深度解析:吴恩达眼中的「循环工程」——AI 时代的软件开发范式转移

“循环工程”（Loop Engineering）正迅速成为 AI 软件开发领域最炙手可热的流行词。这一概念由 Claude Code 创建者 Boris Cherny 和 OpenClaw 创建者 Peter Steinberger 提出，并得到了著名 AI 学者吴恩达（Andrew Ng）的深度阐释与推崇。

在传统的开发模式中，人类是代码的直接生产者；而在早期的 AI 辅助开发中，人类则变成了”提示词工程师”，一步步指导 AI 编写代码。然而，”循环工程”提出了一种全新的范式：开发者不再直接提示 AI，而是设计并管理让 AI 自主运行的”循环”。

本文将基于吴恩达的最新分享，深入剖析构建从 0 到 1 产品的三大关键循环，并探讨这一范式转移对工程师角色和 AI 原生团队的深远影响。

核心概念：三大产品开发循环

吴恩达提出了一个清晰的框架，将现代 AI 辅助的产品开发分为三个嵌套的循环。这些循环在不同的时间尺度上运行，不仅指导着如何构建软件，更决定了构建什么样的软件。

1. 代理式编码循环（Agentic Coding Loop）

这是最底层的执行循环，也是运行速度最快的循环。

运作机制：开发者提供一个清晰的产品规范（Product Spec）和一组评估标准（Evals）。AI 编码代理根据这些输入，自主编写代码、运行测试，并在遇到错误时自行修复，持续迭代直到代码符合规范且无 Bug。

时间维度：几分钟。

核心意义：这一循环彻底改变了编码代理的工作方式。代理不再需要人类每一步的”手把手”指导，而是能够进行长时间的自主工作。吴恩达提到，他的编码代理可以独立工作约一个小时，使用浏览器多次检查成果，然后再向他报告。这极大地释放了开发者的生产力。

2. 开发者反馈循环（Developer Feedback Loop）

在这个循环中，开发者从”代码编写者”和”底层 QA”的角色中解放出来，转变为”产品架构师”。

运作机制：开发者审视代理构建出的当前产品版本，并基于自己的判断，引导代理进行更高层次的改进。例如，调整 UI 设计、修改用户流程或决定提供哪些关键功能。

时间维度：几十分钟到几小时。

核心意义：随着代理测试自身代码的能力增强，开发者不再需要手动查找和修复底层 Bug。这使得他们能够将精力集中在更高层次的产品决策上。如果开发者发现代理反复在某个问题上卡壳，他们可以通过更新规范或构建新的评估集（Evals）来修正系统的行为。

3. 外部反馈循环（External Feedback Loop）

这是最高层、也是最耗时的循环，它将产品与真实世界连接起来。

运作机制：将产品推向外部，通过向朋友征求反馈、进行 Alpha 测试或在生产环境中进行 A/B 测试，收集真实的用户数据。

时间维度：几天到几周。

核心意义：外部数据是检验产品愿景的唯一标准。这些反馈将反过来驱动产品愿景的演进，进而更新详细的产品规范，最终再次驱动底层的代理式编码循环。

深度评论：重新定义人类的”语境优势”

在 AI 代理越来越强大的今天，一个不可避免的问题是：人类的价值究竟在哪里？

吴恩达给出了一个非常务实且深刻的答案：人类相对于当前 AI 系统拥有显著的”语境优势”（Contextual Advantage）。

“我们对用户和产品运行语境的了解远超 AI 系统——因此人类扮演着关键角色。许多人将这种人类贡献描述为’品味’，但我更倾向于将其视为人类拥有语境优势，因为这为帮助 AI 系统改进提供了更清晰的路径。” —— 吴恩达

这种优势体现在我们对现实世界的复杂性、用户微妙的心理需求、特定的商业环境以及隐性知识的深刻理解。AI 代理可能知道如何写出完美的排序算法，但它不知道吴恩达的女儿”超爱猫咪”，因此在打字应用中加入”解锁猫咪服装”的功能——这种决策只能由拥有特定语境的人类做出。

这也解释了为什么开发者反馈循环无法被完全自动化。只要人类掌握着 AI 无法轻易获取的外部语境和隐性知识，就需要人类作为”环路中的关键节点（Human-in-the-loop）”，不断将这些知识注入系统，引导产品朝着正确的方向演进。

扩展讨论：工程师角色的演变与 AI 原生团队的未来

从工程师到”产品工程师”

随着”代理式编码循环”接管了大部分繁重的代码实现工作，工程师的角色正在经历一场深刻的蜕变。吴恩达指出，越来越多的工程师开始扮演部分产品管理的角色。

过去，工程师最大的瓶颈是如何把代码写出来；现在，最大的挑战变成了：塑造产品愿景（决定做什么）、将愿景转化为精确的规范（让 AI 知道怎么做），以及获取用户反馈以演进愿景（验证做得对不对）。

这种转变要求工程师具备更广阔的视野。他们不再仅仅是”技术实现者”，而是逐渐成为融合了产品经理、设计师和开发者特质的”产品工程师”。这对于许多习惯于纯技术工作的工程师来说，既是挑战，也是巨大的机遇。

AI 原生团队的新工作模式

“循环工程”的理念也预示着未来 AI 原生团队（AI-Native Teams）的工作模式：

极度敏捷的小型团队：借助强大的 AI 代理，一个或几个开发者就能完成过去需要整个团队才能完成的从 0 到 1 的构建工作。

数据与 AI 驱动的方向塑造：不仅是编码，AI 也将被广泛应用于自动化收集使用数据、总结客户反馈和进行竞争分析，辅助人类进行产品决策。

系统设计重于单点提示：正如 Addy Osmani 在关于循环工程的博客中所指出的，未来的工作重点是”设计循环”，即建立包含自动化调度、工作树隔离、项目技能库（Skills）和验证子代理的系统，让 AI 在其中高效运转。

结语

“循环工程”不仅仅是一个时髦的词汇，它标志着我们与 AI 协作方式的成熟。通过理解并应用这三大循环，开发者可以将自己从繁杂的代码实现中抽离出来，站上更高的维度，利用人类独有的”语境优势”，专注于创造真正有价值的产品。

参考资料

[1] Osmani, A. (2026). Loop Engineering. Addy Osmani’s Blog.

[2] Ng, A. (2026). The Batch. DeepLearning.AI.