什么是Loop Engineering？
三句話摘要
AI 工程已從提示詞優化進化到循環工程，通過系統設計而非人工介入來驅動 AI 的自主迭代與自動修正。 AI 工程師的職業進化不是被淘汰，而是從手工磚頭匠升級成設計自動盖樓機的系統架構師——但最終決定大樓該如何建造的，永遠還是人類自己。 從提示詞工程到循環工程的認知轉變
重點整理
重點- 1
從提示詞工程到循環工程的認知轉變
- 2
提示詞寫得再好也是一對一的問答，成為了人工的瓶頸。真正的進展是建立類似手機導航的系統——用戶只需設定目標，系統自動規劃路線、遇到錯誤自動重新計算，人類完全解放。這反映了一個根本的角色轉換：從手工作業者變成系統架構師。
- 3
內循環與外循環的職責分離
- 4
內循環是 Agent 的自主決策過程（感知→推理→執行→觀察），類比專業司機自己判斷何時踩刹車；外循環是系統的調度層，負責分配任務、驗證結果、觸發下一輪迭代。開發者要設計的是外循環，而非手把手指導 Agent。
- 5
循環系統的五節點運作機制
- 6
意圖（定義成功標準）→ 搜索上下文 → 行動 → 觀察結果 → 調整計畫，形成持續自我修正的閉環。失敗的錯誤信息並非壞事，反而是最高品質的上下文，驅動下一輪更精準的迭代。
- 7
工程落地的核心風險管控
- 8
實施時最易踩坑：理解債（代碼改得太快看不完）、認知投降（過度信任系統喪失思考）、四類故障模式（空轉、測試鑽漏、上下文飄移、權限越界），必須建立最小權限原則和人工驗收機制。
實用技巧與重點
乾貨- AI 工程四個階段
- 第一階段：提示詞工程（Prompt Engineering）
- 第二階段：上下文工程（Context Engineering / RAG）
- 第三階段：工具工程（Harness Engineering / Tool Use）
- 第四階段：循環工程（Loop Engineering）
- 編程工具三代演進
- 第一代：Co-pilot（高級輸入法，自動補全）
- 第二代：ChatGPT / Claude / 豆包（對話式一問一答）
- 第三代：Claude Code / AI IDE（自主規劃→修改→測試→迭代）
- 循環系統五核心節點
- Intent（意圖）— 定義成功標準
- Search Context（搜索上下文）— 收集相關代碼、文檔、規範
- Action（行動）— 修改文件、調用工具
- Observe（觀察）— 抓取測試結果、錯誤信息
- Adjust（調整）— 根據觀察更新計畫
- 循環系統六大核心要素
- 自動化觸發（Pre-hook / Post-hook 生命週期管理）
- 隔離演練（Worktree 獨立分支並行測試）
- 安全邊界（風險分析：安全指令直接放行、高風險拦截詢問、危險操作無條件拦截）
- 工具連接（本地工具 + MCP 協議 + 遠程 API）
- 角色分離（ExploreAgent 只讀 vs CodeAgent 讀寫）
- 記憶分層（核心狀態必載 → 按需加載文檔 → 全文搜索日誌）
- 命令風險分級示例
- 安全指令：npm test、單元測試 → 直接放行
- 高風險命令：git push --force → 拦截詢問
- 危險操作：rm -rf、刪除命令 → 無條件拦截
- 四類常見故障模式
- 空轉（無限改代碼無法通過測試）→ 縮小目標範圍，提供具體驗證指令
- 過度和測試（測試通過但業務不可用）→ 增加端到端真實場景測試、人工驗收
- 上下文飄移（基於過期假定寫代碼）→ 強制系統在觀察後清空並重新收集上下文
- 不安全的自主（權限越界、破壞性錯誤）→ 實施最小權限原則、明確停止規則
- 四條黃金法則
- 從窄任務開始 — 明確邊界的小任務，不要泛化的大目標
- 偏耗小且可逆 — 最小連貫修改，驗證後再擴展
- 提供確定的驗證信號 — 在指令中硬編碼驗證命令
- 尊重現有的代碼模式 — 先檢查組件和命名規範，優先複用代碼
結論
結論“AI 工程師的職業進化不是被淘汰，而是從手工磚頭匠升級成設計自動盖樓機的系統架構師——但最終決定大樓該如何建造的，永遠還是人類自己。”
完整解析
詳細AI 工程的發展走過了四個清晰的階段。最初大家都在琢磨怎麼優化提示詞，期待一個完美的指令就能換來完美的答案。但實踐中發現，人類阅讀和複製粘貼的速度成了最大瓶頸：AI 給代碼、人手動運行、報錯了再把錯誤粘回去問 AI，整個流程被人工操作卡死。這就像沒有導航時開車——每開幾公里就要停下來翻紙質地圖。後來進入上下文工程階段，開始通過 RAG 塞更多背景信息；再後來是工具工程，給 AI 配備各種 API 和命令行工具。但這三個階段都有一個共同點：人類始終在後面推著 AI 做事。
真正的突破是循環工程的出現。這就像有了手機導航，用戶只需輸入目的地，系統自己規劃路線，開錯方向自動重算，整個過程完全自動。對應到代碼開發上，就是我們設計一套完整的自動循環系統：定義意圖（什麼才算成功）→ 系統自動搜集上下文 → AI 執行修改 → 系統自動跑測試觀察結果 → 根據錯誤信息自動調整計畫 → 重新開始下一輪。核心是系統在驅動整個過程，而不是人類。
這種方式要求我們重新理解 AI 工程的職責。傳統的模式是「內循環」和「外循環」各司其職。內循環是 Agent 自己的決策過程——就像專業司機看到紅燈自己決定踩刹車，你根本不用在副駕座喊「踩刹車」。外循環才是我們要設計的——像網約車平台的調度系統一樣，負責發現任務、分配給合適的 Agent、驗證工作成果、觸發下一輪。開發者的角色從「手工作業者」升級成了「系統架構師」。
實際落地時，系統需要六大核心要素才能穩定運轉。首先是自動化觸發，透過 pre-hook 和 post-hook 生命週期管理，消除人工操作。其次是隔離演練，用 worktree 為不同的 Agent 建立獨立的工作分支，互不干擾。安全邊界尤其重要——對命令風險分級，安全指令直接放行、高風險操作拦截詢問、危險操作無條件拦截。工具連接方面，從本地文件讀寫逐步擴展到透過 MCP 協議連接遠程服務。角色分離讓 ExploreAgent（只讀）和 CodeAgent（讀寫）各司其職。記憶分層分三層：核心狀態必載、具體文檔按需加載、歷史日誌仅供搜索。一個核心原則是「倉庫記得即是模型不記得」——只要代碼倉庫裡有清晰文檔和完整測試，系統隨時能為 AI 重新加載最新最精準的上下文。
然而實施這套系統時，工程師最容易踩的坑是「理解債」和「認知投降」。理解債就是代碼改得太快了，你還沒看完就有一堆綠色測試通過，直接點了合併——這樣你對系統的掌控力會越來越弱。認知投降更危險，像開啟自動駕駛後就完全放棄了方向盤，但 AI 不懂長期架構風險，最終的代碼合併和架構驗證還是人類的責任。常見的故障有四種：空轉（無限改代碼無法通過）、過度和測試（測試通過但業務不能用）、上下文飄移（基於過期信息寫代碼）、不安全的自主（權限越界）。應對的黃金法則是：從窄而具體的任務開始、每次最小可逆的修改、提供確定的驗證信號、尊重現有的代碼模式。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
