Loop Engineering：新的循环收费站
从“写提示词”到“写循环”
过去两年，人们习惯给AI agent写精确的提示词，让它在一次对话里完成任务。但随着Claude Code、Codex等工具成熟，一种新模式迅速引爆硅谷讨论：Anthropic的Boris Cherny直言“我已经不给Claude写提示词了，我有一堆循环在跑，它们负责给Claude下指令、决定下一步做什么”。Addy Osmani将这一转变总结为Loop Engineering——你不是再手动指挥AI，而是设计一个系统，让这个系统自己去读仓库、读issue、读CI失败记录，然后自主决定用什么提示词、驱动哪些agent工作。你从打字员变成了系统的作者。
核心组件：五个零件加一根脊柱
Addy Osmani把Loop Engineering拆解为五个模块，外加一个支撑全局的记忆脊柱：
- 工作流（Workflow）：定义循环的触发条件和执行流程，比如“每天早8点拉取最新资讯，筛选出高价值选题”。
- 技能（Skills）：将项目规则、行为规范写入
.md文件，每个agent启动时自动加载，避免每次都靠猜测。 - 连接器（Connectors/MCP）：通过MCP协议让agent对接真实工具——Issues系统、数据库、Slack等。agent不再只是说出结论，而是能直接开issue、提PR、发通知。
- 子Agent（Sub-agents）：让一个agent负责提出方案，另一个负责挑刺。比如让“topic-scorer”子agent给每条信息打分，再用另一个agent验证——因为写代码的模型给自己打分太宽容了。
- 状态（State）：跟踪任务进度和完成情况。可以是一个Markdown文件，也可以是Linear看板。
支撑这一切的脊柱是记忆：一个简单的Markdown文件或看板，实时记录循环每次执行的结果，确保下次运行时知道“上一次干到哪里”。
实战演示：一个循环的诞生
以作者自己的“每日资讯选题循环”为例。他搭建了一个循环系统，使用verysmallwoods-research技能拉取过去24小时的AI圈新闻，让子agenttopic-scorer对每一条做评级（标为“! ! !”或“x”），然后追加进一个inbox.md文件。最后用Schedule 0 8 * * 1-5设定周一到周五早8点自动执行。
实际运行中，系统先找到引用的inbox.md和技能定义，然后开始拉取→评分→写回。通过loop命令（而非一次性go命令），系统会按时间表盲跑，到点就执行预设任务，不判断“完成与否”。演示中他将调度频率改为每分钟一次，结果每轮都自动更新文件，并注明“通过Loop Engineering自动追加”。整个过程他一条提示词都没写。
何时值得搭建自己的循环？
并非所有人都需要Loop Engineering。有文章给出了四条测试条件，满足才划算：
- 任务需要反复执行，频率至少每天一次。
- 任务有明确的判断标准（如“凑够5条高价值资讯”）。
- 你的工作涉及多个agent协作，且需要相互验证。
- 你愿意承担验证债（需要检查AI产出）、理解腐烂（时间久了系统逻辑变得难以维护）、token失控（循环跑多了Token消耗暴增）和认知投降（信任AI的自主判断）这四笔代价。
Loop Engineering不是又一个要追的新工具，而是一个视角切换：从“我来写提示词”变成“我来设计那个用提示词驱动agent的系统”。你手上已有的Claude Code的loop命令、Git的工作树（worktree）、技能包和子agent，已经足够搭建第一个循环。正如Boris Cherny所说：“你的工作，就是写loop。”