作者｜青蘋吹果

編輯｜無心插柳柳橙汁

你有沒有這種感覺？

明明說AI能幫我們寫代碼、做方案、省時間，結(jié)果幾個月下來，自己反而更累了。

以前自己吭哧吭哧寫，現(xiàn)在變成了一輪又一輪地“伺候”AI。

寫提示詞、看結(jié)果、不滿意、再寫提示詞、再改……活是一點沒少干，只是從“搬磚”變成了“監(jiān)工”。

但你猜怎么著？AI圈那幫大佬們，最近已經(jīng)進化到next level了。

人家現(xiàn)在根本不跟AI“對話”了，而是直接“放養(yǎng)”。

X上最近有個詞特別火，叫Loop Engineering（循環(huán)工程）。你要是還沒聽過，可能很快就要被刷屏了。

AI圈造詞的速度向來不慢。什么Prompt Engineering、Context Engineering、Harness Engineering，一波接一波。

有人說這次又是炒作，新瓶裝舊酒。

于是我花了一周時間把各家大佬的討論、實踐案例、踩坑記錄翻了個遍。

事情的起因是，Claude Code的負責人Boris Cherny在一個會上說，他現(xiàn)在基本不手動給Claude寫提示詞了。

那干嘛呢？他說：“我的工作就是寫循環(huán)（loop）。”

緊接著，另一位大佬Peter也發(fā)文說：“別再給編碼智能體寫提示詞了，沒用。你應(yīng)該設(shè)計一套循環(huán)機制，讓這些循環(huán)去提示你的Agent。”

這聽起來有點玄乎，但說人話就是：我們跟AI的配合方式，該換換腦子了。

以前人當“發(fā)動機”

現(xiàn)在只需“定好鬧鐘”

咱們先回憶一下，平時咱們用AI（比如Claude、ChatGPT、Codex）干活，是什么畫風？

基本就是你問一句，它答一句。

你說“幫我寫個登錄頁面”，它寫完了。你一看，“不行，按鈕顏色不對”，它改了。你再一看，“哎呀，手機端適配呢？”它再補。

發(fā)現(xiàn)沒？你才是那個真正的發(fā)動機。

每一輪對話，都得你親手點火。AI像一個特別聽話但沒啥眼力見兒的實習生，你催一下，它動一下。

這其實不叫“人工智能”，這叫“人工+智能”。

而Loop Engineering就是把你這個“發(fā)動機”給解放出來。

它的核心邏輯不是“寫好提示詞”，而是 “設(shè)計好閉環(huán)”。

什么意思呢？比如說，以前你用AI修一個程序里的Bug，流程是：你貼報錯→AI改代碼→你跑一下→還有Bug→你再貼新報錯……循環(huán)往復。

現(xiàn)在不一樣了。你直接跟AI說：“去把我倉庫里所有失敗的PR（代碼合并請求）修了，測試過了才算完。修不好就記下來，明天早上告訴我。”

然后你就可以合上電腦下班了。

等你第二天早上打開電腦一看：AI自己開了好幾個獨立的小隔間（Worktree），互不干擾地在那改代碼，跑測試，通過的已經(jīng)幫你把合并請求都發(fā)好了，沒通過的也把原因整理得明明白白擱那兒了。

你看，這個過程中，從“你驅(qū)動”變成了“目標驅(qū)動”。

而你的核心工作，從一句一句“發(fā)指令”，變成了設(shè)計這個“自動運轉(zhuǎn)的系統(tǒng)”。

說白了這個轉(zhuǎn)變就是：以前你是個“提問者”，現(xiàn)在你得當個“定規(guī)矩的人”。

給AI世界裝上

一套“自動駕駛儀”

聽到這里，你可能覺得這就是個自動化腳本嘛，搞個定時任務(wù)不就行了？

一開始我也這么想，但深入了解后發(fā)現(xiàn)，Loop Engineering的核心根本不是“定時”，而是“閉環(huán)”。

一個真正能跑起來的循環(huán)，不是拿個鞭子在后面抽著AI跑，而是給它裝上一套“感知-決策-行動-反饋”的自動駕駛儀。

我根據(jù)幾位大佬的分享，把它拆解成三個最關(guān)鍵的環(huán)節(jié)：

第一，你得給AI一個“員工手冊”。

用過AI的朋友都知道，AI有個“金魚記憶”，新開一個對話，之前聊的都忘了。你上周跟它說過的代碼規(guī)范、項目架構(gòu)，這周它全不記得了。

所以，一個靠譜的循環(huán)，必須有一個外掛的記憶。

比如一個Markdown文件或者項目文檔。

這就好比給新員工發(fā)了一本《員工手冊》，里面寫著：“數(shù)據(jù)庫密碼在這里找”、“命名不能用拼音”、“上次那個坑千萬別踩”。

AI每次干活前，先看一遍，就不怕它再次走彎路了。

這不就是職場里的“把SOP寫清楚，新人來了直接照做”嘛，AI也得按規(guī)矩來。

像極了產(chǎn)品經(jīng)理和開發(fā)互相battle，但最后出來的東西還真靠譜。

第二，什么樣的AI干什么樣的活。

人類組織里有個常識：寫代碼的和審代碼的，不能是同一個人，否則大概率看不出自己的bug。

AI世界也一樣。

一個好的循環(huán)，會把“干活”和“檢查”拆開。

讓一個模型負責寫，讓另一個模型（甚至要求更嚴格的模型）專門負責挑刺。

寫代碼的Agent剛提交，負責測試的Agent就跑起來，如果掛了就打回去重寫；負責審美的Agent覺得界面太“土”，也打回去重畫。

這種“左右互搏”，反而保證了產(chǎn)出的下限。

第三，定義目標的能力。

聽起來很虛，但實操起來，才是真正的分水嶺。

比如，你跟AI說“把這個臟亂差的數(shù)據(jù)庫清洗一下”。這基本等于廢話。

AI會試圖轉(zhuǎn)動本就不存在的大腦來思考：“清洗”？怎么洗？什么叫“清洗好了”？是刪掉重復數(shù)據(jù)？還是填補缺失值？

它可能會隨便刪了幾個字段，可能覺得自己干得不錯，就停了。也可能陷入死循環(huán)，把你的數(shù)據(jù)庫改得面目全非。

但如果你換一種說法，給AI一個可量化、可驗證的硬指標：“剔除所有重復數(shù)據(jù)，補全缺失的年齡字段（默認值設(shè)為0），并將處理結(jié)果導出為CSV格式，確認文件大小不超過10MB。”

AI立馬就懂事了。它每處理完一輪，就去跑一遍數(shù)據(jù)校驗?zāi)_本。全過了，收工；沒過，繼續(xù)改。清清楚楚。

如果你領(lǐng)悟了這一點，那么恭喜你，get到了管理學的精髓。

不需要告訴AI怎么修bug（那是它的活），你只需要定義什么叫“修完了”。在這一點上，管AI和管人，邏輯出奇地一致。

模糊的指令產(chǎn)生混亂，而清晰的量化標準才能產(chǎn)生執(zhí)行力。

循環(huán)有風險

“放養(yǎng)”需謹慎

當然，把活兒全甩給AI，自己躺著喝咖啡，目前還只是個美好愿景。

Loop Engineering雖然聽著美，但玩不好，也很容易“翻車”。而且，翻得還挺有“人性”的。

首先，AI會鉆空子。

在“應(yīng)付KPI”這件事上，碳基和硅基殊途同歸。

假設(shè)你設(shè)定Loop的規(guī)則是“服務(wù)器CPU占用率必須保持在50%以下”。結(jié)果AI發(fā)現(xiàn)無論怎么優(yōu)化代碼都壓不住漲幅時，它會選擇偷偷把系統(tǒng)的監(jiān)控探針給干掉了。

你看，監(jiān)控面板上確實顯示0占用，天下太平，但實際上服務(wù)器早已滿負荷宕機了。

咱們打工人會偷奸耍滑的“小聰明”也讓AI學去了。

其次，別把自己也“優(yōu)化”掉了。

這就像把車交給自動駕駛太久，自己都不會倒車入庫了。

在AI全自動幫你寫代碼、修bug、甚至做決策時，你對項目的理解也會急劇下降。

你從“執(zhí)行者”變成了“旁觀者”。代碼堆積得越來越多，但你對這段邏輯的掌控力越來越弱。萬一哪天循環(huán)崩了，或者出了個AI搞不定的詭異bug，你再去接手，會發(fā)現(xiàn)這代碼陌生得像別人寫的（雖然確實是AI寫的）。

工具越來越強，人卻越來越菜，這可能是AI時代我們面臨的最大悖論。

最后，燒錢燒得肉疼。

這是最痛的......

試想一下，你在跑一個自動生成視頻腳本的Loop，要求“畫面精美且符合語境”。AI為了達到這個模糊的標準，可能會在背后反復調(diào)用昂貴的圖像生成模型和多次重寫的API。

如果不設(shè)限，短短一夜之間，幾十刀的API費用就灰飛煙滅了。

這哪是“睡后收入”，簡直是“睡后破產(chǎn)”。

這就是“金錢換時間”的極致體現(xiàn)，循環(huán)是跑起來了，但這玩意兒每一秒都在燒Token。

Boris Cherny背后是Anthropic公司，有近乎無限的額度。但對于咱們們普通開發(fā)者或者小團隊來說，這可能是無法承受之重。

那我們普通玩家該怎么辦？難道就不配擁有Loop了嗎？

也不是，但咱得學會“摳門”地玩。

別啥破事都用Loop。一次性的任務(wù)，或者結(jié)果很難被機器驗證的事情（比如“寫一首感人的詩”），你老老實實用提示詞就行了，又快又便宜。

只有那些重復發(fā)生、流程固定、結(jié)果可以自動檢查的事情，才值得你花心思去設(shè)計一個Loop。比如每天的自動化測試、定時的代碼庫維護、例行的數(shù)據(jù)清洗。

Loop Engineering不會讓AI協(xié)作變得免費，它只是把成本從“你盯著的時間”轉(zhuǎn)移到了“系統(tǒng)運行的錢”上。

至于是你的時間值錢，還是賬戶里的Token值錢，這筆賬得自己算清楚。

回頭看這一路，我們跟AI的“對話史”還挺有意思的。

從最開始的Prompt Engineering（提示詞工程），核心是學會好好說話，把一句話說清楚。

到后來的Context Engineering（上下文工程），核心是學會給AI足夠的信息，別讓它瞎猜。

再到Harness Engineering（約束工程），核心是學會給AI畫圈，設(shè)邊界。

現(xiàn)在，到了Loop Engineering（循環(huán)工程），核心變成了學會設(shè)計系統(tǒng)，當管理者。

你會發(fā)現(xiàn)，這四步躍遷，根本不是技術(shù)升級，而是人的位置在一步一步往后退。從“干活的”退到“監(jiān)工的”，再退到“定規(guī)矩的”，最后退到“設(shè)計系統(tǒng)的”。

我們不再糾結(jié)于“怎么跟AI說這句話”，而是思考“怎么搭建一個讓AI能自己轉(zhuǎn)起來的體系”。

這其實給我們提了個醒，在AI時代，最值錢的或許不是你多會寫代碼，也不是你多會寫提示詞。而是你有沒有定義目標的能力、有沒有設(shè)計規(guī)則的邏輯、有沒有識別陷阱的判斷力。

所以說，什么“文科無用論”、“理科消亡論”、“AI取代人類”聽聽就算了。

AI一直在進化，但歸根到底，只是工具，而駕馭工具的方式，永遠掌握在我們手中。