AI编程新范式：Loop Engineering 正在取代提示词工程吗？

AI编程正在从“写提示词”走向“写循环”

最近，AI 编程圈最热的讨论，不是“怎么把提示词写得更好”，而是“还要不要写提示词”。Claude Code 创建者 Boris Cherny 和 OpenAI 的 Peter Steinberger 都在强调同一个方向：开发者不该只给编程 Agent 下命令，而是要设计一套能持续推进任务的循环机制。

这个思路被称为 Loop Engineering。它的核心不是机械重复，而是让 Agent 在一个有目标、有反馈、有校验的系统里不断前进。换句话说，AI 编程正在从“人提示机器”升级为“人设计系统，系统驱动机器”。

Loop Engineering 到底是什么

Loop Engineering 可以理解为：开发者不再只写一句 prompt，而是搭建一套工作流，让 Agent 反复执行、反复检查、反复修正，直到达到目标。

它通常包含几个关键环节：

1. 明确目标：比如修复某个 bug、完成一个功能、持续检查 PR 状态。

2. 执行动作：让 Agent 编写代码、跑测试、读日志、提交修改。

3. 反馈判断：通过测试结果、类型检查、真实报错、用户反馈来判断是否做对。

4. 下一轮决策：根据反馈决定继续优化、回滚、重试，还是结束任务。

这和传统“发一句指令，等一次结果”的方式不同。Loop 的重点是持续性和自我校验，而不是一次性回答。

为什么现在大家突然开始重视循环

原因很直接：编程 Agent 已经不再只是补全工具，而是在承担更完整的开发任务。过去，开发者可能同时开着多个 Claude，让它们分别处理不同代码片段。现在，思路进一步升级——不是盯着每一步，而是让系统自己跑起来。

社区之所以关注这个变化，是因为它解决了两个老问题：

一是 Agent 容易“做完但做错”。没有反馈机制时，它可能会自我确认，重复修正同一个错误。

二是开发者不可能一直守着屏幕。真正有价值的自动化，不是让 AI 重复点击，而是让它在目标和约束下独立推进。

有开发者就指出，Loop 里必须放入“说不”的机制，比如测试、类型检查、真实错误日志，否则循环只会变成空转。

Claude Code 的变化说明了什么

Claude Code 的演进很能说明问题。早期的长时运行 Agent，往往只能持续几十分钟，还容易在 Bash 命令、字符串转义、上下文管理上出错。后来，它逐渐变成可以连续运行数小时，甚至数天的工作流组件。

这背后的关键，不只是模型更强了，还包括外部的 Harness，也就是围绕模型搭建的脚手架系统。简单说，模型负责“会做”，Harness 负责“做得稳”。

在这类系统里，Agent 往往会先把任务拆成多个持久化文件，例如任务列表、进度文件、初始化脚本、Git 仓库状态等。之后，它每一轮都会读取进度、执行一个小步骤、检查结果、再进入下一轮。这样即便运行很久，也不容易彻底跑偏。

随着模型能力继续增强，Anthropic 甚至开始尝试更简化的结构，比如生成器—评估器—规划器模式。这个设计很像“一个人负责做，一个人负责挑错，一个人负责安排顺序”，目的就是让 Agent 的输出更稳定。

Loop 不是越长越好，关键是反馈质量

很多人一看到“循环”，就会想到无限自动化。但真正有用的 Loop，恰恰不是无限重复，而是有边界、有反馈、有终点。

比较实用的做法一般是：

- 给任务设清晰目标，比如“PR 失败就自动定位并修复”；

- 让测试、日志、编译结果成为判断依据；

- 控制循环频率，避免无意义消耗 token；

- 允许失败退出，而不是永远原地打转。

这也是为什么 Claude Code 的 Loops 功能会限制最短间隔、最长运行时间，并且能随时关闭。因为如果没有边界，Agent 很容易变成“高成本的重复劳动机器”。

说到底，Loop Engineering 的价值不是让 AI 一直干活，而是让它在正确的节奏里干对活。

开发者真正要学的，不再只是提示词

如果说提示词工程解决的是“怎么问”，那么 Loop Engineering 解决的就是“怎么让它持续做对”。这意味着开发者的角色也在变化。

未来更重要的能力可能包括：

1. 设计任务分解方式：把大目标拆成可验证的小步骤。

2. 设计评估机制：让代码、测试、日志成为裁判。

3. 设计容错规则：什么时候重试，什么时候停止，什么时候交给人。

4. 设计约束边界：避免 token、成本、权限失控。

这和传统的“写一条好 prompt”相比，抽象层级更高。开发者不再只是对话者，而是工作流设计者。

这波变化会不会真的“杀死提示词工程”

更准确地说，不是杀死，而是把提示词工程放到更上游的位置。提示词仍然有用，但它不再是唯一重点。真正决定 AI 编程效果的，开始是循环、反馈和评估系统。

可以这样理解：

- Prompt 解决单次指令；

- Loop 解决持续执行；

- Harness 解决稳定交付；

- 评估器解决质量判断。

这说明 AI 编程正在从“会聊天”进入“会干活”的阶段。未来最强的开发者，可能不是最会写 prompt 的人，而是最会设计系统边界、反馈机制和自动化流程的人。

对于普通开发者来说，最实用的建议很简单：别只盯着“怎么让 AI 回答更漂亮”，而是开始思考“怎么让 AI 跑得更久、判断更准、修得更稳”。这才是新一轮 AI 编程变革的重点。🚀