全球Agent都在卷的「Loop工程」：AI自己干活、监工和返工

最近业内流传着一则热门消息——吴恩达在 X 平台发布了一篇推文，深入探讨了 Agent 的循环（Loop）工程机制。

图片来源：X

如果你近半年使用过 Claude Code、Codex、Workbuddy、Kimi Work 或类似的智能体产品，应该能明显感受到一项重大变化：过去需要手把手地教导 AI 每一步该做什么，如今只需将需求输入，它就能自动编写代码、运行代码、发现错误后自行修正，直至完成任务。

这种“自主运转”的能力，正是 Loop 工程在 Agent 产品中的落地体现。

“你不再需要为 Coding Agent 撰写提示词，而应该设计 Loop。”6 月份，OpenClaw（龙虾）创始人 Peter Steinberger 的一条推文引起了广泛讨论。就在此前不久，Google 工程负责人 Addy Osmani 已系统性地梳理了这一概念，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，并率先将其在产品中落地发光的，其实是 Claude Code 的创始人 Boris Cherny。到了 6 月底，Anthropic 还专门发布了一篇博客，详细公开了 Claude Code 中四种核心的 Loop 原语。

短短一个月内，Loop 工程完成了从概念到行业共识的华丽转变，并迅速成为主流焦点。那么，Loop 究竟是什么？它对普通用户又意味着什么？

从提示词到 Harness 与 Loop，Agent 究竟多了哪些变化？

过去我们使用 AI，几乎离不开提示词。你让模型写代码、改文档、做研究，提示词写得越细致，结果就越符合预期。但当模型进化为 Agent，它不仅需要回答问题，还得知道何时读取文件、何时运行命令、何时查询网页、何时停下来向用户请示。此时，提示词工程和思维链已经远远不够用。

于是，Harness 工程应运而生。你可以把它理解为模型外部的运行框架，负责连接工具、管理权限、装载上下文、存储状态。模型依然负责推理和生成，但已经被放入一个能够执行任务的运行环境里。

Loop 工程则更进一步——它关注的核心是，如何让 Agent 围绕一个目标持续“循环”运作。

“龙虾”官方文档将 Loop 视为“基础”，图片来源：OpenClaw

简而言之，用户给出一个目标，Agent 先理解任务，再获取上下文，调用工具，观察结果，判断是否完成。如果未完成？那就继续改进，继续运行，继续检查。整个过程类似于人类工作的常态：先做一版，发现问题，再修订一版，直到结果可交付。

因此，Loop 的重点并不在于“循环”这个概念本身，而在于循环中究竟包含了哪些环节。

Claude Code 是最典型的例子。它并非简单地将 Claude 接入终端，而是让模型在一个 while-loop 中反复调用工具、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部：权限系统、上下文压缩、插件、skills、hooks、子 Agent、会话存储。

Agent 能否自主运转，依靠的不是模型一时兴起多想几步，而是整套工程设计在支撑它前行。

这也正是吴恩达此次讨论 Loop 工程的核心背景。到了 2026 年，Claude Code、Codex、ZCode、MiniMax Code 等 Agent 产品，已将“编写—运行—查看结果—再修改”变成默认能力。

Anthropic 在博客中将 Loop 划分为四种类型：turn-based（回合制）、goal-based（目标驱动）、time-based（定时触发）、proactive（主动式）。

- 你让它“帮我写一个登录页面”，它编写、测试、修改——这是 goal-based loop；

- 你每发送一条消息它回复一条——这是 turn-based；

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

- proactive 更为激进，它会自行发现问题，主动动手解决。例如发现测试覆盖率下降，它自行补充测试用例。

目标驱动 Loop，图片来源：Anthropic

这波讨论在 5、6 月突然升温，与产品进展也有直接关系。OpenAI 的 Codex 已不仅仅是“帮你写代码”的入口，而是在独立环境里读取仓库、修改文件、运行测试，再将日志和结果反馈回来。Anthropic 这边，Claude Code 本身几乎成为 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”，听起来有些绕，但意思很清晰：人类不再负责每一步怎么询问模型，而应设计一套能让模型持续运转的机制。

这也正是 Loop 工程值得普通用户关注的地方。Loop 工程做得越好，Agent 就越像一个能承接任务的人：你给方向，它自行推进；跑偏了，它能从反馈中拉正；完成后，它会把过程和结果交给你检查。

放弃提示词，对普通人究竟有什么实际好处？

Agent Loop 对普通用户最直接的价值，就是大幅降低了提示词的设计门槛。

过去使用 AI，很像和一个聪明但缺乏经验的实习生合作。你需要告诉它每一步怎么做，何时停止，哪里需要查资料，哪里不能胡乱编造。你指挥得越细致，它表现越好；你说得越粗略，它越容易偏离方向。

而 Loop 做得好的 Agent，更像一个已经熟悉基本工作流程的人。你不需要每次都提醒它“如果代码报错就继续修改”，因为测试和返工本就是循环的一部分。你甚至不必一次性把所有上下文塞进对话框，因为 Agent 可以通过文件系统、搜索工具、记忆和索引，逐步获取所需信息。

这会改变用户与 AI 的关系。

以往用户写提示词时，往往需要扮演产品经理、项目经理、测试工程师和老师等多重角色。你要提供需求、拆分步骤、跟踪进度、纠正错误。未来，用户更像是设定目标并验收结果。

举例来说，你让 Agent 制定旅行计划。过去你需要写：预算多少、天数多少、先查机票、再查酒店、注意交通、整理成表格、最后汇总。Loop 做好之后，你只要说“下个月去东京 5 天，预算中等，想少折腾，多看展览”，Agent 就应该能自行查询时间、比较价格、规划路线、发现冲突、生成方案，甚至在你反馈“第二天太满”之后，自动重新安排。

这就是“放弃提示词比赛”的第一层含义：普通用户不再需要把自己训练成提示词工程师，Agent 产品应该替用户吸收那些复杂的流程。

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，工具可以运行测试，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。这种反馈闭环清晰、可验证、可沉淀，所以 Claude Code、Codex、ZCode、MiniMax Code 都先从代码场景突破。

图片来源：智谱 Zcode

但代码只是起点。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——这些领域都有类似特征：任务不是一句话能完成，但成功标准可以明确写出，过程可以记录，结果可以检查。

这就是 Loop 的第二层价值：提升复杂工作的生产效率。人类不再紧盯每一步，而是负责定方向、看结果、调规格。吴恩达提到的 developer feedback loop，就是指 AI 能加速内部执行循环，但人依然要在更高一层循环中判断方向是否正确。

另外，体验不佳的 Agent，给人第一印象往往是“不稳定”“随意调用工具”“越做越偏离目标”。但从工程角度看，Loop 恰恰为可靠性提供了有力抓手。

在 Loop 工程设计下，Agent 为何搜索这个页面、为何修改这个文件、为何调用这个工具、为何判断任务已完成——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 执行同类任务，就不需要重新摸索。

这里必须明确：Loop 不会自动带来可靠性。事实上，一个设计糟糕的 Loop，只会让错误更快地自我复制。

写在最后

过去三年，我们使用 AI 的方式经历了几次重大变化，但底层逻辑没有变——都是人发出指令，AI 执行，人再判断结果。人始终处在循环中，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围：人不再是司机，而变成了导航。

这个变化的影响比想象中更为深远。对开发者而言，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。

当然，所有这些都建立在一个前提上：模型还得继续进步。Loop 能转多少圈、能处理多复杂的任务，最终取决于模型的基础能力。如果模型跑个三五步就跑偏了，再精巧的 Loop 设计也无济于事。

好在从今年的情况看，模型进步的速度尚未放缓。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 能力上都有显著提升。

模型越来越强，Loop 越转越顺，人越来越往后退。这个趋势已经十分清晰。

这件事听起来似乎只是效率提升，但仔细想想，它可能是 AI 从“工具”变成“协作者”的关键一步。工具是你使用它，你得知道怎么用、每一步如何操作。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。

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：全球Agent都在卷的「Loop工程」：AI自己干活、监工和返工要求：
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