企业官网建设流程全解析

Loop Engineering是Google Chrome开发者关系负责人Addy Osmani提出的概念，旨在通过设计系统自动为AI Agent生成提示，而非手动编写。该概念包含五个核心构件：自动化心跳、工作树、技能、插件与连接器、子Agent，以及记忆。这些构件旨在实现AI Agent的自主迭代与任务完成，但开发者仍需负责验证和监督。Loop Engineering利用现有技术，如Claude Code和Codex，推动AI Agent向更高效的编程助手发展，适合希望提升编程效率的开发者学习和实践。

Loop Engineering

2026年6月9日，Google Chrome 的开发者关系负责人 Addy Osmani 在 X 上发了一篇长帖，给一个叫 Loop Engineering 的概念做了系统定义。

看到这词第一反应：Agent 圈又造新词了。读完帖子发现，这五个构件确实不是什么新发明。并且大部分已经内建在 Claude Code 和 Codex 里。只是告诉你"你现在用的这些功能拼起来，就叫 Loop Engineering"了。

本篇将结合Addy在X发的原文，解释一下Loop Engineering的含义，防止哪个面试官突然问起来，你又不知道说啥了。

What is Loop Engineering? · 什么是循环工程？

先看Addy原文给的定义。

Loop engineering is replacing yourself as the person who prompts the agent. You design the system that does it instead. A loop can be thought of as a recursive goal: you define a purpose, the AI iterates until complete. It’s roughly five building blocks — and Claude Code and Codex both have all five now.

循环工程是指，不再由你亲自去 prompt Agent，而是设计一个系统来替你 prompt。可以把循环理解为一个递归目标：你定义目的，AI 反复迭代直到完成。它大致由五个构建块组成——Claude Code 和 Codex 现在都有了这五块。

Loop Engineering 的核心思想是：不要再亲自去 prompt Agent。设计一个系统，让系统替你去 prompt Agent。

过去两年，开发者用Coding Agent 的标准姿势是：打开终端，写 prompt，看输出，再写 prompt，再看。Agent 只是工具，每一步都需要人来推。现在这条路在变化——不是不用 Agent 了，而是角色变了。开发者从"操作员"变成了"设计师"。设计一次，循环自己跑。

通俗点说，Addy是想达到只Plan一次，写一次方案，后面Agent自动完成后续所有测试调优任务，不用我们自己再测试，再重新写prompt让agent去改。。。。感觉没啥新的东西，Codex和Claude Code一直想达到这个效果，但现在Agent仍然难以一次性做完做好一个大型项目。

循环的概念，像ReAcT,22年姚博士就想出来了，为啥他们又要想出这门子新东西呢？Claude Code 和 Codex 已经在产品层内置了子 Agent、worktree这些。以前这些只能用 bash 脚本，现在都成Coding Agent的标配了。基础设施到位了，概念就有名字了。

我的观点就是: 引导技术趋势，代表了现在LLM和Agent工业界有能力迭代出能一个走完完整生命周期的Coding Agent了。当时Skills出来的时候，人们还不都说就是个Prompts Set而已吗，现在也被各种非技术出身的个人用在了各个地方了。大家可以明年拭目以待，继续期待Coding Agent的进步。

Addy 把 Loop Engineering 拆成五个构件。读完没有什么新东西，下面逐个展开一下，如果清楚的话浏览一下即可。

构件一：Automations Heartbeat

Openclaw刚出来的时候，最值得注意的就是Heartbeat机制。

自动化是让循环真正"循环起来"的东西。要求一直开着机器，按时间或事件自动运转，形成一个闭环。不是让人要一直等着写prompt。

Codex 的做法有一个专门的面板：选项目、写 prompt、选个时间（比如每天早上八点）、选运行环境。运行结果的时候，有产出的进 Triage 收件箱，没发现的自动归档。OpenAI 内部已经把这套用在日常 issue 分流、CI 失败摘要、commit briefing、回归排查上。自动化可以调用 skill，用一个$skill-name代替粘贴一大段指令。

Claude Code 没有面板，但有两条slack命令实现了同样的能力：/loop按固定节奏重跑，/goal一直跑到指定条件满足为止。/goal判断"循环是否完成"的从执行任务的那个模型，换成了另一个独立的模型。这意味着写代码的不能自己给自己打分。逻辑上是合理的。

最核心的问题还是可信度，Agent是黑盒，即使定义了 condition，Agent 自己跑了七轮，修了两个 bug，引入了一个新问题，又自己修了。全程你没参与。最终结果是 condition 通过了。你能接受吗，测试写的会对吗？

构件二：Worktrees

并行 Agent 的首要风险是文件修改冲突。两个 Agent 同时修改同一个文件，后写入的直接覆盖前者。幂等性完全不能保证，没有 diff、没有 merge、没有警告，没了就没了。

Git worktree 的目标就是解决这个。它不是 git branch，而是在同一个 repo 下创建独立的工作目录，各自挂独立分支，共享同一个.git历史。Agent A 在目录 A 改，Agent B 在目录 B 改，物理上隔离。跑完之后由开发者决定是否 merge。

Codex 内置了 worktree 支持，Automations 可以直接配置为"后台 worktree 运行"。Claude Code 同样支持——子 Agent 可以设置isolation: worktree，每次拿到一份独立 checkout，跑完自动清理。会话级别也可以用--worktree参数打开隔离环境。

worktree 只解决物理冲突，不解决人的注意力瓶颈。Addy 叫 orchestration tax。你一次能认真审查几个 Agent 的输出，不是工具决定的，是人的处理能力决定的。

构件三：Skills

前面几期详细讲过Skill,感兴趣的可以去看看。

Skill 是一个SKILL.md文件，放在项目目录里，Agent 在适当的时候读到它。内容很简单：这个项目怎么构建、测试用什么框架、lint 规则、哪些目录不要碰。核心原理是渐进式披露，SKILL.md可以继续存文件路径，解决上下文问题。

没有 Skill 的时候，Agent 每次冷启动对项目一无所知。开发者说"帮我加个功能"，Agent 开始猜。用 npm 还是 pip、jest 还是 pytest、配置文件在哪。猜对九次没问题，猜错一次可能删掉一个接口或覆盖一个手调的参数。

Addy 把这种状态叫 intent debt，意图债务。每次没有明确表达的意图，Agent 都会用自己的理解去填补。而它的"自信猜测"经常看起来合理，直到你把代码跑起来才发现问题。

Codex 和 Claude Code 都支持 skill，格式互通。Skill 是指令文件，Plugin 是把 skill 和 MCP 连接器打包在一起的发布单元。个人使用只需写 skill，团队共享则打包成 plugin。

构件四：Plugins & Connectors 接入外部工具

一个只能读文件系统和跑 bash 的 Agent，能力的边界就是当前机器。要让它真正融入开发流程，需要接入团队已有的外部工具。

Connectors 基于 MCP（Model Context Protocol），让 Agent 能读取 issue tracker、查询数据库、调用 staging API等，还能读Github仓库，省的自己写API了。Codex 和 Claude Code 都支持 MCP，为一个平台写的连接器在另一个平台上通常也能直接用。

Plugin 则是把多个 connectors 和 skills 打包在一起，便于团队共享和安装。

没有连接器时，Agent 在终端只靠已有代码进行推理。有连接器时，交PR的时候，接入Github的MCP,可以看到有没有冲突，其实就是外部Tool。。。Agent 改完代码、自行开 PR、关联 ticket、等 CI 变绿、往频道发通知可以真正的做测试。

构件五：Sub-agents，上期刚讨论过

一个模型写代码，同一个模型审查自己的代码——等于学生自批试卷。不出意外的话，它永远不会给自己的代码打不及格。

解决方案是把制造者和审查者分离成两个子 Agent。审查者可以配不同的模型：写代码用成本低、速度快的那一个，审代码用推理强、更仔细的那一个。

Codex 把子 Agent 定义成.codex/agents/下的 TOML 文件，每个 Agent 包含名称、描述、指令、可选模型和推理力度。Claude Code 结构相同，目录是.claude/agents/，子 Agent 之间还能通过消息传递协作。

典型的分工模式：一个 Agent 探索代码库、一个 Agent 实现修改、一个 Agent 对照 spec 验证。

这种分离在 Loop Engineering 中特别关键，因为循环在开发者不在场的时候跑。没有内建的审查机制，没人能在每一轮干预质量。这也是 Claude Code 的/goal的底层原理：循环完成时，判断"做完了没有"的不是执行任务的模型，而是独立的验证模型。

子 Agent 的代价是 Token 消耗。每个子 Agent 都是独立的 LLM 调用，有独立的上下文。所以不能滥用。只在风险最高的环节放置高质量的审查者，其他环节用效率模型即可。

第六件：Memory

五个构件之外，还有一个 Addy 整篇文章反复提及但没放进构件列表的东西：记忆。

LLM 每次调用都会遗忘。一个循环如果跑了七八轮，轮与轮之间完全没有状态留存——“上次改了什么、为什么改、试了哪个方案没成”——那每一轮都是从零开始。

Addy 给出的解决方案非常简单：一个 markdown 文件。或者一个 Linear board。我个人也倾向用md格式记录记忆，相比RAG和SQL一个是便于修改，一个是显式存储。

这个memory主要记录的内容是：已完成的任务、失败的尝试、待处理的条目、下次需要注意的事项。循环每次启动时读取这个文件，加载上次的状态，构建上下文的时候插入进prompt即可。

最后作者还是骑墙，写到这，我觉得他的观点就是进一步自动化，循环做大，最好能一步出结果，但是最后他还是要人做事，但是确实现在Coding Agent能力远没有到达人的完全放手的水平。

他在原文中最后强调这三点：

Verification is still on you.* 循环在无人值守时运行，也在无人值守时犯错。它返回"已完成"是一个声明，不是证明。没有人在代码跑之前先看一遍 Diff、跑一遍测试、点一下实际功能，交付的就是未经验证的输出。Addy 的原话是：“你的工作是交付你确认能跑的代码。”

Your understanding still rots. 循环产出代码的速度越快，仓库的实际状态和开发者脑子里的认知差距就越大。连续几周不审查循环的 diff，项目对你来说已经变得陌生。Addy 称这为 comprehension debt，循环本身不会改善它，只会加速它的累积。

Cognitive surrender is the risk. 如果循环持续产出看起来能用的结果，人迟早会放弃自己的判断——不再看细节、不再质疑、照单全收。设计循环这个行为本身是中性的。带着判断力做，它放大你的效率。为了逃避思考而做，它放大你的盲目。循环分不出这个区别。

回到对标题的回答，这玩意完全不是新发明。更像是对已经分散在 Claude Code 和 Codex 产品里的能力，做了一次命名和串联。只是因为他是Addy，发在X上了，然后就火了。。。。

不管Agent圈的造词热，对于developers自己，可以尝试从最确信的部分开始做一下更进一步的自动化，成熟的workflow是效率的来源。但说实话，automation的效果还是在首轮prompt的编写水平和模型能力上。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？