解读 Loop Engineering：从 Prompt 工程到 AI Agent 循环的演进

最初使用生成式 AI时，决定输出质量的关键在于 Prompt。用什么样的表达、以什么样的格式提问，直接决定了回答的质量。但随着 AI 模型不断进步，当 AI Agent 开始直接执行复杂任务时，情况正在发生变化。如今，AI 不再仅仅生成回答，它会主动查找所需资料、调用工具、验证结果，发现问题后还会重新执行。在这样的环境中，比起一次性 Prompt，如何设计 AI 执行任务、验证结果、再重新尝试的完整流程，正变得越来越重要。

随着 AI Agent 应用的扩展，Loop Engineering（循环工程）这一概念也随之出现。这里所说的 Loop Engineering，是指不只是向 AI 传递一次 Prompt，而是设计一套 "AI 执行任务 → 验证结果 → 必要时重新执行" 的循环结构。

什么是 Loop Engineering？

要理解 Loop Engineering，首先需要与传统的 AI 使用方式做个对比。早期的生成式 AI 比较简单：用户输入 Prompt，AI 返回回答。但在 AI Agent 执行复杂任务的环境中，仅靠这种方式远远不够。

举个例子，假设让 AI 完成这样一项工作："分析上个月的客户咨询数据，整理主要投诉问题，然后撰写改进方案。"Agent 需要查找数据、进行分析、验证结果，必要时还要执行额外操作。这个过程不是一次性生成就能完成的，而是经历目标设定 → 计划与执行 → 观察 → 评估 → 修正后重新执行的反复循环。Loop Engineering 设计和优化的，正是这一整个反复过程。

工程范式的演进：从 Prompt 到 Loop

Prompt Engineering（提示词工程）

Prompt Engineering 设计的是 "如何向 AI 模型传递指令"。例如，将 "将以下报告总结为三个要点" 这样的请求，优化得更具体、更有效。在 Prompt Engineering 中，明确的指令、角色设定、输出格式指定、提供示例等要素至关重要。在早期生成式 AI 阶段，Prompt 的质量对结果有决定性影响。

Context Engineering（上下文工程）

随着 AI 开始执行复杂任务，比起 Prompt 本身，向 AI 提供什么信息变得更加重要。Context Engineering 是指为 AI 执行任务合理组织和提供所需信息的方法。例如，企业级 AI 不应只提供简单的 Prompt，还可能需要一并提供内部文档、用户信息、历史对话记录、业务规则、外部数据以及之前的工作结果。也就是说，不仅要决定 "给 AI 什么指令"，还要解决 "如何为 AI 提供工作所需的信息" 这一问题。

Harness Engineering（线束工程）

AI Agent 的出现，使得不仅模型本身重要，模型能够执行任务的运行环境也变得重要。Harness 在这里指的是为 AI Agent 实际执行工作而在周围构建的系统和工具环境。例如，Agent 执行任务可能需要搜索工具、数据库、API、代码运行环境、文件系统、浏览器等。因此，Harness Engineering 的重点在于设计一个让 AI 能够稳定工作的运行环境。

Loop Engineering（循环工程）

再往前走一步，就出现了设计 "循环" 本身的问题。AI 不是完成任务就结束，而是从计划开始，反复经历执行、观察、评估、修正、重新执行的过程，持续改善结果。

举个具体的例子：对开发者说 "帮我做一个登录功能" 属于 Prompt Engineering 的范畴；同时提供项目代码库、开发规范、已有 API 文档，则更接近 Context Engineering；将终端或运行环境连接起来，让 AI 能够修改和测试代码，属于 Harness 的范畴；而写完代码后进行测试、确认错误、修正后重新测试，这就是 Loop。

这些概念之间并非相互替代的关系，更适合理解为随着 AI 系统复杂度提升而共同发展、相互补充的概念。

Loop Engineering 的应用场景

编程 Agent

AI 不仅写代码，还能反复进行写代码、运行、测试、确认错误、修改代码、重新运行。这种情况下，不仅需要编程数据，包含运行结果和错误的评估数据同样重要。

领导 Anthropic Claude Code 团队的 Boris Cherny 曾发文表示："我不再给 Claude 写 Prompt 了，我的工作是搭建循环。" 这一观点表明，利用编程 Agent 的方式，正在从简单的编写 Prompt，转向设计工作流程本身。（来源：Digital Daily 链接）

客服 Agent

AI 在回答客户咨询后，会检查回答是否符合政策，必要时重新搜索相关信息或转接给人工客服。可以构建 "咨询分析 → 信息搜索 → 回答生成 → 验证修正" 的循环。

数据分析 Agent

AI 可以反复进行 "分析用户问题 → 检索数据 → 编写代码进行分析 → 验证结果" 的过程。哪怕一个数字算错，整份报告的可信度都会大打折扣，因此需要再次确认分析结果的环节。

Loop Engineering 时代，AI 数据的角色更加重要

随着 Loop Engineering 的普及，AI 数据的角色也在发生变化。过去，重要的主要是用于训练模型的数据；而在 Agent 时代，用于评估和改善 AI 行为质量的数据同样变得重要。

例如，可以利用记录 AI Agent 行为轨迹的Trajectory（轨迹）数据。不是只保存最终回答，而是一并记录：制定了什么计划、使用了什么工具、获得了什么结果、在哪个环节失败。通过分析这些记录，可以定位 Agent 失败的环节，并将结果应用于后续的评估和模型改进。最终，Agent 工作的结果本身就成为了下一次改进的数据。

说到底，Loop Engineering 的核心不是让 AI 一次就给出正确答案，而是构建这样一种结构：能够确认工作结果、找到失败原因、并将其反馈到下一次执行中。AI Agent 承担的工作越复杂，我们越需要在 "用 Prompt 指令什么" 之外，同时思考 "如何让它执行、验证并持续改进"。而在这个过程中，真实的工作数据和评估数据，正是重要的基础。