如果你最近用过 AI 写代码、整理资料，或者帮你处理一批重复工作，大概会有一个感觉：刚开始最关心的是“这句话怎么问”。后来慢慢发现，真正麻烦的不是问一句，而是这件事能不能持续做下去。
比如，每天早上检查一下有没有新的问题；发现问题后，分给一个 AI 去处理；处理完再找另一个检查；通过了就生成结果，失败了就留下原因，明天接着看。这已经不是单纯写提示词了，而是在设计一套会自己转起来的流程。
这篇文章想讲的 Loop Engineering（循环工程），就是这个意思：不是让 AI 一次回答得更漂亮，而是让 AI 工作有触发、有分工、有检查、有记忆，能一轮一轮安全地往前走。
这个说法在 2026 年前后被更多人提起，其中一个重要传播者是 Google 的 Addy Osmani。他把它放在 Prompt Engineering（提示词工程）、Context Engineering（上下文工程）、Harness Engineering（运行支架工程）之后，作为更外层的 AI 工程方法来看。换句话说，开发者的角色不只是“会问 AI 的人”，而是开始变成“设计智能体系统的人”。
一句话说：Prompt（提示词）是告诉 AI “现在做什么”；Loop（循环）是设计一套流程，让 AI “下一轮还知道怎么继续”。
一、先把几个英文词说成人话
这类文章里英文词很多，容易让人以为很玄。其实拆开看并不复杂。
- Prompt Engineering（提示词工程）：把问题说清楚。比如告诉 AI 目标、格式、限制条件。
- Context Engineering（上下文工程）：把该给 AI 看的材料准备好。比如文件、数据、历史记录、规则。
- Harness Engineering（运行支架工程）：给 AI 配工具和安全边界。比如能读哪些文件、能不能改代码、要跑哪些测试。
- Loop Engineering（循环工程）：把多次任务串起来。比如什么时候启动、谁来执行、谁来检查、结果存在哪里。
它们不是四个互相替代的东西，而是一步步往外扩。最里面是“怎么问”，再往外是“给什么材料”，再往外是“怎么安全执行”，最外面才是“怎么长期自动运转”。
二、Loop 不是让 AI 一直自言自语
很多人听到“循环”，会以为就是让 AI 多想几轮。其实不是。AI 在一个任务里反复调用工具、看结果、再修改，这只是任务内部的小循环。
常见的 ReAct（推理与行动循环），可以理解成：AI 先想一下，然后调用工具，再观察结果，再决定下一步。它解决的是“一步一步怎么做”。
DeepAgents（深度智能体），可以理解成：给 AI 更完整的任务环境，让它能规划、拆分、调用子任务、操作文件系统，把一个复杂任务做深做稳。
而 Loop Engineering（循环工程） 管的是更外层的事：今天做完以后，明天怎么继续；这个任务失败了，下次怎么别重复犯错；多个任务同时来了，怎么分开处理。
所以结论很简单：会调用工具的 AI，不一定就是一个真正能自动工作的系统。真正的系统，还要知道什么时候开始、什么时候停、失败后怎么记录。
三、一个 Loop 要跑起来，需要哪些东西
不要把 Loop Engineering 想成一个神奇按钮。它更像搭一条流水线，至少要有下面几块东西。
1. Automations（自动触发）
让系统在合适的时候醒来。可以是每天固定时间，也可以是有新工单、新文件、新报错时触发。没有自动触发，AI 还是要等人手动打开。
2. Worktrees（独立工作区）
让每个任务有自己的“工位”。尤其是写代码时，不同任务不能混在一个目录里改。独立工作区的好处是：做错了可以丢掉，不会污染主线。
3. Skills（技能说明）
把稳定的方法写下来，变成 AI 下次也能遵守的操作手册。比如“检查网页时要看移动端”“改完代码必须跑测试”“财务口径不能自己猜”。
4. Plugins / Connectors（插件 / 连接器）
让 AI 能接到真实系统，比如代码仓库、任务系统、数据库、文档、消息通知。这里最重要的是权限边界：能读什么、能写什么、哪些动作必须人确认。
5. Sub-agents（子智能体）
把角色拆开。一个 AI 负责执行，另一个 AI 或程序负责检查。这样比“自己做、自己说自己通过了”更可靠。
6. Memory（记忆）
记住上一轮发生了什么。不是保存一大堆聊天记录，而是保存有用的信息：完成了什么、失败在哪、下次从哪里继续。
四、举个最小例子：每天自动处理一个小任务
假设你有一个个人知识库，里面有很多 Markdown（纯文本笔记）文件。你希望每天自动检查：有没有笔记缺少 front-matter（文件开头的元信息，比如标题、日期、标签）。如果缺了，就补上；如果补不了，就记录原因。
这件事很适合做成一个小型 Loop（循环），因为它满足三个条件：任务边界清楚、结果容易检查、失败也不会造成大损失。
每天 09:00 启动
↓
扫描哪些笔记缺少 front-matter
↓
挑一个范围明确的文件
↓
在独立工作区里修改
↓
检查格式是否合规
↓
通过：保存结果
失败：记录原因，不无限重试
这个例子看起来不酷，但它很重要。因为真正有价值的自动化，通常不是一上来就改造整个公司，而是先把一个小而稳定的流程跑通。
一个安全的任务边界可以这样写
允许：读取笔记、补充 front-matter、保存修改
禁止：删除文件、改动正文内容、访问无关目录
通过：格式检查通过，标题、日期、标签齐全
失败：记录文件名、失败原因、下一步建议
护栏：最多处理 20 个文件，单个文件最多尝试 2 次五、四种常见的循环方式
Loop（循环）也不是只有一种形态。按“谁来启动、什么时候停”来分，大致可以看成四类。
- 回合制循环：人每次发指令，AI 做一步，人再决定下一步。适合探索、讨论、临时分析。
- 基于目标的循环（goal loop，目标循环）：先写清楚完成标准，比如“测试全部通过”“生成报告并校验数据”，AI 自己迭代到达标，或达到最大轮次后停下。
- 基于时间的循环（scheduled loop，定时循环）：按固定时间运行，比如每天巡检、每周生成摘要、每月检查预算异常。
- 主动循环（event-driven loop，事件触发循环）：有事件就启动，比如出现新报错、新工单、新文件、新数据异常，处理完就退出，系统继续等待下一次事件。
这四种没有高低之分。越靠后越自动，也越需要清楚的权限、验收标准和失败退出机制。否则自动化越强，出错时影响也越大。
六、Closed Loop 和 Open Loop，别混着用
Closed Loop（闭环），意思是系统能自己判断结果是否通过。比如测试是否通过、格式是否合规、数字是否对得上。这类任务可以更自动化。
Open Loop（开放循环），意思是最后还需要人判断。比如一段文案好不好、一份经营分析该不该推动业务改动作、一个方案值不值得长期维护。这些事 AI 可以准备材料，但不应该自己拍板。
很多自动化翻车，就是因为把开放循环当成闭环来做。明明没有明确验收标准，却让 AI “自己做到满意为止”，最后只会变成反复试错。
七、Loop 最容易出问题的地方
- 入口太宽。什么任务都让 AI 接，最后一定会接到它处理不了的事。
- 没有独立检查。执行者自己说通过，可信度不够。
- 没有失败次数限制。同一个问题反复重试，会浪费时间和成本。
- 记忆太乱。保存了很多聊天记录，却没有保存“下一步该做什么”。
- 没有人工刹车。涉及生产、资金、隐私、删除数据的动作，必须让人确认。
八、这和财务、数据分析有什么关系
Loop Engineering（循环工程）不只是程序员的事。做财务分析、数据巡检、经营复盘，也会遇到同样的问题。
比如每天检查经营数据：系统自动拉取数据，按固定口径计算指标，发现异常后生成明细和初步解释，再发给负责人确认。这就是一个数据工作里的 Loop（循环）。
但要注意，AI 可以帮你找异常、列明细、写草稿；不能替你决定“这个异常是不是业务上重要”“要不要调整预算”“应该由谁负责”。这些仍然是人的判断。
九、什么时候值得做 Loop
我会用三个问题判断：
- 这件事会不会反复出现？如果只做一次，就没必要搭循环。
- 结果能不能检查？如果没有验收标准，就不要急着全自动。
- 失败会不会安全停止？如果失败会造成严重后果，就必须有人把关。
如果这三个问题都能回答清楚，就可以考虑做 Loop（循环）。如果回答不清，先把单次流程跑顺，把规则写明白，比急着自动化更重要。
十、最后的结论
Loop Engineering（循环工程）不是一个更高级的提示词技巧，而是一种流程设计能力。
它真正解决的问题是：怎样让 AI 不只是回答一次，而是在安全边界内，反复发现任务、处理任务、验证结果、记录状态，并在下一轮继续推进。
所以，别一上来就追求“全自动 Agent（智能体）”。更稳的做法是：先找一个小任务，写清楚入口、权限、验收和失败处理。只要这个小闭环能稳定跑起来，就已经比一堆漂亮提示词更接近真正可用的 AI 工作流。
参考与延伸阅读
- 腾讯云开发者社区：Loop Engineering——让 Agent 自己跑起来 —— 关于外循环、闭环示例和基础设施拆解的参考。
- Anthropic：Building effective agents —— 了解工作流、智能体、工具调用和验证器的基础思路。
本文根据公开资料和个人工作流实践重新整理，重点是把概念讲清楚，而不是复述原文。
