循环工程的核心定义与运作流程
循环工程（Loop Engineering）是提示词工程的进阶形态，其核心在于设计一个能够自动执行多轮交互的系统。与需要人类手动编写每一个完美提示词的传统方式不同，循环工程让AI代理自主完成从发送指令到接收反馈的全过程。这一过程通过不断的迭代，直到达成目标为止，从而实现了最小化的人类干预。正如视频中所强调的："Loop engineering is the practice of designing a system that does all that prompting work for you." 这种自动化机制不仅减少了人工负担，还通过持续的反馈循环提高了任务的完成效率。
"Loop engineering is the practice of designing a system that does all that prompting work for you."
在一个典型的循环中，系统首先接收一个初始提示词并发送给AI代理。随后，工程化框架会检查代理的工作成果，并根据结果生成新的提示词再次发送。这个过程像是一个闭环："So we go back and forth, back and forth like this, looping until we're done." 关键在于，人类不再需要手动工程化每一个提示词，而是由循环引擎自动处理这一繁琐工作。虽然视频中提到这种干预是"最小化"的，但后续内容指出人类在关键节点仍扮演着不可或缺的角色。
案例解析：修复失败单元测试的循环机制
为了具体说明循环工程的运作，视频以一个具体的编程场景为例：一个结账服务中存在大量失败的单元测试，目标是让所有测试通过。这个任务被分解为四个核心阶段：目标设定、行动执行、结果观察和调整优化。首先，循环由一个明确的目标启动，例如"让结账单元测试通过"。AI代理随后采取行动，比如打开文件或编辑代码。
"The loop starts with a goal. In this case get the checkout unit tests to pass."
接下来，代理观察输出结果。如果测试变为绿色（通过），则标记该任务完成并进入下一个失败项；如果仍为红色（失败），代理则会尝试不同的修复方案。这一过程不断重复，直到所有测试通过或达到预设的停止条件。目标的明确性至关重要，因为它决定了循环何时终止。模糊的目标如"让结账更快"缺乏可测量的标准，可能导致代理无限循环或过早停止。相反，具体的目标如"当所有结账扫描中的单元测试都通过时停止"提供了可验证的结束条件。这种结构化的四阶段循环构成了代理工程的基础框架。
触发机制与上下文管理策略
除了核心的四阶段循环，工程化还需要处理如何启动循环以及如何管理日益增长的上下文信息。触发机制主要分为两种：计划任务（Schedule）和钩子事件（Hook）。计划任务类似于传统的Cron作业，例如每晚运行一次结账循环检查；而钩子则是事件驱动的，当特定条件满足时触发，如文件变更或拉取请求（Pull Request）打开。开发者常利用钩子来执行安全策略和质量检查，确保代码在提交前符合规范。
"A hook is event-driven, meaning the hook is invoked when something specific happens."
随着循环的每一次迭代，都会产生大量的上下文数据，如测试输出和文件内容。如果不对这些信息进行管理，代理可能会因为注意力分散而效率低下。因此，上下文工程（Context Engineering）成为关键一环。这包括对上下文的压缩操作，以减少噪音；以及使用渐进式技能披露（Progressive Disclosure）。后者是指根据任务需求，向代理提供特定的指令集或技能说明，指导其如何处理特定类型的重复性工作。这种精细化的上下文管理确保了代理能够聚焦于当前最重要的任务，避免信息过载。
持久状态、工具调用与子代理验证
在循环内部，存在一个被称为"脊柱（Spine）"的持久状态存储机制。这通常是一些Markdown文件或数据库记录，代理在其中保存其执行历史、成功或失败的尝试以及关键决策。脊柱信息为未来的迭代提供了记忆功能，使代理能够基于过往经验调整策略。例如，如果某种修复方法之前失败过，代理可能会避免再次尝试。
"Inside the loop is something that I'm going to call a spine. And this is really persistent state."
在执行行动阶段，代理可能需要访问外部资源。这通过工具调用（Tool Access）实现，可以使用标准协议如MCP（模型上下文协议），或直接通过API调用。工具使代理能够执行代码、访问文件系统、运行终端命令或查询数据库，从而扩展其能力边界。此外，为了验证结果的质量，循环工程引入了子代理（Sub-agent）机制。主代理负责生成代码或解决方案，而一个独立的检查者子代理则负责验证其正确性。这种分工不仅提高了准确性，还允许使用不同的大模型来执行生成和验证任务，形成了一种协作式的质量控制体系。
人类介入的必要性：四大陷阱与应对
尽管循环工程旨在最小化人工干预，但视频明确指出完全自动化存在巨大风险。人类必须介入以规避四个主要陷阱。首先是未验证代码的风险。即使有子代理检查，最终 shipped 的代码仍需人类开发者负责。随着AI生成代码量的增加，理解债务（Comprehension Debt）会迅速累积，导致人类难以全面掌握系统逻辑。其次是意图债务（Intent Debt）。代理可能知道"怎么做"，但不知道"为什么做"。如果没有明确的意图文档（如agent.md），代理可能会做出技术上正确但违背商业目标的操作，例如为了通过测试而放宽折扣码验证规则。
"An agent can read what a system does, but working out why the system does it can be a bit harder."
第三个陷阱是认知投降（Cognitive Surrender）。人类可能盲目接受AI的输出，认为"既然AI做了，那肯定是对的"。这种心态会导致理解债务进一步加剧，因为无人再试图深入理解生成的代码。人类的核心职责包括：编写带有明确停止条件的目标、维护清晰的意图文档，以及最终审查代理的输出。只有将人类置于循环之中（Human in the Loop），才能有效平衡自动化效率与代码质量及业务安全。
结论
循环工程通过构建自动化的反馈闭环，显著提升了AI代理在复杂任务（如代码修复）中的自主能力。它通过目标驱动、上下文管理、持久状态记忆和工具调用等机制，实现了从提示词工程到系统化代理工程的跃迁。然而，视频强调最小化人类干预并非消除人类参与。相反，它要求人类在设定目标、定义意图和最终验证等关键节点发挥更高层次的监督作用。忽视人类的这一角色，将导致理解债务和意图偏差等严重问题。因此，高效的循环工程本质上是人机协作的系统化设计，而非单纯的AI自动化。