最近在 X 上刷到一篇很火的帖子，作者 Rahul 是 NicheTrafficKit 的创始人，长期关注 AI 领域和产品构建。这篇帖子标题是「Loops: What Every AI Engineer Needs to Know in 2026」，发布才几天阅读量就超过 250 万，在 AI 圈子里讨论得很热烈。

文章的开始提到了两位行业顶尖 AI 工程师几乎在同一时间说的意思完全相同的话。

Peter Steinberger，OpenClaw 创建者，现在在 OpenAI 工作：

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

Boris Cherny，Anthropic 旗下 Claude Code 负责人：

"I don't prompt Claude anymore. I have loops running that prompt Claude and figure out what to do. My job is to write loops."

两个大佬一致的判断，让很多人开始思考：这到底是什么意思？

我是循环中的一环

看到这个论述，深有体会。在 AI 开发的过程中，大多数人的流程是：写提示词 → 等待 AI 响应 → 查看测试结果 → 继续下一个提示词。

一个笑话：多数等待 AI 响应过程中，你可能玩手机，AI 已经结束了，半个小时过去了，你还在玩手机。

循环需要成本

循环听起来美好，但实际跑起来才发现，Token 成本是个大问题。这也是没人愿意提前说的隐藏门槛。

一个单 Agent 循环跑一个中等编程任务，需要消耗 5 万到 20 万个 Token。一个编排器带三个专业 Agent 的舰队循环，Token 消耗量会达到 50 万到 200 万。如果是每天定时运行的循环，一周下来就是几百万 Token。

按照传统的 API 定价，一周认真做循环工程的花费，可能比大多数人一个月的 AI 预算还要多。这就是为什么 Peter 那篇帖子下面，很多人会评论"说得轻松，你又有无限额度"。

他们说得没错，在普通预算下做循环工程，成本很容易失控。每次重试、每次自我纠错、每个子 Agent、每轮验证都要花钱。开放式探索的开放循环，烧 Token 的速度快到让人睁不开眼睛。

所以说，循环不难设计，难的是烧不起。

Rahul 认为，现在中国的大模型解决了这个经济可行性问题。像 DeepSeek、Kimi、MiniMax 这些模型，让 Agent 循环在普通人的预算下也能跑起来。

而 DeepSeek V4，是目前跑大规模循环最便宜的前沿模型之一。它的优势很明显：

• 1M 上下文窗口
• 384K 最大输出
• DeepSeek V4 Flash + Pro 双模型
• 极低的 Token 定价
• 支持工具调用和 JSON 输出
• Flash 版本支持高达 2500 并发请求

为什么 1M 上下文窗口这么重要？因为循环需要记忆。一个跑在大项目上的编程循环，需要同时记住之前的运行结果、当前错误、架构文档、测试结果和代码库上下文。大多数模型跑到一半就会丢失上下文，循环开始忘记之前发生的事情。DeepSeek 能装下更多上下文，所以长时间运行的循环也能保持连贯性。加上定价极低，循环终于不会让人破产了。

旧方式 vs 新方式

以前一直都是一次一个任务地提示 Agent。你输入 Prompt，Agent 回复，你审核，修复错误，再提示一遍。你自己就是那个循环。

现在这个模式正在改变。不再需要你一步步驱动 Agent 完成任务，而是设置一个循环，让它自己完成发现、规划、执行、验证、迭代，直到目标达成。

旧的提示模式：你 → 提示 → Agent → 输出 → 你审核 → 你修复 → 重复

新的循环模式：你设定目标 → 循环运行 → Agent 发现 → 规划 → 执行 → 验证 → 迭代 → 完成

你不再需要一步步提示，Agent 会替你重复这个循环。一个 Prompt 给 Agent 指令，一个循环给 Agent 一份完整的工作。

什么是循环工程

循环工程就是设计可重复反馈循环的实践，引导 AI Agent 从尝试到获得验证结果，整个过程不需要持续人工干预。

循环是你搭建好的装置，几乎任何 Agent 框架都能运行，区别只在于你怎么连接。最简单的情况，一个 Agent 自己改进自己：研究 → 打草稿 → 对照目标检查 → 修复薄弱环节 → 再次循环直到满足要求。

不管循环简单还是复杂，都会经历五个相同的阶段：

发现 → 规划 → 执行 → 验证 → 迭代

通过验证就交付，没通过就再来一圈。核心思想就这么多。

单 Agent vs 舰队

循环有两种规模。

单 Agent 循环，就是一个 Agent 自己跑完整个流程。就像一个人反复修改自己的稿子，自己发现需求、规划工作、执行、验证质量、有问题就迭代。适合专注任务、简单目标、范围有限的工作。一个大脑，一个循环，自我改进。

舰队循环是更大规模的玩法。你给编排器 Agent 一个目标，它把目标拆成小块，分给专业 Agent，专业 Agent 再把更细的工作分给自己的子 Agent。整棵树上的每个 Agent 都在不断跑发现、规划、执行、验证，直到目标达成，就像一整个团队端到端运行项目。

典型结构如下：

• 编排器（掌握使命）
  • 研究专家 → 网页研究员
  • 工程专家 → 代码编写者 + 调试者
  • QA 专家 → 测试编写者 + 缺陷追踪者

树上的每个 Agent 都跑同样的五阶段循环：发现 → 规划 → 执行 → 验证 → 迭代。

关键区别在于，单 Agent 循环像一个人改自己的稿子，舰队循环像一整个团队端到端跑项目。

开放循环 vs 封闭循环

Rahul 认为，这是 2026 年最重要的实践区分。不是所有循环都一样，主要分两类。

开放循环是探索式的，活动空间很大。你给 Agent 一个目标，让它自由探索，它可以尝试不同路径，发现新东西，产出你没有完整定义的成果。这是最令人兴奋的方向，也是 OpenAI 现在在做的事情。但缺点是 Token 消耗非常大，对于 90% 没有无限 API 预算的人来说，目前还不实用。如果指向标准松散的项目，很容易变成垃圾生产机器，特点就是快、乱、贵。

封闭循环是有边界的，人先设计好端到端路径。目标清晰、步骤明确、每一步都有评估、有明确的停止点或者交还给人类的节点。Agent 依然在循环，但只是在你搭建的框架内循环。每次运行结果都能为下一次提供反馈，所以会越跑越好。在普通预算下就能运行，因为路径是收紧的，标准让输出保持诚实。

苏米注：没有质量门槛，AI 会跑偏；有了质量门槛，AI 会持续改进。对今天大多数实际工作来说，封闭循环是真正能产生价值的选择。建议从封闭循环开始，先搭建一个可靠的紧凑系统，有了质量门槛之后再慢慢开放。

循环怎么做

每个能稳定运行的循环都包含六个模块，Claude Code 和 Codex 现在都已经内置了全部六个。

1. 自动化

这是触发发现阶段、启动循环的机制，是循环的心跳。自动化让循环成为真正的循环，而不是只运行一次的任务。你定义提示、运行节奏和目标，循环按时运行，结果自动推送给你，不需要你自己到处检查。

• /loop — 按节奏重复运行
• /goal — 持续运行直到你设定的条件满足

你可以给它这样的条件：「test/auth 目录下所有测试通过，lint 检查干净」，然后就可以走开了。

2. 工作树

让多个执行阶段并行运行且互不干扰，实现并行 Agent 不混乱。只要跑多个 Agent，文件就会冲突。两个 Agent 写同一个文件，就像两个工程师不沟通就同时往同一行代码提交一样危险。Git 工作树给每个 Agent 提供独立的隔离工作目录和独立分支，共享同一个仓库历史，零冲突。

3. 技能

让发现阶段更快，Agent 开工前就已经了解你的项目。不用每次从零开始解释项目。一个技能就是一个文件夹，里面放一个 SKILL.md，记录项目规范、构建步骤、那些「我们不用这种方式是因为出过事故」的经验。写一次，每次循环都读。

通常包含三个文件：

• VISION.md — 成功是什么样子
• ARCHITECTURE.md — 技术栈和文件夹结构
• RULES.md — Agent 绝对不能做的事情

4. 插件和连接器

让执行阶段变得真实，循环可以在你的真实环境中操作，不只是文件系统。基于 MCP 构建的连接器，让 Agent 能读取 Issue 追踪器、查询数据库、调用测试环境 API、往 Slack 发消息。这就是「Agent 说这是修复」和「Loop 自己开 PR、关联 Linear 工单、CI 绿了之后自己 ping 频道」之间的区别。

5. 子 Agent

让验证阶段保持诚实，检查者永远不是制造者。不要让写代码的人给自己打分。写出代码的模型，评价自己的作业总是手下留情。第二个 Agent，指令不同，有时候甚至用不同模型，能抓住第一个 Agent 自我说服漏掉的问题。

有效的拆分方式：

• 一个 Agent 探索
• 一个 Agent 实现
• 一个 Agent 按规范验证

6. 记忆

让循环持久化，第 47 次运行的发现阶段，知道前 46 次都试过什么。这是整个循环的支柱。一个 markdown 文件，或者一个 Linear 看板，任何存在于单次对话之外的东西都行。模型在两次运行之间会忘记一切，仓库不会忘。记忆文件记录：哪些尝试过了、哪些通过了、哪些还在开发。明天早上循环从今天停下的地方继续。

实际循环示例

看看实际应用中循环长什么样。

编程循环

没有人在中间环节，Agent 自己写、自己测、自己修复、自己验证：

读 VISION.md + ARCHITECTURE.md → 规划下一次改动 → 编辑代码 → 自动运行测试 → 如果测试失败 → 读报错 → 修复 → 重新测试 → 如果测试通过 → 总结改动 → 停止

研究循环

定义研究问题 → 搜索来源 → 总结发现 → 对照来源验证声明 → 比较冲突信息 → 合成最终答案 → 达到置信度阈值后停止

内容循环

定义话题 + 受众 + 目标 → 草稿完成 → 审查 Agent 评审草稿 → 根据评审重写 → 按成功标准打分 → 分数通过 → 发布 / 分数不通过 → 再次重写

销售外展循环

定义理想客户画像 → 找到匹配画像的线索 → 用公司数据丰富信息 → 按标准筛选 → 个性化消息 → 质量审查 → 发送或升级给人处理

每个循环的骨架都是一样的：目标 → 行动 → 检查 → 修复 → 重复直到完成。

提示工程师 vs 循环工程师

这是 2026 年正在拉开的技能差距。

维度	提示工程师	循环工程师
核心技能	打磨更好的指令，依赖语言技巧	设计更好的反馈周期，依赖软件工程技巧
工作方式	更好的 Prompt 带来更好的单次输出	更好的循环带来可靠的验证结果
审核方式	每次运行后手动审核输出，你自己就是反馈循环	系统自己运行、检查、自我纠正，系统本身就是反馈循环
典型说法	"给我写一个函数"	"写 → 测 → 修，直到绿灯"

工具还是那些工具，但思维模式完全不同。提示工程师向 AI 要输出，循环工程师设计产生验证结果的系统。

总结

如果要做好循环工程，需要两个条件：足够的预算和好的循环设计。人在原来循环中起到的最大作用就是验证与检查，如果这个工作由 Agent 来完成，需要判断它是否能完成得很好，因为很多好与不好的判断是非常主观的。但是有一部分的好与不好的判断，Agent 是可以做的。

循环工程是一个趋势，以后检查判断的工作会慢慢被 Agent 取代，但是现在还是需要一定的技术水平的。

核心要点：

• 六样东西：自动化（心跳）、工作树（并行不冲突）、技能（知识累积）、插件和连接器（真实工具操作）、子 Agent（制造者和检查者分离）、记忆（运行之间不忘记）
• 两种规模：单 Agent（一个大脑，自我改进）/ 舰队（编排器 + 专家 + 子 Agent）
• 两种类型：开放循环（探索式，强大但昂贵）/ 封闭循环（有边界，可靠，负担得起）
• 五个部分：目标（精确定义完成标准）、上下文（VISION/ARCHITECTURE/RULES）、行动（只给真正需要的）、反馈（测试/lint/结构化错误）、停止条件（循环知道何时结束）

原文链接：https://x.com/sairahul1/status/2064277888216555684