夜雨聆风为什么你的AI编程效率还停留在1倍杠杆？
每次写代码，你是不是还在聊天框里跟AI一来一回地对话？
输入一条指令，等它回复，再看一眼，再输入下一条。看起来你在用AI，实际上——你的注意力才是那个引擎。离开键盘，AI就停了。
2026年6月，Anthropic Claude Code的创始人Boris Cherny说了一句话，在AI开发者圈子里炸了：
"I don't prompt Claude anymore. I have loops running that prompt Claude. My job is to write loops."
翻译过来就是：我不再用键盘提示Claude了。我有自动运行的程序在替我提示它。我的工作变成了写这些程序。
这个概念被命名为——Loop Engineering（循环工程）。
它不是新的技术栈，而是一次角色切换：从操作员，变成系统架构师。
Prompt Engineering vs Loop Engineering
很多人还在卷怎么写更好的prompt。但Loop Engineering已经把游戏规则改了。
| Prompt Engineering | Loop Engineering | |
|---|---|---|
| 谁在驱动 | 你，手动输入 | 你设计的系统自动运行 |
| 工作跨度 | 几秒钟，一轮对话 | 几小时，完整自主运行 |
| 最终产出 | 一个回复 | 一个经过验证的结果 |
| 杠杆效应 | 1倍 | 10~100倍 |
差距不是一点半点。
Loop的5个组件+记忆
每个靠谱的Loop，都由6个部分组成。缺一不可。
1. Trigger（触发器）
Loop什么时候开始？可以是定时每天早上8点，可以是PR提交时触发，也可以是另一个代理干完活之后接力。
没有触发器，你就是在手动提示。
2. Goal（目标）
"完成"是什么样子？
好目标："所有测试通过""零未分配的P1问题"。
坏目标："让代码更好""优化一下性能"。
模糊的目标，产出模糊的结果。
3. Actions（行动）
代理能用什么工具？读写文件、运行命令、调API、派生子代理。
工具越多，自主能力越强。但也要想清楚——失控的代价有多大。
4. Verification（验证）
怎么知道干完了？运行测试看退出码，监督代理审查最终状态，CI流水线通过。
没有验证的Loop，要么永远跑不结束，要么过早停了下来。
5. Memory（记忆）
上次干了什么？哪些Issue已经处理过了？
跨迭代的记忆，是让Loop变聪明而不是原地打转的关键。
核心循环只有4步：Act → Observe → Reason → Repeat。做、看、想、再来。一切的高级概念，都是围绕这个循环搭的脚手架。
实操：5分钟搭一个每日自动分诊Loop
别光看。我们来动手。
目标：工作日上午8点，自动检查GitHub上的P1问题，给每个分配负责人和处理计划。
写法很简单：
Goal: 零未分配的P1 Issue
Actions: 读取Issue、写评论、分配标签
Verify: 检查零遗漏
Memory: 本周处理记录
第一步：写一个CLAUDE.md，把分诊规则写清楚。
第二步：配置子代理——一个读Issue分类，一个写处理计划，一个审核有没有遗漏。
第三步：设一个Cron：
搞定。你早上喝咖啡的时候，问题已经被分好了。
渐进式上线：别一上来就放手
| 阶段 | 内容 |
|---|---|
| Week 1：L1 | 只报告，不自动修改 |
| Week 2~3：L2 | 可以分配任务、评论，不提交代码 |
| Week 4+：L3 | 全自动运行 |
步子别迈太大。
Token成本：被忽视的真相
| Loop类型 | 单次成本 | Token消耗 |
|---|---|---|
| 快速分诊 | ~$2 | ~50K |
| 中等任务（Debug一个PR） | ~$5~10 | ~150K |
| 复杂任务（过夜重构） | ~$15~50 | ~300K~1M |
Uber在4个月内烧光了年度AI预算，最后不得不给每人设1500美元/月上限。
每个Loop上线前必须设置三条红线：
1. 迭代上限——防止无限旋转
2. 无进展检测——连续没变化就停
3. 预算限制——在账单失控前结束
没有这三条红线，你运行的不是Loop。是敞开的账单。
129次成功 vs 43次失控
日本团队MAKE A CHANGE的真实实验数据：
| 结果 | 原因 |
|---|---|
| 129条无用分支被自动删除 | 范围窄，标准容易验证 |
| 43个无意义commit | PR看护范围失控，偏离目标，全部被拒 |
能力越强，爆炸半径越大。
品味，是Loop里唯一不可替代的东西
随着模型越来越强，瓶颈不再在模型本身，而在指挥者的判断力。
Loop会放大你写进验证逻辑里的审美和判断：
1. 你越懂你的代码库，Loop就跑得越好
2. 你越清楚哪些边界情况真正重要，产出就越靠谱
3. 你越有"什么时候算准备好上线"的直觉，就越不容易出事
好的品味让你正确方向上复合增长。差的品味让你以机器速度制造无用功。
Loop不是消除判断。它是放大判断。
你写的不是提示词。你设计的是一个替你思考、替你干活、替你做判断的系统。
而这个系统的上限——不取决于模型有多聪明。取决于你有多清楚自己想要什么。
参考来源
1. Addy Osmani — Loop Engineering: https://addyosmani.com/blog/loop-engineering/
2. ExplainX — What Is Loop Engineering in 2026: https://explainx.ai/blog/what-is-loop-engineering-ai-agents-2026
3. Firecrawl Blog: https://www.firecrawl.dev/blog/loop-engineering
4. GitHub cobusgreyling/loop-engineering (230+ Star): https://github.com/cobusgreyling/loop-engineering
5. Substack Complete Guide: https://linas.substack.com/p/loop-engineering-complete-guide
6. MindStudio: https://www.mindstudio.ai/blog/what-is-loop-engineering-ai-coding-agents
7. Mem0 Memory-First Design: https://mem0.ai/blog/loop-engineering-for-ai-agents-memory-first-design
8. SmartScope: https://smartscope.blog/en/generative-ai/methodology/loop-engineering-agent-loops-2026/
9. Boris Cherny 演讲: https://www.youtube.com/watch?v=RkQQ7WEor7w
— 本文来自微信公众号 —
