近期，AI领域因一个名为“loop工程”的新概念引发广泛讨论。这一概念由OpenClaw创始人斯坦伯格在社交平台提出，他主张用“设计循环”替代传统提示词工程，认为循环结构能让AI代理更高效地完成任务。然而，这一观点并未立即获得广泛认同，反而引发了技术圈的激烈争论，部分从业者质疑其可行性，也有人批评其为“概念炒作”。
争议的核心在于资源消耗与实际应用场景的矛盾。反对者指出，循环机制需要大量计算资源，若缺乏无限token支持，最终仍需人工介入测试。距离上一个热议概念“harness工程”仅过去一两个月，行业尚未完全消化旧知识，新概念的快速迭代加剧了从业者的认知负担。尽管如此，斯坦伯格的推文仍获得超800万次浏览，显示出市场对AI技术范式变革的高度关注。
追溯概念起源，loop工程最早由Claude Code创始人鲍里斯提出。他在访谈中透露，自己已不再手动编写提示词，而是通过设计循环让AI代理自主判断修改方向。这种模式的核心在于将“指令”转化为“目标”：AI代理通过目标设定、行动执行、结果观察、效果评估、方案修正的闭环流程，逐步逼近预期结果。与传统编程循环不同，AI代理的每一步行动均基于动态反馈，而非固定代码逻辑，这使其能应对现实世界中充满不确定性的复杂任务。
以代码开发为例，传统编程需预先设计所有分支逻辑，而AI代理的循环机制允许其通过试错学习。例如，澳洲开发者杰弗里·亨特利利用名为“ralph”的bash脚本，通过固定上下文锚点文件实现迭代优化，仅花费297美元便构建出完整编程语言。这一案例证明，循环的核心价值在于创造可持续改进的环境，使AI代理能在多轮迭代中积累进展，而非追求单次完美输出。
2026年，Codex和Claude Code将这一理念产品化，推出“/goal”命令，支持循环运行直至验证通过。但斯坦伯格的设想更进一步：他提出将循环作为长期运行的工作单元，构建可协作、自调度的AI系统。例如，一个持续运行的循环可每日检查代码仓库问题，自动分配修复任务，运行测试并提交合并请求。当多个循环并行时，系统会通过总循环协调优先级、监控进度并检查质量，形成层级化工作流。
这场争论也触及提示词工程的定位。尽管清晰具体的提示词仍是与AI交互的基础，但单次提示词的重要性正在下降。现实场景中，需求往往在执行过程中逐步明确，例如测试阶段才能发现的漏洞，或实际使用中暴露的缺陷。循环机制通过定义目标与评估标准，使AI代理能在多轮迭代中自主优化，减少对人工引导的依赖。例如，生成登录页面时，提示词工程需一次性提供所有细节，而循环工程可通过自动化测试、视觉检查等步骤逐步完善功能。
构建有效的循环系统需设计五大组件。首先是明确的目标，例如“将接口响应时间从800毫秒降至300毫秒以下”，而非模糊的“优化性能”。其次是上下文管理，需筛选代码状态、测试结果等关键信息，避免无关内容干扰决策。第三是工具选择，仅提供必要工具以降低决策复杂度，例如代码生成循环需配备测试运行工具。第四是自动化评估，通过量化标准判断结果是否达标，同时保留人工检查点处理主观性较强的任务。最后是停止条件，包括成功达标、连续失败、资源耗尽等场景，以及高风险操作前的人工确认环节。
目前，基于git的状态管理已成为循环系统的常见实践，通过记录历史提交帮助AI代理理解决策逻辑。这种设计使AI工作模式从“一次性任务”转向“持续流程”，为自动化处理开放性任务提供了新范式。尽管争议仍在继续，但循环机制在代码修复、研究探索等领域展现的潜力，正推动行业重新思考人机协作的边界。
