KeyFrame內部研究專用

Loop Engineering 没那么复杂,简单易懂保姆级讲解

AI随风17 min中文
觀看原始影片

三句話摘要

循環工程(Loop Engineer)的定義、五大要素、實現步驟與安全邊界。 ## 循環工程的核心是用第三方驗證加持的記憶機制讓 AI 自動化流程能夠自我迭代,關鍵成敗在於驗證方案的完善程度和充分的手動測試。 五要素組成的閉環循環:觸發定義啟動時機(定時或事件),執行是標準化流程,驗證通過第三方 Agent 評分判定,記憶存儲日誌供下次迭代學習,停止條件決定何時終止。其中驗證最關鍵——寧可讓執行失敗也不能讓 AI 自己判定成功,否則結果完全不可信。

重點整理

  1. 五要素組成的閉環循環:觸發定義啟動時機(定時或事件),執行是標準化流程,驗證通過第三方 Agent 評分判定,記憶存儲日誌供下次迭代學習,停止條件決定何時終止。其中驗證最關鍵——寧可讓執行失敗也不能讓 AI 自己判定成功,否則結果完全不可信。

  2. 四階段演變路徑:第一階段人工處理每筆工單;第二階段將流程技能化;第三階段交由 AI Agent 驗證且引入評分機制(6 分以上通過);第四階段設定定時觸發實現完全自動化。這條路線讓循環從勞力密集變成機器自驅。

  3. 驗證是質量守門人:驗證不是判斷「有沒有完成」,而是評估「完成得好不好」,需記錄不通過原因供下次改進。若驗證寫不好,整個循環會虛假成功,看似運轉實則充滿漏洞。

  4. 五項前置條件缺一不可:需有充足 Token 預算支持多次上下文往返、明確的重複性執行任務、準確詳細的驗證方案、通暢的項目基建(文檔規範、測試工具、系統介接),任何一項缺失都會讓循環卡頓低效。

  5. ##

實用技巧與重點

  • 五個核心要素
  • 觸發:定時(每天 10 點)或事件驅動
  • 執行:標準化技能流程
  • 驗證:第三方 Agent 評分(如 6 分以上通過)
  • 記憶:日誌記錄與改進建議
  • 停止:明確的完成條件
  • 四階段演變(以工單處理為例)
  • 第一階段:人工分類(Bug/投訴/建議)→ 各自處理 → 手動驗證 → 標記修復
  • 第二階段:呼叫「工單處理技能」 → 讀取反饋 → 手動驗證 → 標記修復
  • 第三階段:執行技能 → 驗證 Agent 接管評分 → 日誌記錄 → 條件達成才標記修復
  • 第四階段:每天 10:00 自動觸發 → 驗證 Agent 檢查 → 自動標記修復 → 日誌沉澱
  • 推薦實施步驟
  • 手動跑通一次完整流程
  • 將流程技能化
  • 引入外部 Agent 驗證
  • 加入日誌記錄機制
  • 多輪手動測試確認效果
  • 部署定時自動化
  • 開源資源
  • Loop Library 提供現成循環範本:產品評估循環、退款跟進循環、倉庫維護循環、文檔清理循環、錯誤訊息重啟循環等
  • 提供專門技能協助設計循環
  • 安全與倫理邊界
  • 最小權限原則:不授予完全權限
  • 面向客戶需明確標註 AI 身份
  • 防御攻擊循環:避免兩個循環互相回應導致無限迴圈
  • ##

結論

循環工程的核心是用第三方驗證加持的記憶機制讓 AI 自動化流程能夠自我迭代,關鍵成敗在於驗證方案的完善程度和充分的手動測試。

完整解析

循環工程的本質是將重複性工作流程自動化,並通過 AI Agent 的迭代學習不斷優化。講者以每日工單處理為例,清晰地展示了從純人工到完全自動化的四個演變階段。

最初,員工每天 10 點需手動從系統拉取工單,判斷其屬於 Bug、投訴還是建議,再針對不同類型採取相應處理流程,最後手動驗證並標記為修復。這是典型的勞力密集型重複工作。隨著意識到流程高度標準化,講者將整個執行邏輯封裝成一個「工單處理技能」,員工只需一鍵觸發而非逐步手動操作,大幅簡化了流程。

但人工驗證仍是瓶頸。第三階段是關鍵轉折——引入獨立的驗證 Agent,採用評分制(6 分以上視為通過),並強調驗證的重要性。講者特別指出,執行 Agent 不能自我評判成功與否,就像「自己寫的代碼自己判斷有沒有問題,肯定說沒問題」一樣不可信。驗證必須交由第三方 Agent 客觀評估,同時將驗證意見和日誌記錄下來,供下一個循環的 AI 讀取學習,形成自我迭代的能力。

第四階段實現完全自動化。系統在每天 10 點自動觸發工單處理流程,執行完成後驗證 Agent 自動評分,若達標則自動標記修復,整個過程的日誌和改進建議被寫入記憶庫。這樣,每一次循環都成為下一次循環的學習材料,系統能逐漸優化處理品質。

循環工程的五個核心要素環環相扣:觸發決定何時啟動(可定時或事件驅動),執行必須是標準化的可重複流程,驗證是質量守門人且不能由執行者自評,記憶是自我改進的基礎,停止條件確保循環有明確的終點。其中驗證最為關鍵——若驗證寫得不周密,循環會虛假成功,結果是系統自認為問題解決實則一團糟。

實施循環工程有五項前置條件。首先需要充足的 Token 預算,因為每個循環都涉及多個 Agent 的多次上下文往返;其次任務必須明確且重複出現,若任務定義模糊則無法標準化;第三是驗證方案要詳盡準確,寧可嚴格也不要含糊;第四是任務確實具有重複性;最後項目基建要完善,包括清晰的文檔規範、完整的測試用例、必要的 MCP 插件、以及上下游系統的通暢介接。任何一項缺失都會讓循環效率大幅下降。

講者建議的實施路線是:先手動完整跑通流程確保邏輯無誤,再做技能化提高標準化程度,接著引入驗證 Agent 並添加日誌記錄,之後進行多輪手動測試確認效果可接受,最後才部署定時自動化。這個審慎的過程確保循環上線時已經過充分驗證。

開源的 Loop Library 提供了多個現成的循環範本和設計工具,用戶可參考範本快速構建自己的循環。同時需留意安全與倫理邊界:遵循最小權限原則避免系統權限過大,面向客戶的自動化需明確標註 AI 身份,還要防範「攻擊循環」問題,即兩個自動化循環互相回應導致無限迴圈。

##

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。