反复运行、留下记录、并能在适当时机及时停止的流程。

在当下看来，这个分界线，可能比“循环工程”这个名字本身，重要得多。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：提示词过时？AI最新颠覆性玩法“无限流”全面解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题