登录

Prompt已死，Loop Engineering成了硅谷AI圈新顶流

1 天前
AI资讯
5 阅读
提示词AIEngineeringLoop新范式

一条推文引爆新范式：你该设计Loop，而不是Prompt

OpenClaw 开发者 Peter Steinberger 的一条推文获得三百万观看：“你不该再 Prompt Agent 了，你该设计 Loop。”Anthropic Claude Code 负责人 Boris Cherny 随即回应：“我不再手动提示 Claude 了。我有 loop 在跑，它们负责提示 Claude、决定下一步做什么。我的工作是写 loop。”Google Cloud AI 总监 Addy Osmani 迅速撰文拆解这一新概念，将其定义为“用你设计的系统替代你自己去 prompt agent”。Loop Engineering 的核心理念是：你只需定义一个递归目标，AI 反复迭代直至完成，整个过程无需人类手把手输入指令。

一个完整Loop的五大核心模块：Skill、Memory、Connector 如何闭环

一个成熟的自循环系统必须包含五个基本模块，Claude Code 和 Codex 均已具备这些能力：

Prompt已死，Loop Engineering成了硅谷AI圈新顶流

  • Skill（技能）：每个 loop 以 SKILL.md 文件为入口，里面包含指令和元数据，外加可选的脚本和资源。Codex 通过 $ 或 /skills 调用 skill，或在任务描述与 skill 描述匹配时自动触发。Claude Code 的做法完全相同，一个简洁、无聊的描述反而比花哨的描述更好用，因为它更容易被自动匹配。
  • Memory（记忆）：治好 Agent 的“金鱼记忆”。loop 系统能记录状态、中间结果、历史决策，让 Agent 在多次迭代中不会遗忘上下文。Claude Code 和 Codex 都支持在文件夹中存储持久化的上下文信息。
  • Connector（连接器）：让 loop 摸到真实世界。通过 connector 与外部工具、API、文件系统交互，例如读取 CI 失败日志、打开 Linear 看板、创建 Git worktree。这使 loop 不再只是语言模型的自嗨，而是能真正影响软件工程的物理流程。

Karpathy 的 630 行代码：一个自主研究循环如何实现 11% 加速

今年三月，Andrej Karpathy 用 630 行 Python 让一群 Agent 自己跑了 700 次实验，发现了 20 个优化点，并在更大模型上实现了 11% 的训练加速。他说：“所有前沿实验室都会做这个。”这个例子展示了一个单 metric 的自主研究循环：Agent 被赋予一个明确目标（例如降低圈复杂度或加速训练），然后自动生成假设、执行实验、记录结果、对比目标，如果未达标则继续迭代。Karpathy 的 loop 没有用到任何复杂的 Agent 框架，纯粹用 Python 编排，却证明了“自动化自我驱动”的巨大价值。

Claude Code vs Codex：两大工具如何实现 Loop 自动化

Claude Code 和 Codex 都采用了相同的文件夹结构：一个 .claude/ 或 .codex/ 目录，里面包含 skills、agents、subagents 的定义。Codex 只在被要求时生成 subagents，同时运行多个，然后合并结果；用户可以在 .codex/agents/ 下用 TOML 文件定义 agent，每个都有名字、描述、指令和可选的模型参数。Claude Code 则在 .claude/agents/ 中管理 subagents 和 agent teams，任务在它们之间传递。常见的分工是一个 agent 负责探索，一个实现，一个对照规格验证。

更生动的场景是：每天早上一个 automation 在仓库上跑起来，其提示词调用一个 triage skill，读取昨天的 CI 失败、open issues、最近的 commits，然后把发现写进 Markdown 文件或 Linear 看板。对于每一个值得处理的发现，loop 会开一个隔离的 worktree，派一个 sub-agent 起草修复方案，再派第二个 sub-agent 对照项目 skills 和现有测试来审查这份草案——整个过程无需人工干预。

工程师新角色：写 Loop 的四大原则与一个警告

Boris Cherny 总结自己的新工作：“我的工作是写 loop。” 这意味着工程师的角色从“对话式 Prompt 匠人”转变为“循环系统架构师”。但这一转变并非无门槛；以下是实操中必须记住的原则：

  • Goal 越具体越好：不要写“提升代码质量”，而要写“将圈复杂度大于15的函数数量减少至0”。模糊的目标会让 loop 陷入无休止的迭代。
  • Loop 放大错误，也放大正确：如果你手动跑都跑不通某个流程，自动化之后就是自动化地出错。必须先确保单次执行的质量。
  • 从 Harness 自然生长：Loop Engineering 并不凭空出现，它是在 Harness Engineering（为单个 agent 构建运行环境）之上的范式升级。先让你的 agent 在 harness 里稳定工作，再考虑给它加 loop。
  • Token 预算要烧得起：Loop 让 Agent 自行决定何时运行、运行多少次，token 消耗会指数级上升。必须设计好“终止条件”和“成本上限”，否则一张账单就能惊醒梦中人。

一个来自开发者社区的警告：“如果你手动跑都跑不通，自动化之后就是自动化地出错。” Loop 不是万能药，它是建立在可靠基础组件之上的进阶玩法。当硅谷高呼“Prompt 已死”时，真正的工程师正在埋头写 Loop，让 Agent 自己 Prompt Agent。