停止提示你的 AI，开始为它设计循环——Loop Engineering 诞生记

停止提示你的 AI——开始为它设计循环

副标题：Loop Engineering 诞生记：一条推文、650万次浏览，和一个改变了整个AI工程范式的6个字

我是【一只阿木木】——公开建造我的 AI 第二大脑。

在一个所有东西都在云端化、AI 化、平台锁定化的时代，我选择反方向——让文件持久，让应用可替换，让人保持思考。 这不是保守，而是一种深度的长期主义。

我的终极赌注是：当 AI Agent 变得越来越强大时，拥有一个由纯文本文件组成的、结构化的、本地存储的知识库，将成为每个人最有价值的数字资产。Obsidian 不需要"成为" AI——它只需要成为 AI 最好的"操作对象"。

我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统。

引子：一条推文，打碎了两年的认知惯性

2026年6月7日，凌晨，一个叫 Peter Steinberger 的工程师在 X 上发了12个字：

"You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents."

没有图。没有代码链接。没有博客文章。

在此之前，大约有两年时间，从 AI 代理里获取价值的方式很简单：写一个好提示，分享足够的上下文，读取返回的内容，然后再输入下一条指令。你始终握着工具，一轮接一轮。

然后这12个字出现了。

2026年6月8日，Peter Steinberger——OpenClaw 的创建者，现任职于 OpenAI——发布了两句话，在 X 上获得了 650 万次浏览。就这两句话。没有图。没有仓库链接。整个 AI 编程圈子花了接下来一整周争论这六个词的含义。

但真正让这个概念引爆的，是另一个人也在几乎同一时间说了几乎一样的话。

2026年6月，Anthropic 的 Claude Code 创建者 Boris Cherny 在一个舞台上说：「我不再提示 Claude 了。我有循环在运行。是它们在提示 Claude，决定下一步做什么。」

两个在第一线的人，同时说了同一件事。

这不是巧合。这是信号。

一、这之前发生了什么：你以为自己在用 AI，其实你只是在聊天

让我先说一件事。

在2024年和2025年的大部分时间里，我以为自己在「用 AI 开发」。打开 Cursor，输入需求，等它生成代码，审查，再提示，再等待，循环往复。

效率确实提升了。但我没有意识到的是，我一直是那个驱动引擎的人。AI 是工具，我是操作者。每一步都需要我在场，每一次迭代都需要我开口。

这种模式有一个隐藏的上限：我的注意力带宽。

每天能开多少轮对话？能同时管理几个 AI 任务？能在多少个上下文窗口之间跳跃？

这个模型有天花板。对于任何需要多个步骤、真实世界反馈或迭代改进的任务，单次提示很快就会崩溃。

那么接下来发生了什么改变？

二、范式转移：从「操作工具」到「设计系统」

先给出最简单的定义。

Loop Engineering 是这样一种实践：设计、操作和改进反馈循环，让 AI 编码代理能够规划工作、修改代码、观察结果、修正方法，直到软件任务完成。它不把 AI 工具当成一次性代码生成器，而是把软件工作当成一个迭代系统：定义目标、检查代码库、做出修改、运行验证、读取结果、决定下一步。

听起来还是有点抽象？

用一个具体的对比。

旧范式（你在操作 AI）：

text

你 → 提示 → AI 生成代码 → 你审查 → 你发现Bug → 你再提示 → AI 修复 → 你再审查...

整个过程里，你是系统的 CPU。AI 只是一个很快的键盘。

新范式（你在设计系统）：

text

你 → 定义目标 + 验证条件 → 
  Loop {
    AI 读取项目状态 →
    AI 做出修改 →
    运行测试套件 →
    如果通过：结束
    如果失败：读取错误 → 继续下一轮
  }

你做了什么？你定义了目标和停止条件，然后离开了。

Loop Engineering 的名字抓住了真正的变化所在：你不再是提示 Agent 的那个人，而是设计提示 Agent 的系统的那个人。

三、真正理解它

理论讲完了。说一个我自己做过的真实例子。

场景：我需要对一个 RAG 系统的检索模块做大规模重构。涉及约800行代码，15个函数，3个不同的接口契约。

旧做法（我做过的）：

打开 Claude，把代码贴进去，说「请重构这些函数，遵循以下接口...」。然后 Claude 生成了一坨代码，我花了两个小时审查、发现问题、再提示、再审查。第二天它「忘了」昨天做了什么修改。

每次新对话都要重新建立上下文。这叫 Session 失忆症——每次重置都在浪费你最宝贵的资源：时间和注意力。

新做法（Loop Engineering）：

Bash

# 第一步：写清楚目标文件（不是提示词，是系统的输入规格）
# VISION.md：我在构建什么，为什么
# AGENTS.md：Agent 的工作边界和约定
# tests/test_retrieval.py：15个验证重构正确性的测试（先写测试！）
# 第二步：启动循环
MAX_ITER=20
iter=0
while [ $iter -lt $MAX_ITER ]; do
  claude -p "根据 VISION.md 和 AGENTS.md，
             重构 src/retrieval.py，
             确保所有 tests/test_retrieval.py 通过。
             当前迭代: $iter" \
    --allowed-tools "read_file,write_file,run_command"
  # 运行验证
  if python -m pytest tests/test_retrieval.py --tb=short; then
    echo "✅ 所有测试通过，Loop 结束"
    break
  fi
  iter=$((iter + 1))
done

我按下回车，去喝了一杯咖啡。

回来时：17次迭代，所有15个测试通过，代码已经重构完毕。

我在整个过程中做了什么？定义了目标，写了测试，设定了边界。 然后放手。

四、Loop 的解剖：它为什么能工作？

很多人看到上面的例子会想：这只是个 while 循环，没什么神奇的。

但关键不在循环本身。1循环不是魔法。魔法在循环里面的反馈机制。

一个有效的 Loop 有五个核心组件：

1. 目标（Goal）：明确的终止条件。不是「写好代码」，是「所有测试通过」。模糊的目标会产生永远运行的循环。

2. 状态读取（State Check）：在 Hermes Agent 上的一个决定性示例：触发器每15分钟运行一次 cron；状态检查读取生产健康检查和测试结果；决策：如果所有检查通过，记录日志并停止；如果有什么失败，打开修复循环。

3. 反馈信号（Feedback）：反馈让循环值得信任——测试、类型检查、审查门控；一个没有任何推回机制的循环，只是 Agent 在自我认同。

4. 记忆持久化（Memory）：在每次循环结束后写一个关于失败模式和修复方案的简短记录，让下次同样问题的处理更快。

5. 成本控制（Cost Guard）：Uber 在 Claude Code 和 Cursor 上为每人每工具每月设定了1500美元的上限，原因是在4个月内烧光了年度 AI 预算。 没有成本上限的循环是财务炸弹。MAX_ITER=20 是你的第一道防线。

五、真实的坑：我掉进去过的三个

坑1：目标不可测量

最常见的失败模式：给 Agent 的目标是「优化这段代码」。

它会永远运行，因为「优化」没有终止条件。永远有更多优化可以做。

解法：所有目标必须是可验证的布尔值。pytest 通过 = True。API 响应时间 < 200ms = True。

坑2：没有写入边界

我给了 Agent 整个 Vault 的写入权限。它改了我不希望它碰的文件。

没有护栏，你会得到无限循环和远超预算的账单惊喜。 更糟糕的是，你会得到被悄悄覆盖的核心文件。

解法：在 AGENTS.md 里明确定义「禁止操作的文件/目录」，使用 --allowed-tools 限制写入范围，并用 Git 做版本控制备份。

坑3：上下文窗口焦虑

随着上下文窗口填满，模型会「恐慌」并急于完成，以避免空间耗尽；Agent 经常试图一次性解决整个问题，产生一团没有文档的修改。

解法：每次循环开一个干净的 worktree（git worktree add），强制 Agent 在有限范围内工作，而不是啃整个代码库。

六、2026年6月，工具已经准备好了

你可能会说：这听起来很复杂，自己搭一套这个系统要花多少时间？

让早期采用者感到惊讶的是，这不再是自己动手构建的工作。一年前，一个循环意味着一堆你永远要维护的 bash 脚本，只有你自己看得懂。到2026年中，这些部件已经内置在产品里了。

具体来说：

2026年6月，Claude Code 和 OpenAI Codex 都原生支持计划执行、worktrees、skills、MCP 连接器、子 Agent 和记忆。

• Claude Code：claude -p 非交互模式，/goal 命令运行直到完成条件满足
• OpenAI Codex：计划执行 + GitHub Actions 集成
• Hermes Agent：内置 cron、多模型支持、持久化记忆、自主 skill 创建

基础设施已经到位。门槛不再是「能不能搭」，而是「会不会设计」。

七、2026，你的角色变了

Loop Engineering 最深刻的影响，不是效率提升，而是你和 AI 的关系重新定义了。

以前：你是司机，AI 是车。你每一步都要打方向盘。

现在：你是赛道设计师，AI 是赛车手。你定义规则、路径和终点，然后让赛车自己跑。

赛道设计师需要的技能，和司机完全不同：

• 深入理解「什么是好的验证信号」（测试设计能力）
• 知道「如何定义有边界的操作空间」（系统设计能力）
• 能够「从失败模式中提取可复用的知识」（知识工程能力）

到2026年中，瓶颈已经从模型能力转移到编排设计。仍然一次一条地输入提示词的开发者，正在把90%的价值留在桌上。Prompt Engineering 没有死——它是入场券。Loop Engineering 是下一层。

你现在就可以做

不需要搭复杂的系统。今天就可以开始。

打开你手头的任何一个有测试覆盖的项目。

写一个10行的 shell 脚本：

1. 调用 claude -p 执行一个具体的重构任务
2. 运行 pytest
3. 如果失败，循环继续，把错误信息喂回给下一次调用
4. 设定最大迭代次数为10

按下回车。离开。

当你回来看到测试全绿时，你会明白为什么 Boris Cherny 说：

「我的工作，是写循环。」

我是【一只阿木木】——公开建造我的 AI 第二大脑。

一个程序员出身的知识工作者，公开记录自己如何用 AI 工具搭建个人知识系统、把读过的书和做过的项目变成可复用资产的全过程。

在一个所有东西都在云端化、AI 化、平台锁定化的时代，我选择反方向——让文件持久，让应用可替换，让人保持思考。 这不是保守，而是一种深度的长期主义。

我的终极赌注是：当 AI Agent 变得越来越强大时，拥有一个由纯文本文件组成的、结构化的、本地存储的知识库，将成为每个人最有价值的数字资产。Obsidian 不需要"成为" AI——它只需要成为 AI 最好的"操作对象"。

普通人如何用 AI 搭建自己的知识操作系统？

欢迎加入行动营👇获取更多Obsidian + AI数字大脑实践