Agent Loop工程¶

🔥 2026 年下半年 AI 圈最火的概念 ---

别再写 Prompt 了，赶紧来设计 Loop！

最近外网讨论最猛的不再是怎么写提示词，而是一个新词：Loop。Loop 直译就是循环，那它到底解决了什么问题？其实你想想过去我们用 AI 的方式就明白了，你写 prompt，AI 给结果，结果不满意你再改 prompt，指出问题，重新来一遍。看起来是 AI 在干活，其实每一轮都要你盯着，你不是老板，你更像 AI 的专职保姆。Loop 想解决的就是这件事。

举个例子，你让 AI 做一个活动页面，只给它一个目标——今晚八点前交付一个能上线的报名页。第一轮它生成了页面，但按钮点了没反应，第二轮它自己跑测试，发现是跳转链接没配置，于是修复，第三轮独立评审检查页面，发现首屏文案不清楚，加载速度太慢，要求重新优化，第四轮它把按钮漏配、首屏表达弱、图片过大这些问题记下来，带着上一轮的记录继续优化，直到页面通过测试评审确认合格，才把最终版本交给你。这就是 Loop。

对比一下过去的 Prompt 模式和现在的 Loop 模式，你就能看出核心区别。Prompt 模式要求人参与每一次修正，你是保姆，全程盯着；而 Loop 模式是你设定目标和验收标准，让 AI 自己试错，自己复盘，自己迭代，你是老板，只做最终验收。所以现在很多 Agent 工具里都会出现 goal（目标）、rule（规则）、memory（记忆）、review（评审）这类模块。

Loop 真正的关键不是让 AI 一直跑——一直跑只会烧 token。关键是每一轮都要留下清晰记忆，错了什么？错在哪里？下一轮怎么改？如果一个 Agent 只记得最后一轮对话，那它能循环，但很难稳定变强。更好的方式是让它在循环过程中持续写笔记，把失败判断经验沉淀下来，这样优化才不是重复劳动，而是在积累组织资产。

Loop 带来的最明显变化就是角色转变，我们不再是全程监督 AI 的人，而是最后验收结果的人，而且独立裁判机制能减少 AI 幻觉——AI 自己说完成不算，必须通过验收标准才算完成。但要注意，Loop 不是魔法，如果你自己没有规则，没有专业判断，盲目开启自动循环，AI 可能只会批量生成一堆看起来很精致，实际没用的内容。所以真正重要的不是让 AI 循环起来，而是先定义清楚目标是什么，标准是什么，失败怎么记录，谁来验收。

Prompt 时代比的是谁会提问，Loop 时代比的是谁会设计系统。

从写提示词到设计系统，这是 AI 开发范式的重要转变。

这事儿是怎么火起来的？

📰 最近的大事

6月7号：Open Cloud 的创始人 Pat Stenberg 说：「大伙别再写 Prompt 了，应该转而设计 Loop！」（这条推特 220 万浏览量）
6月2号：Cloud Code 的创始人 Boris 也说：「我现在根本不写 Prompt，我的工作就是写 Loops」

为什么是现在？¶

一年前：要自己写一堆脚本来实现自动化
现在：主流产品（比如 Cursor、Cloud Code）都已经内置了这些功能
关键点：工具不再是问题了，设计 Loop 才是现在的瓶颈

🎯 这事儿的本质

瓶颈变了：以前的瓶颈是 AI 模型不够聪明，现在的瓶颈是——人在循环里太累了
Agent Loop 就是来解决这个的：把人从重复的循环里解放出来

什么是 Agent Loop？¶

🤖 自动化团队

你可以把它想象成一个自动化团队： - 以前是你自己干，或者盯着 AI 一步步干 - 现在是给 AI 搭好一个工作流程，让它们自己循环着干

搭建 Agent Loop 的六个零件¶

🧩 六个核心零件

零件	用大白话解释
Automation	自动化：让事情自己跑
Work Trees	工作树：相当于给不同任务分文件夹
Skills	技能：像公司里的 SOP 手册，一套成熟的操作流程 + 说明文档，必要时还带脚本
Plugins/Tools	插件/工具：给 AI 用的工具箱
Subagents	子代理：就像团队里的不同角色，分工合作
Memory	记忆层：用 Markdown 文件记录，每次对话都会加载进去，不会忘事儿

⭐ 为什么「技能（Skill）」这么重要？

没有技能的情况：每次都从零开始问，浪费钱（token）也浪费时间
有技能的情况：就像一个不断成长的团队，难事儿解决了就变成经验，下次直接用
结果是：运行更快、次数更少、成本更低

🔄 为什么还要「子代理（Subagent）」？

你有没有发现：AI 对自己写的代码总是挺宽容的？总觉得自己写得挺好
这时候就需要另一个 AI（子代理）来打分和检查
核心原则：写代码的（Maker）和检查代码的（Checker）要分开，用子代理实现

设计 Loop 的五步法（手把手教）¶

🔴 第一步：定义「什么叫做完」（最重要！）

停止条件必须非常清楚，能写成代码那样明确，不能是模糊的想法
举几个常见的「做完」标准：
所有测试都通过了
输出的格式和我们预先定好的一样
文档质量评分超过了阈值（比如 8 分）

第二步：搭建/组装上下文

每一轮对话的上下文都不一样
根据当前的状态自动组装，这样 AI 知道现在是什么情况

第三步：执行并记录结果

让 AI 去干活，把结果记录下来

🔄 第四步：用反馈把循环闭合

把上一轮失败的信息整合到下一轮的提示里
划重点：失败信息是下一轮成功的关键，丢了就断了反馈链

🛡️ 第五步：安装护栏（安全措施）

最大迭代次数：一般设 15-50 次，防止无限循环
无进展检测：如果卡住不动了，就自动结束
Token 上限：防止跑一晚上烧掉几千美金（这事儿真的发生过）

六个多 Agent 团队阵型¶

⚠️ 单个 Agent 的局限

单个 Agent 有局限：上下文装不下太多、创新容易遇到瓶颈、出问题难恢复

🏛️ 多 Agent 阵型

阵型	什么时候用
简单流水线	线性任务，一步一步来
协调者-工作者模式	一个管事儿的（协调者）在上面指挥，下面多个干活的（工作者）
并行合并	比如要审计 200 个文件、或者查多个数据源，各干各的，干完汇总就行
并行通信	比如五个 Agent 一起搜数据，谁发现了新线索就同步给其他四个，大家一起优化搜索方向

常见的五个失败模式¶

上下文污染：信息乱了
级联失败：一个错了，后面全错
范围蔓延：任务越干越多，收不住
...（还有其他的）

怎么省钱？Token 成本优化¶

💰 导致 Token 烧钱的六大坑

没有检查和停止条件（根本停不下来）
没有把上一轮的失败信息整合到下一轮
...（还有其他）

💡 省钱小技巧

协调者只负责路由，不负责思考：输出就是简单的数字（12345）或者方向（东南西北中），非常短，省 token
输出比输入更贵：省输出是四两拨千斤，效果比省输入好多了

从「写 Prompt 的」到「设计 Loop 的」¶

📈 能力要求升级了

以前：能写一条好的提示词就行
现在：要设计整个系统
熟悉系统的每个零件
测试系统稳不稳、管用不管用
稳定好用的同时还要省钱
能在真实生产环境中运行

从零开始的五步检查清单¶

✅ 五步检查清单

任务分解：把大任务拆成小任务
专家识别：想想每个环节需要什么样的「专家」
通信设计：这些「专家」之间怎么沟通
契约治理：写个类似 Cloud.md 的文件，定好规则
运行前检查表：跑之前再检查一遍