赞助背景与Agent基础架构
视频开篇感谢HubSpot赞助，并分享了团队在凌晨1点仍收到大量PR的真实案例。这并非因为团队加班，而是自动化Agent循环在持续工作。作者提到，一个Go语言循环已运行两天，每天自动生成20到40个高质量页面，无需人工干预即可驱动流量。这种自动化能力正是本期内容的主角——Loop Engineer。对于尚未构建过Agent的读者，作者建议先掌握Agent的三大基础组件：编程语言、循环逻辑、记忆层以及工具访问权限。HubSpot提供的免费视频课程通过构建个人助理（读取邮件、日历）和支持型Agent（连接业务流）等实例，帮助理解Agent记忆机制和上下文管理，这是理解后续高级概念的前提。
从Prompt工程到Agent Harness的演进
回顾2023年，LLM主要处理简单任务，如结构化数据提取或文本生成，此时Prompt Engineering成为核心，旨在通过工程化手段引导模型行为。进入2024年中，模型能力跃升，上下文窗口从4k扩展至128k，随后Google更是将默认窗口推至100万token。这一变化使得LLM能够集成MCP等工具，通过工具调用与响应的循环自主完成任务。然而，尽管窗口巨大，有效上下文窗口仅在128k至200k之间。因此，如何优化System Prompt以触发缓存、管理长对话的压缩策略，以及引入Skill扩展能力而不膨胀上下文，成为关键挑战。作者指出，上下文窗口的有效利用率直接决定Agent性能。
长周期任务与多Agent协作
到了2025年底，LLM的应用场景转向长周期、大规模任务。从年初开始，一次性代码生成完成30分钟至2小时的工作量已成为常态。这一趋势推动了Loop和Workflow的实验，从简单的While循环进化为Go语言、Codex及推理工作流。更重要的是，工作模式从单Agent完成全任务转变为多Agent会话协作。每个Agent会话负责特定任务并循环运行，直到全部完成。由于涉及跨会话工作，需要一种机制来追踪状态或文件系统，使不同Agent会话能理解当前进度并持续工作。这种机制不仅涉及Agent运行时，还包含其操作环境，从而引出了Agent Harness的概念。LangChain最初定义Harness为非模型部分，包括Prompt工程、上下文管理、编排逻辑和Hooks，这导致概念较为宽泛和混淆。
优化策略：循环内部与外部
为了厘清Harness的复杂性，作者提出两种优化视角。第一种聚焦于Agent循环本身，无论是使用Codex还是构建自定义Pi Agent，核心在于优化单次任务执行的完成质量。第二种则超越单次任务，关注整个Agentic系统的编排与状态管理。这涉及如何确保多个Agent会话之间的状态同步、文件系统的共享以及长期工作的连续性。这种区分有助于开发者明确优化目标：是提升单个Agent的推理精度，还是构建稳健的多Agent协作框架。通过理解这些基础模式，开发者能更有效地设计Loop Engineer，实现从简单自动化到复杂、可累积的自动化工作流的跨越。
核心机制：从被动提示到自主触发的循环引擎
Loop Engineer 的本质并非简单的提示词工程，而是一个自主触发 Agent 运行时并持续追踪状态与日志的环境系统。这种架构的核心价值在于将人类从直接提示 Agent 的任务中解放出来，使 Agent 能够根据外部事件自动唤醒并执行工作。触发源可以是 Cron Job、其他 Agent 的调用，甚至是服务器故障的 Webhook。Agent 被唤醒后，会进行调查与行动，产出一系列待办事项或想法，由主 Agent 进行优先级排序并分配任务，随后通过回顾和学习实现持续改进。
"The reason this critical is then it actually free you from prompting the agent itself. The agent can actually be a lot more autonomous and triggered by our different things."
这种机制允许 Agent 在随机时间和场景下被激活，从而构建出高度自主的工作流。例如，在处理客户支持时，可以设置一个每 30 分钟触发一次的循环，让 Agent 审查未自动处理的工单，记录摩擦点和改进想法。这不仅解决了即时问题，还为产品改进提供了数据支持。更强大的模式是，这些记录的想法可以直接触发编码 Agent 进行实施，形成闭环反馈，监控修复效果并防止问题复发。
实战案例：多循环系统的信号共享与协同效应
在实际应用中，通过定义多个相互叠加的循环，可以产生巨大的乘数效应。关键在于建立一个共享的文件系统（称为 "Signals"），用于捕获产品想法、摩擦点和遗漏的机会。例如，公司的支持循环每 30 分钟运行一次，将发现的摩擦点记录到特定的 Markdown 文件中，详细记录受影响的用户和问题描述。与此同时，SEO 循环在每天上午 9 点运行，抓取数据并研究话题，发布相关页面。在分析过程中，如果发现有高点击率但低转化的页面，它会生成一个关于转化缺口的信号。
"We have one support loop that every 30 minutes it will just trigger the agent handling all support tickets and also log the frictions and ideas into one folder what do we call signals."
这种共享大脑的架构使得不同循环之间能够相互读取和写入数据。SEO 循环在优先排序增长实验时，不仅查看事后会话和分析数据，还会参考其他循环或部门在 "Signals" 文件夹中识别出的所有信号。如果广告循环发现某个关键词点击率高但缺乏有机内容，这一信号会反馈给 SEO 循环，使其优先优化该关键词的有机内容。这种跨部门的信息流动确保了资源被分配到最高价值的任务上，如修复频繁报告的错误或抓住营销团队优化的机会。
架构基石：代码库的可读性与并行执行环境
要构建这种复杂的循环系统，必须满足四个核心组件：触发器设置、文件系统结构设计、工具与连接器集成、以及并行自主工作的代码库环境。其中，代码库的可读性（Legible）和可执行性（Executable）是基础。Agent 需要能够轻松理解代码结构并确定修改位置，同时能够轻松启动本地开发服务器以验证工作。OpenAI 的 agents.md 文件提供了一个良好的参考，通过索引指向其他文档系统，让 Agent 逐步发现信息。
为了增强 Agent 的上下文工程能力，可以设置自定义链接检查。由于不能依赖 Agent 自行找到所有相关信息，可以将规则注入到程序化链接检查中。例如，在一个复杂的 Monorepo 中，如果 Agent 尝试从被禁止的旧文件夹导入文件，系统会自动 surfaced 错误。这种上下文工程确保了 Agent 不会在无关信息上浪费时间，而是专注于任务所需的特定上下文。此外，代码库必须支持并行和自主工作，允许多个 Agent 同时工作并验证彼此的工作，这是实现大规模自动化循环的关键技术前提。
构建 Agent 友好的代码库基础设施
为了让 AI Agent 能够高效且独立地工作，开发者必须提供零认知负荷的开发环境。核心策略是编写如 dev.local 这样的脚本，使 Agent 能一键启动开发服务器，无需消耗 Token 或理解复杂配置。同时，代码库需具备工作树友好性（work tree friendly），确保在五个并行 Agent 同时工作时，各自在独立分支操作，互不冲突。此外，应预设快捷脚本让 Agent 跳转到特定状态（如 all state）以测试特定场景，从而降低验证成本。
在验证环节，可验证性（verifiable）至关重要。推荐使用 Playwright CLI，它不仅允许 Agent 有效操控浏览器，还能录制视频片段并附加到 GitHub PR 中，极大简化人工审查流程。对于关键流程（如升级、注册），需设置端到端测试。更重要的是，严禁 Agent 自我验证，应在 PR 技能中规定：Agent 必须生成一个只读的“验证者 Agent”，依据详细规范进行独立检查，以确保结果的客观性。
"Ideally, cost no token or cognitive load for it. So it can actually focus on the work well."
基于 Artifact 与 Contract 的文件系统抽象
建立清晰的文件层级是维持多 Loop 协作的关键。第一层是 Artifact（工件），作为共享知识层，包含文档、信号（Signals）、任务等。每个 Artifact 类型拥有独立文件夹，内含 README 定义写入规范与 Schema，文件本身包含元数据、正文及变更时间线。例如，产品反馈作为 Signal 可链接原始客户数据。这种结构支持构建小型应用（如追踪所有 Product Signal），让人类能轻松监控需关注的异常。
第二层是 Loop Contract（循环契约），定义每个 Loop 的目标、工作流、待办列表（Backlog）及时间线。Agent 触发时读取契约，理解历史行为并执行下一步。第三层是 Global Work Log（全局工作日志），解决跨领域信息同步问题。Agent 在执行大块工作或进行创造性协作前，会读取最近 5-10 条日志，记录临时发现。这种分层设计确保了共享库、领域契约与临时日志的清晰隔离与高效交互。
"The purpose of those artifact is that those became the shared library or shared files that any loop can just read and write towards it."
实战案例：Support Loop 的自动化搭建
以 Support Loop 为例，目标是每 30 分钟自动拉取最新工单，起草回复或直接发送给有相关信息的客户，同时记录摩擦点和创意。首先需创建 Skill 以赋予 Agent 权限，例如预置 Intercom Skill 用于获取工单，以及 Stripe Skill 用于查询支付订阅数据。这些 Skill 封装了关键 API 交互逻辑，使 Agent 能无缝访问外部数据源。
在架构层面，Support Loop 遵循前述的三层结构：它从 Artifact 中读取历史工单处理记录，依据 Contract 中的目标（如“快速响应”）决定行动策略，并将处理结果和新发现的摩擦点写入全局日志。通过这种模块化设计，Agent 不仅能执行重复性任务，还能在复杂的多 Agent 环境中保持上下文一致性，确保每次迭代都能基于完整的历史数据进行决策，而非孤立地处理单个工单。
"Don't get agent to self-verify its own work. It just generally didn't work that well."
构建定制化技能与知识库体系
在 Loop Engineer 的实际部署中，核心在于根据业务需求定制专属技能（Skills）。以作者为例，他配置了访问 Supabase 的权限，以便调试支付信息并渲染技能来拉取后端日志。此外，还编写了辅助脚本，使 AI 代理能更轻松地提取信息，以及用于分类支持工单的技能。这些技能并非通用模板，而是需要针对具体业务场景进行深度定制。
"There's some scripts they've written as well to make it easier for agent to pull information. As well as skill for triage support ticket."
为了强化代理的业务理解力，作者建议创建一个 Cloud Log MD 文件，通过提示代理研究业务代码或文档，将关键背景信息保存其中。同时，在文件中加入响应规则，明确代理在处理工程师任务时应遵循的仓库结构和 Git 工作流规范。这些规则具有通用性，适用于任何类型的 Loop 设置，确保代理在复杂环境中能始终如一地正确执行任务。
架构定义与工件自动化生成
为了让代理能够自主搭建工作结构，作者引入了 architecture.md 文件，其中定义了代理应遵循的通用指令。该文件规定了工件类型（Artifact Types）、Loop 领域（Loop Domains）以及日志记录规范。通过指向该文件，代理可以自动读取架构说明并脚手架式地生成所需工件。
在作者的具体案例中，生成的工件包括信号（Signal）、任务（Task）、工单（Ticket）和文档（Doc），并划分为不同的领域。例如，信号工件涵盖了反馈、创意、观察等内容，而工单工件则用于记录处理结果。这些工件最初为空，随着代理的工作逐步填充。这种结构化的工件管理方式，使得代理能够清晰地区分不同性质的工作内容，并自动将其归档到相应的 MD 文件中，极大提升了信息管理的效率。
工作流测试与循环契约建立
在正式部署 Loop 之前，手动测试运行（Test Run）是校准工作流的关键步骤。作者定义了一个支持工单处理的循环契约，包括目标、整体工作流、边界条件、待办任务列表和时间线。具体工作流为：每小时拉取过去一小时内的支持工单，进行分析、审查并起草回复，同时保存工单记录。
"I want you to handle my support, which means fetch support tickets from past hour, do some analysis, review, and draft response saving tickets."
在测试运行中，代理不仅处理了工单，还识别出潜在的客户反馈和产品摩擦点，甚至直接生成修复 Bug 的任务。这一过程允许开发者与代理进行校准，确认工作流是否符合预期。一旦测试满意，开发者即可指示代理创建正式的 README 契约文件，并设置每小时触发的 Loop。最终，代理会在指定文件夹中生成包含目标、工作流和时间线的详细契约，并自动启动循环会话，实现自动化运维与反馈闭环。
模板复用与进阶资源
为了简化重复配置过程，作者创建了一个名为 Loop Engineer Setup 的仓库模板，汇总了团队在设置 Loop 过程中的最佳实践。该模板包含了经过验证的文件夹结构和工件定义，用户只需复制即可快速搭建新的 Loop 环境，无需从零开始配置。
"I actually have to create this repo template called loop engineer setup. That's capturing some of the best practice learnings of all the loops that my team has been set up."
对于希望深入掌握该技术的用户，作者提供了详细的分步视频课程，涵盖从零基础搭建 Loop 到生产级 AI 编码的深度内容。这些资源旨在帮助用户不仅学会配置，更能理解背后的设计逻辑与工程实践，从而在实际业务中高效部署 AI 代理系统。