企业官网建设流程全解析

AI工程师必读：从提示词到循环工程的范式革命 Loop Engineering

两位顶级 AI 工程师说了同一件事，大多数人没听懂。Peter Steinberger，OpenClaw 的创建者，目前在 OpenAI 工作。这条帖子：
“你不应该再直接提示编码代理，而应该设计循环来提示你的代理。”

随后，Anthropic公司claude·科德部门负责人鲍里斯·切尔尼用另一种方式表达了同样的观点：

我不再直接提示claude了。我编写了一些循环程序来提示claude，然后让他自己决定该做什么。我的工作就是编写循环程序。”

两位在世的资深人工智能工程师，传达了相同的信息。

大多数人读完后都会想：这到底是什么意思？

一切从这两句话开始

OpenClaw 创始人、现任职于 OpenAI 的Peter Steinberger发了一条推文：

“你不应该再直接给编码 AI 写提示词了。你应该设计循环，让循环去提示你的 AI。”

紧接着，Anthropic Claude Code 部门负责人Boris Cherny用另一种方式说了同一件事：

“我不再直接提示 Claude 了。我写了一些循环程序，让循环去提示 Claude，让它自己决定该做什么。我的工作，就是写循环。”

两位站在行业最前线、还在世的顶级 AI 工程师，传递了完全相同的信号。

大多数人看完后的第一反应是：这到底在说什么？

我深入研究了这件事。下面是全部内容——不讲术语，只给你需要的那套思维模型。

值得收藏。它会改变你看待 AI 的方式。

首先：为什么大多数人从来没真正搭过循环？

循环听起来很美好。然后你看到了账单。

这是没人会事先告诉你的事。

• 单个 AI 循环完成一个中等编码任务：消耗5 万 ~ 20 万 token
• 一个由协调者 + 3 个专家组成的舰队循环：消耗50 万 ~ 200 万 token
• 每天早上定时运行的循环：每周消耗数百万 token

按标准 API 价格算，认真玩一周「循环工程」的费用，比大多数人一整个月的 AI 预算还高。

这就是为什么 Peter Steinberger 的推文底下，全是这样的回复：

“你当然说得轻松——因为你有 OpenAI 的无限额度。”

他们没说错。

预算有限的情况下，循环工程很快就会崩。

每一次重试都要钱。每一次自我纠正都要钱。每一个子智能体都要钱。每一次验证都要钱。那种自由探索的开环？烧 token 的速度快到让你肉疼。

这是没人公开谈论的隐藏障碍：

循环不难设计。难的是，你负担不起。

这正是国产大模型在解决的问题

DeepSeek、Kimi、MiniMax 这类模型，让 AI 循环在经济上第一次变得可行。

自主智能体最大的问题从来不是「智能」，而是token 消耗。

以 DeepSeek V4 为例，它目前是大规模跑循环最便宜的前沿级模型之一：

• 100 万 token 上下文窗口—— 为大型项目和长流程而生
• 最大输出 38.4 万 token—— 大规模生成不崩
• Flash + Pro 双版本，极低的 token 单价
• 支持工具调用 + JSON 输出，专为智能体工作流设计
• 高并发（Flash 版最高 2500 并发请求）

为什么 100 万上下文窗口这么重要？

因为循环需要记忆。

一个跑在大型项目上的编码循环，需要同时在内存里装下：

• 之前几次运行的记录
• 当前的错误信息
• 架构文档
• 测试结果
• 整个代码库的上下文

大多数模型跑到一半就丢失上下文，循环开始「失忆」，忘了前面发生过什么。上下文越大，长时间运行的循环就越能保持连贯。

再加上价格极低——循环，终于不再让人倾家荡产。

旧方式 vs 新方式

过去两年，我们是这样用 AI 的：

你 → 写提示词 → AI 输出 → 你审查 → 你修改 → 再写提示词 → 重复……

你，就是那个循环。

这种情况正在改变。

与其让 AI 做一个着陆页、然后你亲自盯着每一步，不如搭一个循环，让它自己处理「发现 → 规划 → 执行 → 检查 → 迭代」，直到目标达成。

两者对比：

旧方式（提示）：

你 → 提示 → AI → 输出 → 你审查 → 你修复 → 重复

新方式（循环）：

你设定目标 → 循环启动 → AI 发现 → 规划 → 执行 → 验证 → 迭代 → 完成

你不再需要提示每一步了，AI 替你重复整个周期。

一句话区分两者：

• 提示词：给 AI 一个指令
• 循环：给 AI 一份工作

循环工程到底是什么

循环工程（Loop Engineering），就是设计可重复的反馈闭环，引导 AI 从「开始尝试」一路走到「验证完成」——全程无需人类持续干预。

循环是一套你亲手搭建的系统。几乎任何智能体框架都能跑，关键看你怎么接线。

最简单的形态，是一个 AI 对自己做这件事：

→ 研究
→ 起草
→ 拿草稿对照目标检查
→ 修复薄弱环节
→ 再跑一遍，直到工作达标

不管多简单或多复杂，每一个循环都经过相同的 5 个阶段：

发现（Discover）→ 规划（Plan）→ 执行（Execute）→ 验证（Verify）→ 迭代（Iterate）

• 验证通过→ 交付
• 验证失败→ 再循环一次

这就是全部精髓。本文剩下的内容，都是在讲如何把这个循环搭好。

单兵 vs 战队

循环有两种规模。

单智能体循环

一个 AI 独立跑完整个循环。就像一个人反复打磨自己的草稿——它发现需求、规划工作、执行、验证质量，出问题就迭代。

适合：

• 任务聚焦
• 目标简单
• 范围有限

一个大脑，一个循环，自我完善。

舰队循环（Fleet Loop）

更大的版本。

你给一个协调者智能体设定目标 → 它把目标拆成小块 → 每块交给一个专家智能体→ 专家再把更细的活交给自己的子智能体。

整棵树都在循环跑「发现 → 规划 → 执行 → 验证」，直到目标达成。

结构：

• 协调者：掌控总目标
• 专家：负责各个步骤
• 子智能体：做最具体的活
• 评估门（Eval Gate）：确保产出不是垃圾

举个例子，目标是「开发一款效率 App」：

协调者（掌控全局任务） ┌────────┼────────┐ 研究专家 工程专家 QA 专家 ↓ ↓ ↓ 网页调研 代码编写 测试编写 + 调试 + Bug 跟踪

树里的每一个智能体，都在跑同一个 5 阶段循环：发现 → 规划 → 执行 → 验证 → 迭代。

核心区别：单智能体循环像一个人自我打磨草稿；舰队循环像一整个团队端到端跑完一个项目。

开环 vs 闭环

这是 2026 年最重要的实践区分。

不是所有循环都一样，有两种类型。

开环（Open Looping）

探索型，活动空间宽广。

你给 AI 一个目标，放手让它自由游走。它可以尝试不同路径、发现新东西、构建出你没完全设想的成果。

这是最激动人心的那一端，也是 Peter Steinberger 他们在 OpenAI 做的事。

代价是什么？

• 烧 token 的量大到惊人
• 对 90% 没有无限 API 预算的人来说，目前还不实际
• 一旦指向标准松散的项目，它会变成一台「垃圾生产机」——快、乱、贵

闭环（Closed Looping）

有边界。由人类先设计好端到端的路径。

→ 明确的目标
→ 定义好的步骤
→ 每一步都有评估
→ 一个停止点，或交还给你的节点

智能体照样在循环——但跑在你搭建的框架内。

它每跑一次都更好，因为每一遍都为下一遍铺路。它能在正常预算内运行，因为路径很紧凑。标准让它保持诚实。

没有质量门：AI 会漂移、跑偏。
有了质量门：AI 越跑越好。

对今天大多数真实工作而言，闭环才是真正能带来回报的那个。

该用哪个？

从闭环开始。先搭一个稳定可靠的紧凑系统。等质量门都到位了，再逐步开放。

每个好循环的 6 个积木

概念上，循环有 5 个阶段。但你实际要搭建什么才能让它跑起来？

6 样东西。Claude Code 和 Codex 现在都内置了这 6 样。下面是它们各自在循环里到底做了什么。

1. 自动化（Automations）—— 循环的心跳

触发「发现」、启动整个循环的东西。

自动化是让循环成为「真正的循环」、而不只是「跑过一次」的关键。你定义一个提示词、一个节奏、一个目标，循环就按计划运行，结果主动找你——而不是你到处去查。

• /loop：按节奏重复运行
• /goal：一直跑，直到你写的条件真正为真

给它一句：「test/auth 里所有测试通过，且 lint 检查干净。」然后——走开就好。

2. 工作树（Worktrees）—— 并行而不打架

让多个「执行」阶段并行运行而互不破坏的东西。

只要你跑超过一个智能体，文件就开始冲突。两个 AI 写同一个文件，和两个工程师不打招呼就提交到同一行代码，是一模一样的问题。

Git worktree 给每个智能体一个独立的工作目录、独立的分支——共享同一份仓库历史，零冲突。一个智能体的修改，物理上就碰不到另一个的代码。

3. 技能（Skills）—— 让「发现」更快

让智能体在开工前就已经认识你的项目。

别每次循环都从零解释你的项目。

Skill 是一个文件夹，里面放一个SKILL.md——项目约定、构建步骤、还有那句「我们不这么干，因为上次出过事故」。写一次，每次循环都读。

• 没有技能：循环每个周期都从零重新理解你的整个项目
• 有了技能：知识会复利积累，智能体开工前就懂你的项目

推荐建立：

• VISION.md—— 成功长什么样
• ARCHITECTURE.md—— 技术栈和目录结构
• RULES.md—— 智能体绝对不能做的事

4. 插件与连接器（Plugins & Connectors）—— 让「执行」真实落地

让循环作用于你真实的环境，而不只是文件系统。

一个只能看见文件系统的循环，是个很小的循环。

基于MCP构建的连接器，让智能体能读你的 issue 追踪器、查数据库、调 Staging API、往 Slack 丢消息。

这就是「这是修复方案」和「已自动开好 PR、关联了 Linear 工单、CI 一变绿就 ping 了频道」之间的区别——全部由它自己完成。

5. 子智能体（Subagents）—— 让「验证」诚实

核查者，永远不能是创作者本人。

写代码的那个模型，给自己的作业打分时太手软。

第二个智能体，带着不同的指令（有时甚至是不同的模型），能抓住第一个智能体自我说服后放过的问题。

有效的分工是：

→ 一个智能体负责探索
→ 一个智能体负责实现
→ 一个智能体对照规格验证

/goal命令底层就是这么干的：决定循环是否结束的，是一个全新的模型，而不是干活的那个。

6. 记忆（Memory）—— 让循环持续

第 47 次运行的「发现」阶段，知道第 1 到第 46 次都试过些什么。

这是整个循环的脊梁。

它可以是一个 Markdown 文件、一块 Linear 看板——任何活在「单次对话之外」的东西。

模型在每次运行之间会忘掉一切，但仓库不会。

记忆文件保存着：试过什么、什么通过了、什么还开着。明天早上，循环从今天停下来的地方继续。

听起来简单到不值一提？所有长时间运行的循环，都依赖它。

真实循环长什么样

loop-examples.png)

编码循环

读取 VISION.md + ARCHITECTURE.md ↓ 规划下一个改动 ↓ 修改代码 ↓ 自动运行测试 ↓ 测试失败 → 读取错误 → 修复 → 重新测试 ↓ 测试通过 → 总结改动 ↓ 停止

全程无人介入。AI 自己写、自己测、自己修、自己验。

研究循环

定义研究问题 ↓ 搜索来源 ↓ 总结发现 ↓ 对照来源验证结论 ↓ 比对冲突信息 ↓ 综合最终答案 ↓ 置信度达标时停止

内容创作循环

定义主题 + 受众 + 目标 ↓ 生成草稿 ↓ 批评智能体审查草稿 ↓ 根据批评重写 ↓ 对照成功标准打分 ↓ 分数通过 → 发布 分数不通过 → 再次重写

销售拓展循环

定义 ICP（理想客户画像） ↓ 找到匹配画像的潜在客户 ↓ 用公司数据做信息增补 ↓ 按标准做资格筛选 ↓ 个性化撰写消息 ↓ 质量审查 ↓ 发送，或升级给人工

每个循环的骨架都一样：目标 → 行动 → 检查 → 修复 → 重复直到完成。

提示词工程师 vs 循环工程师

这是 2026 年正在拉开的技能鸿沟。

工具是一样的。思维方式完全不同。

提示词工程师向 AI 要输出。
循环工程师设计出产「已验证结果」的系统。

2026 年薪资最高的 AI 工程师，不是能写出更好英文句子的人。

他们写的是那套逻辑——控制智能体如何发现、如何规划、如何自检、以及何时知道自己已经完成。

收尾：把所有东西串起来

这就是循环工程。快速回顾一遍：

🔄 这场转变：

• 过去两年，我们每次提示 AI 做一个任务
• 现在，我们设计循环来跑完整个周期

🧱 你实际要搭的 6 样东西：

• 自动化—— 心跳，触发发现
• 工作树—— 并行而不冲突
• 技能—— 每次运行复利积累的项目知识
• 插件与连接器—— 让循环作用于你的真实工具
• 子智能体—— 创作者和核查者永不为同一个
• 记忆—— 循环在运行之间永不遗忘

📏 两种规模：

• 单智能体：一个大脑，自我改进
• 舰队：协调者 + 专家 + 子智能体，每个都跑同样的循环

🚦 两种类型：

• 开环：探索性强、强大、昂贵、需要无限预算
• 闭环：有边界、可靠、负担得起，今天就能带来回报

⚙️ 每个好循环的 5 个组成部分：

• 目标—— 精确定义「完成」是什么意思
• 上下文—— VISION.md、ARCHITECTURE.md、RULES.md
• 行动—— 只给智能体它真正需要的
• 反馈—— 测试、类型检查、linter、结构化错误
• 停止条件—— 循环何时知道自己已经做完

💰 成本问题：

• 循环烧 token 很快
• 在国产模型上花 20 美元，能比大多数前沿模型走得远得多
• 这扫除了最后一个真正的障碍

最后一句，没人会公开说出口的话

Peter Steinberger 说得对：别再催你的 AI 了，开始设计循环。

但还有一件事——

两个人可以搭出完全相同的循环，却得到完全相反的结果。

一个人用它，在自己深刻理解的工作上跑得更快。
另一个人用它，来彻底逃避去理解工作本身。

循环分不清这两种人。但你自己知道。

这恰恰是循环设计比提示词工程更难的原因，不是更容易。

Boris Cherny 的意思从来不是「工作变简单了」，而是杠杆点移动了。

去搭这个循环吧。

但要像一个打算一直当工程师的人那样去搭——而不是像一个只会按下启动键的人。

因为一个可靠的循环，胜过一千个完美的提示词。

而当 20 美元能买到 17 亿 token 时——你，终于负担得起去搭一个了。

参考： @sairahul1

予人玫瑰手有余！点赞，关注！谢谢！
予人玫瑰手有余！点赞，关注！谢谢！
予人玫瑰手有余！点赞，关注！谢谢！