你有没有发现，AI圈每隔几个月就要造一个新词？去年还在聊"提示词工程"，今年上半年变成了"Harness 工程"，到了现在，又开始讲"循环工程"。
龙虾之父在 X 上发了一条推文，大意是：别再在 Coding Agent 里写提示词了，你应该设计循环来使用这些 Agent。Codex 负责人很快转发了，问大家有没有开始写嵌套循环。Claude Code 产品负责人也在播客里说："不要跟 Agent 对话，跟 Loop 对话，让 Loop 替我来 prompt。"
这些人说的 Loop 到底是什么？
Loop 不是什么新发明
如果用一句话概括，就是让 AI 自己跑完一个完整的工作回路：做事→看结果→发现问题→再做事，直到目标达成。
最原始的例子是你让 AI 写代码，跑测试报错，你贴回错误，它再改——来回几轮，直到能用。区别在于，过去每一轮都要你手动推进，现在这些反复出现的动作可以被写成规则，交给系统自动执行。
一个完整的 Loop 需要回答五个问题：AI 什么时候开始干活？它能调用哪些工具？它怎么知道自己做错了？结果记在哪里？什么时候必须停下来交给人？
五个积木加一个记事本
拆开来看，一个 Loop 由以下几部分组成。
定时任务是循环的启动器。设定好频率，告诉 AI 几点起床干活。Codex 里叫 Automations，Claude Cowork 里叫 Scheduled。
Worktree 给每个 Agent 配一个独立工位。多个 Agent 同时干活时互不干扰，各改各的分支。
Skill 相当于项目手册。把构建步骤、团队约定甚至"上次这么干出过事"写在文件里，Agent 跑循环时不用从头猜规则。
连接器靠 MCP 协议让 Agent 跳出本地文件系统，去访问数据库和外部系统。
子 Agent 是最重要的结构——写代码的和审代码的不能是同一个。 换个不同指令甚至不同模型的 Agent 来挑刺，才能真正发现问题。
状态文件像一个记事本。Loop 每天重复跑，但不想它每天从零开始。记事本记录已确认的信息、踩过的坑、偏好格式、禁用表达、上次没解决的问题。AI 每次启动先读它，接着往下走。
不只有代码能用
很多人觉得 Loop Engineering 只适合编程，因为代码有天然的反馈机制——测试能不能过一目了然。但它的适用范围远不止编程。
内容工作可以自动筛选选题、整理资料、生成初稿、检查事实、优化标题。客服可以先读来信、判断问题类型、整理历史、生成回复草稿，把敏感投诉留给人工。运营可以定期整理用户反馈、评论、社媒讨论和竞品更新。研究可以追踪新论文、新报告、新数据。
这些场景的共同点：任务反复出现，流程相对稳定，结果可以被检查，关键判断还在人手里。
现实的冷水：Token 烧钱
不过，Loop Engineering 有个隐藏前提——Token 管够。循环会反复读上下文、反复重试、到处探索，不管最后有没有产出，Token 都在燃烧。
拥有无限额度的人觉得循环是常识——龙虾之父、Claude Code 负责人、Google Cloud AI 总监都有无上限 Token。但月付 20 美元的普通人，循环跑两天可能就达到了周限额。
所以 Loop Engineering 不会让 AI 协作变得无成本，它只是把成本从"人一轮轮盯着"的时间消耗，转移到了"系统一轮轮运行"的金钱消耗。
但一个趋势是明确的：随着模型越来越强，一次循环消耗的 Token 正在接近人来回追问几轮的成本。真正值得优化的，可能不再是某一句提示词，而是整个反馈回路。
下次用 AI 时，不妨想想：我需要的是更好的提示词，还是一套能反复运行、能留下记录、能及时停手的流程？这个分界线，可能比"循环工程"这个名词本身重要得多。
欢迎在评论区聊聊——你开始用 Loop 了吗？
