# Loop Engineering：从写 Prompt 到设计可托管的工作闭环

Loop Engineering 的核心不是「写更好的提示词」，而是把人类反复驱动 AI 的动作，设计成可重复、可恢复、可验证、可治理的闭环。

四层工程的重心迁移

层级	关注点	典型产物
Prompt Engineering	单次模型响应	prompt、system message
Context Engineering	注意力预算	rules、skills、检索
Harness Engineering	Agent 执行环境	sandbox、hooks、权限
Loop Engineering	跨轮次工作闭环	trigger、verifier、handoff、eval

一句话：Loop Engineering 把 Agent 从「交互对象」变成「可托管工作流单元」。

Loop 契约：八个必答问题

设计一个 loop，至少要定义：

1. Trigger — 什么事件启动：定时、issue 变化、CI 失败、PR 评论？
2. Workspace — 在哪个隔离环境：worktree、容器、远程沙箱？
3. Context — 哪些默认注入，哪些按需检索？
4. Executor — 谁执行：主 Agent、subagent、脚本？
5. Verifier — 停止条件：测试、lint、独立 evaluator？
6. State — 留下什么状态供下一轮使用？
7. Budget — token、时间、重试上限？
8. Handoff — 何时升级给人类？

发现任务 → 分配环境 → 注入上下文 → Agent 执行
        → 独立验证 → 记录状态 → 人类审查/升级 → 下一轮

Loop 与 Prompt 的本质差异

Prompt 优化一轮对话：指令是否清楚、格式是否稳定。

Loop 优化一类持续发生的工作：

• 哪些工作值得循环化？
• 每次执行是否在隔离环境中？
• 结果能否被程序化或半程序化验证？
• 人类在哪个节点介入最有杠杆？

Loop 设计得差，会把错误、漂移、成本和权限风险自动放大。

人类在 loop 中的四个高杠杆节点

Loop Engineering 不是追求无人参与，而是让人类移到高杠杆位置：

节点	作用
设计 loop	定义契约、权限、验证器
审查异常	处理 verifier 无法自动裁决的情况
改进 verifier	把重复人工判断沉淀为传感器
治理与度量	跟踪 completion rate、干预率、成本

与 Inner / Middle / Outer Loop 的关系

• Inner Loop：人在 IDE 里与 Agent 结对（单次会话内的 loop）
• Middle Loop：PR、review、CI 修复（跨会话的 loop）
• Outer Loop：发布、度量、组织学习

Loop Engineering 提供跨三层通用的契约语言；参见 Inner / Middle / Outer Loop 与 Harness Engineering。

试点指标

引入 loop 时建议跟踪：

• Completion rate — 无需人类介入即 verifier 通过的比例
• Human intervention rate — 需要升级的比例
• Cost per completed task — 含重试与 review 的全成本
• Time to verified output — 从 trigger 到 verifier 通过

五个常见反模式

1. 无 verifier 的 loop — 只有生成，没有可验证停止条件
2. 共享 workspace 并行 — 多 loop 互相污染
3. Prompt 冒充 loop — 用长 prompt 替代 trigger/state/handoff 设计
4. Verifier 过弱 — lint 通过即视为完成
5. 无升级路径 — Agent 卡住时只能人工 kill

参考

• Addy Osmani, Loop Engineering (2026)
• OpenAI Codex: Automations, Goals, Worktrees, Skills
• Anthropic Claude Code: scheduled tasks, subagents, hooks