解构之言听到AI 编程助手大部分人第一反应是终于可以偷懒了。以前一行行敲代码现在动动嘴皮子。以前自己 debug 到秃头现在丢给 Agent 让它自己折腾。效率翻倍、头发保住、下班提前——听起来像做梦。但 Google Chrome 工程师 Addy Osmani 在 2026 年的工作流长文里泼了一盆冷水AI coding assistants are incredible force multipliers, but the human engineer remains the director of the show.翻译成人话AI 是台强大的发动机但方向盘还在你手里——而且这方向盘比原来难打多了。面对 LLM 的推理黑盒开发者正面临两种架构选择是作为同步阻塞的“人工干预节点”还是退化为异步非阻塞的“触发器”这种控制权的转移催生了新的工程范式Loop Engineering循环工程。范式转移的奇点源于 Claude Code 负责人 Boris Cherny 的实践。他放弃了传统的“指令式 Prompt 下发”转而构建控制流与状态机Loop让 Loop 去接管 LLM 的调度。用他的原话概括这种控制反转IoC「我的工作就是写循环。」那个让 Addy Osmani 重写整个工作流的 Loop到底是什么不是 Loop 本身有多神是你之前写代码的方式根本没闭环。1Loop Engineering为啥比prompt还难你以为在跟 AI 对话其实是在当它的项目经理。看看大多数人用 Agent 的日常你说一句它做一点你瞄一眼不对补一句它再改你再瞄。上下文丢了重新交代背景。改错地方了提醒它别碰那行代码。AI 确实在敲键盘但盯着进度、推着流程往前走的从头到尾都是你。那个阶段所有人都在卷提示词——怎么把第一句话写得又准又全怎么让 AI 一次就 get 到点。Prompt Engineering 成了显学各种模板、框架、咒语满天飞。但用久了你会发现一个反直觉的事实真正烧时间的从来不是第一句提示词。是后面那一长串重复的脏活。发现问题要拆成子任务多个任务要并行调度做完要回头验证这轮做到哪了要记下来下一步是继续跑还是交还给人判断——这些动作每天重复几十次加起来才是时间黑洞。提示词写得再漂亮也救不了这个结构性低效。于是重点变了。以前的问题是怎么写一句好 prompt现在的问题是怎么把这一串反复发生的动作焊成一个能自己转起来的 loop。这就是 Loop Engineering。它把提示词降格为一个零件——重要但只是零件。真正决定产出的是那个 loop输入什么、怎么流转、在哪分叉、什么时候暂停等人、什么时候自动继续、失败怎么回退、成功怎么收敛。提示词是 loop 里的一个节点而 loop 本身才是架构。Prompt Engineering 解决的是一句话怎么说对Loop Engineering 解决的是整个流程怎么转起来。前者是话术后者是工程。2:Loop Engineering 是如何工作的用不绕的话说Loop Engineering 就是放弃同步阻塞的人工轮询去构建一个包含“感知-执行-校验-持久化-流转”的闭环状态机。重点不在于 Cron Job 式的“自动”而在于控制流的“闭环”。一个生产级的 Loop必须具备自举启动、上下文检索、断言校验、容错重试、状态持久化以及 Human-in-the-loop 的优雅接管能力。本质上这是一套工作流编排引擎。正如 Addy 所言Loop 不是让你去写 Prompt而是构建一个能自动生成 Prompt 的系统。这完成了控制权的反转开发者从底层的 Executor执行节点上浮成了顶层的 Scheduler调度器。3解构一个生产级 Loop 的架构拓扑Loop 画在纸上是个圈真正落地是六道闸。缺一道整个机器就转不顺甚至倒着转。1Agent 不会自己睁眼。不给它装个 cron 或者事件钩子它就是个阻塞进程——你敲一下回车它动一下你不敲它就装死。分水岭就在这里你是在开手动档还是在运行一个无人值守的系统。定时扫昨晚炸掉的 CI每半小时嗅一遍新 issue测试红了自动重试直到绿这才叫 loop你每次亲手输命令让它跑那只是把原来的搬砖换成了按开关。2但一个 Agent 醒了不够迟早要上多节点并行。一到并发地狱就来了。两个 Agent 同时摸同一个文件就是纯纯的 race condition互相覆盖代码变拼图。没有隔离的并行不是提速是批量制造冲突。解法很硬worktree给每个 Agent 发独立工作区各改各的最后合并。没有隔离层的并发跟让两个线程无锁写同一块内存没区别——看起来吞吐上去了其实数据已经烂在堆里。3更隐蔽的 bug 是失忆。每次启动Agent 都像个刚入职的新同事不记得你们项目的规矩不记得上周踩过的坑不记得哪块代码是禁区。提示词是栈上变量函数结束就销毁你需要的是持久化存储——把项目知识写成 skill把命名规范、启动方式、踩坑记录、目录黑名单全部固化成外部规则文件。不然每转一圈你都得重新做一遍 onboarding循环开销直接爆炸。4光在本地打转也是废物。只读本地文件的 Agent本质上是个高级 cat能给你建议但推不动真实工作。Loop 要真正跑起来必须做 I/O 边界突破读 issue 系统、写数据库、触发 CI、开 PR、发通知。这决定了 AI 是动嘴还是动手——是告诉你这里可能有问题还是直接开分支、跑测试、提 PR、关联工单把结果丢进你的 review 队列。5但最危险的幻觉是自查。写代码的 Agent 自己问自己行吗答案永远是行。这跟让编译器自己给自己 debug 没区别全绿通过上线就炸。所以执行和验证必须拆成两个独立节点甚至换不同模型、不同视角来交叉审查。Loop 里不能只有生产者还得有个质检节点。无人盯着的流水线一旦出错会顺着 loop 越滚越大直到把生产环境一起带走。6最后也是最不起眼但最致命的一环记忆。Agent 没有非易失性存储每次重启都是金鱼。昨天验证过的结论今天再查一遍上周否掉的方案这周又端上来。Loop 要长期跑必须外挂一个状态层——一张看板、一份 markdown 日志、一个外部数据库。记下做过什么、失败过什么、哪些已确认、哪些还得人来收尾。模型会忘但仓库不会忘。这外置记忆才是让 loop 从单次脚本变成长期系统的最后一根桩。4Loop Engineering成本边界与工程决策需要提醒两个系统级约束Token 预算与故障边界。先看资源开销Overhead。Loop 绝非单次 API 调用的线性成本。它在 Context Window 中反复进行状态读写、启发式试错与断言校验甚至触发多 Agent 并发Token 消耗极易失控。对于缺乏稳定 Reward 反馈、或本质上是 O(1) 的一次性任务Loop 往往在带来效率收益前就先击穿了计算预算。再看故障边界Boundary。Loop 能驱动状态流转但无法承担 SLA。LLM 返回的 status: success 或 tests_passed: true并不等同于业务逻辑的绝对正确。缺乏 Human-in-the-loop (HITL) 监控的 Loop只会以极高的效率静默失败。这里还有一个更致命的隐性成本——认知负债Cognitive Debt当 Agent 接管了越来越多的执行细节开发者就会逐渐脱离代码上下文时间推移系统熵增而人类对系统核心逻辑的掌控力却在不可逆地衰退。因此Loop 架构的核心原则从来不是“去人类化”而是将开发者从 I/O 密集型的重复劳动中解耦。但前提是你必须将断言Assertions、验收Acceptance和熔断Circuit Breaking这三项核心控制权死死锚定在 Human 这一侧。5Loop Engineering强项在哪里软件工程是 Loop 架构的天然试验田因为其具备确定性的反馈闭环Deterministic Feedback Loop单元测试的断言、编译器的校验、运行时的异常堆栈都能提供低延迟的客观 Reward。若将这一范式进行抽象与泛化Loop 的应用边界远不止于代码生成。以内容情报Content Intelligence为例一个典型的 Loop 可设计为定时触发的 ETL 管道——自动轮询多源数据流RSS、社交媒体、学术库执行启发式过滤随后进行实体抽取、摘要生成与争议点标注。对于置信度不足的数据打上异常标记最终将结构化的 Payload 投递给人类 Editor 节点。同理在运营、行研、客服及数据分析等领域只要业务流满足三个核心约束高重复度High Repetition、状态机稳定Stable State Machine、以及具备可验证的局部反馈Verifiable Partial FeedbackLoop 架构就具备极高的工程落地价值。写在最后Loop Engineering 这个词很快会被下一个 buzzword 替代但这不重要。重要的是它指向的命题当 AI 的上下文窗口突破百万 token当 agent 能自主走完一个完整链路——人和 AI 的协作协议需要重写。过去卷的是 prompt 工程接下来卷的是loop 工程怎么调度任务流不让 agent 在死胡同里打转怎么验证中间态确保每一环的输出都是下一环的合法输入怎么记录轨迹让失败可复现、可审计什么时候该中断而不是无限循环到 token 烧光Addy 那句话的极客翻译这不是减负是换核。复杂度没有消失只是从人写代码转移到了人设计控制流。你可以选择做那个盯着终端、清楚每个 goroutine 状态的工程师也可以做那个只负责go run main.go、然后看着日志滚屏的人。系统不会自己变可靠。但你可以选择让谁对可靠性负责。AI 不会替你当工程师它只会放大你作为工程师的水平——好的更好烂的更烂。
解构之言听到AI 编程助手大部分人第一反应是终于可以偷懒了。以前一行行敲代码现在动动嘴皮子。以前自己 debug 到秃头现在丢给 Agent 让它自己折腾。效率翻倍、头发保住、下班提前——听起来像做梦。但 Google Chrome 工程师 Addy Osmani 在 2026 年的工作流长文里泼了一盆冷水AI coding assistants are incredible force multipliers, but the human engineer remains the director of the show.翻译成人话AI 是台强大的发动机但方向盘还在你手里——而且这方向盘比原来难打多了。面对 LLM 的推理黑盒开发者正面临两种架构选择是作为同步阻塞的“人工干预节点”还是退化为异步非阻塞的“触发器”这种控制权的转移催生了新的工程范式Loop Engineering循环工程。范式转移的奇点源于 Claude Code 负责人 Boris Cherny 的实践。他放弃了传统的“指令式 Prompt 下发”转而构建控制流与状态机Loop让 Loop 去接管 LLM 的调度。用他的原话概括这种控制反转IoC「我的工作就是写循环。」那个让 Addy Osmani 重写整个工作流的 Loop到底是什么不是 Loop 本身有多神是你之前写代码的方式根本没闭环。1Loop Engineering为啥比prompt还难你以为在跟 AI 对话其实是在当它的项目经理。看看大多数人用 Agent 的日常你说一句它做一点你瞄一眼不对补一句它再改你再瞄。上下文丢了重新交代背景。改错地方了提醒它别碰那行代码。AI 确实在敲键盘但盯着进度、推着流程往前走的从头到尾都是你。那个阶段所有人都在卷提示词——怎么把第一句话写得又准又全怎么让 AI 一次就 get 到点。Prompt Engineering 成了显学各种模板、框架、咒语满天飞。但用久了你会发现一个反直觉的事实真正烧时间的从来不是第一句提示词。是后面那一长串重复的脏活。发现问题要拆成子任务多个任务要并行调度做完要回头验证这轮做到哪了要记下来下一步是继续跑还是交还给人判断——这些动作每天重复几十次加起来才是时间黑洞。提示词写得再漂亮也救不了这个结构性低效。于是重点变了。以前的问题是怎么写一句好 prompt现在的问题是怎么把这一串反复发生的动作焊成一个能自己转起来的 loop。这就是 Loop Engineering。它把提示词降格为一个零件——重要但只是零件。真正决定产出的是那个 loop输入什么、怎么流转、在哪分叉、什么时候暂停等人、什么时候自动继续、失败怎么回退、成功怎么收敛。提示词是 loop 里的一个节点而 loop 本身才是架构。Prompt Engineering 解决的是一句话怎么说对Loop Engineering 解决的是整个流程怎么转起来。前者是话术后者是工程。2:Loop Engineering 是如何工作的用不绕的话说Loop Engineering 就是放弃同步阻塞的人工轮询去构建一个包含“感知-执行-校验-持久化-流转”的闭环状态机。重点不在于 Cron Job 式的“自动”而在于控制流的“闭环”。一个生产级的 Loop必须具备自举启动、上下文检索、断言校验、容错重试、状态持久化以及 Human-in-the-loop 的优雅接管能力。本质上这是一套工作流编排引擎。正如 Addy 所言Loop 不是让你去写 Prompt而是构建一个能自动生成 Prompt 的系统。这完成了控制权的反转开发者从底层的 Executor执行节点上浮成了顶层的 Scheduler调度器。3解构一个生产级 Loop 的架构拓扑Loop 画在纸上是个圈真正落地是六道闸。缺一道整个机器就转不顺甚至倒着转。1Agent 不会自己睁眼。不给它装个 cron 或者事件钩子它就是个阻塞进程——你敲一下回车它动一下你不敲它就装死。分水岭就在这里你是在开手动档还是在运行一个无人值守的系统。定时扫昨晚炸掉的 CI每半小时嗅一遍新 issue测试红了自动重试直到绿这才叫 loop你每次亲手输命令让它跑那只是把原来的搬砖换成了按开关。2但一个 Agent 醒了不够迟早要上多节点并行。一到并发地狱就来了。两个 Agent 同时摸同一个文件就是纯纯的 race condition互相覆盖代码变拼图。没有隔离的并行不是提速是批量制造冲突。解法很硬worktree给每个 Agent 发独立工作区各改各的最后合并。没有隔离层的并发跟让两个线程无锁写同一块内存没区别——看起来吞吐上去了其实数据已经烂在堆里。3更隐蔽的 bug 是失忆。每次启动Agent 都像个刚入职的新同事不记得你们项目的规矩不记得上周踩过的坑不记得哪块代码是禁区。提示词是栈上变量函数结束就销毁你需要的是持久化存储——把项目知识写成 skill把命名规范、启动方式、踩坑记录、目录黑名单全部固化成外部规则文件。不然每转一圈你都得重新做一遍 onboarding循环开销直接爆炸。4光在本地打转也是废物。只读本地文件的 Agent本质上是个高级 cat能给你建议但推不动真实工作。Loop 要真正跑起来必须做 I/O 边界突破读 issue 系统、写数据库、触发 CI、开 PR、发通知。这决定了 AI 是动嘴还是动手——是告诉你这里可能有问题还是直接开分支、跑测试、提 PR、关联工单把结果丢进你的 review 队列。5但最危险的幻觉是自查。写代码的 Agent 自己问自己行吗答案永远是行。这跟让编译器自己给自己 debug 没区别全绿通过上线就炸。所以执行和验证必须拆成两个独立节点甚至换不同模型、不同视角来交叉审查。Loop 里不能只有生产者还得有个质检节点。无人盯着的流水线一旦出错会顺着 loop 越滚越大直到把生产环境一起带走。6最后也是最不起眼但最致命的一环记忆。Agent 没有非易失性存储每次重启都是金鱼。昨天验证过的结论今天再查一遍上周否掉的方案这周又端上来。Loop 要长期跑必须外挂一个状态层——一张看板、一份 markdown 日志、一个外部数据库。记下做过什么、失败过什么、哪些已确认、哪些还得人来收尾。模型会忘但仓库不会忘。这外置记忆才是让 loop 从单次脚本变成长期系统的最后一根桩。4Loop Engineering成本边界与工程决策需要提醒两个系统级约束Token 预算与故障边界。先看资源开销Overhead。Loop 绝非单次 API 调用的线性成本。它在 Context Window 中反复进行状态读写、启发式试错与断言校验甚至触发多 Agent 并发Token 消耗极易失控。对于缺乏稳定 Reward 反馈、或本质上是 O(1) 的一次性任务Loop 往往在带来效率收益前就先击穿了计算预算。再看故障边界Boundary。Loop 能驱动状态流转但无法承担 SLA。LLM 返回的 status: success 或 tests_passed: true并不等同于业务逻辑的绝对正确。缺乏 Human-in-the-loop (HITL) 监控的 Loop只会以极高的效率静默失败。这里还有一个更致命的隐性成本——认知负债Cognitive Debt当 Agent 接管了越来越多的执行细节开发者就会逐渐脱离代码上下文时间推移系统熵增而人类对系统核心逻辑的掌控力却在不可逆地衰退。因此Loop 架构的核心原则从来不是“去人类化”而是将开发者从 I/O 密集型的重复劳动中解耦。但前提是你必须将断言Assertions、验收Acceptance和熔断Circuit Breaking这三项核心控制权死死锚定在 Human 这一侧。5Loop Engineering强项在哪里软件工程是 Loop 架构的天然试验田因为其具备确定性的反馈闭环Deterministic Feedback Loop单元测试的断言、编译器的校验、运行时的异常堆栈都能提供低延迟的客观 Reward。若将这一范式进行抽象与泛化Loop 的应用边界远不止于代码生成。以内容情报Content Intelligence为例一个典型的 Loop 可设计为定时触发的 ETL 管道——自动轮询多源数据流RSS、社交媒体、学术库执行启发式过滤随后进行实体抽取、摘要生成与争议点标注。对于置信度不足的数据打上异常标记最终将结构化的 Payload 投递给人类 Editor 节点。同理在运营、行研、客服及数据分析等领域只要业务流满足三个核心约束高重复度High Repetition、状态机稳定Stable State Machine、以及具备可验证的局部反馈Verifiable Partial FeedbackLoop 架构就具备极高的工程落地价值。写在最后Loop Engineering 这个词很快会被下一个 buzzword 替代但这不重要。重要的是它指向的命题当 AI 的上下文窗口突破百万 token当 agent 能自主走完一个完整链路——人和 AI 的协作协议需要重写。过去卷的是 prompt 工程接下来卷的是loop 工程怎么调度任务流不让 agent 在死胡同里打转怎么验证中间态确保每一环的输出都是下一环的合法输入怎么记录轨迹让失败可复现、可审计什么时候该中断而不是无限循环到 token 烧光Addy 那句话的极客翻译这不是减负是换核。复杂度没有消失只是从人写代码转移到了人设计控制流。你可以选择做那个盯着终端、清楚每个 goroutine 状态的工程师也可以做那个只负责go run main.go、然后看着日志滚屏的人。系统不会自己变可靠。但你可以选择让谁对可靠性负责。AI 不会替你当工程师它只会放大你作为工程师的水平——好的更好烂的更烂。
