夜雨聆风
最近看到两种截然不同的说法。
一种是 AI 公司的 PR 稿：编程助手让效率提升 10 倍，程序员的工作方式彻底改变。
另一种是工程师的真实体验：用了半年，效率是提升了，但工作方式还是那样，写提示、等回复、改代码，循环往复。
哪个更接近真相？我观察了一圈，发现两个阵营可能都看错了方向。
一个被忽视的趋势
过去两年，大部分人的关注点都在"AI 能写什么代码"。但有一个更重要的变化在悄悄发生：谁在提示 AI。
早期，答案是"人"。你写提示，AI 给回复。你像在使用一个工具，时刻操控着它。
但最近几个月，我看到一个新的模式：设计一套系统，让系统去提示 AI。你不再是操作者，而是设计者。
这不是我瞎猜。OpenAI 的 Steinberger 说：“你应该设计循环系统来提示你的 AI，而不是自己去提示。” Anthropic 的 Cherny 说得更直接：“我的工作就是写循环。”
两家竞品公司的负责人，说的是同一件事。这不太像是巧合。
Loop Engineering 到底是什么？
别被名字吓到。翻译成人话就是：设计一套自动运行的系统，让 AI 自己找活干、自己干活、自己检查。
听起来很玄，但拆开看，其实就是六个模块的组合。
自动化任务定时跑，发现问题，记录下来。比如每天检查 CI 失败、扫描代码质量问题、总结最近的提交。你不用天天盯着，它自己会跑。
工作树隔离让多个 AI 同时工作时不打架。就像给每个工程师分独立的 git 分支，互不干扰。
技能文档把项目背景、编码规范、踩坑经验写成文档。AI 每次运行都读一遍，不用你重复解释。
连接器让 AI 能读你的 issue、查数据库、发 Slack 消息。不只是看文件系统，而是真正进入你的工作环境。
子代理让一个 AI 写，另一个 AI 检查。写的人太自信，检查的人更客观。这个机制在实际使用中效果出奇地好。
还有外部记忆。AI 每次运行完会忘，所以得有个地方记下来。markdown 文件、任务板，什么都行，关键是不能只记在对话里。
有意思的是，这六个模块在 Codex 和 Claude Code 里都能找到对应功能。名字略有不同，但能力一样。这说明什么？说明这不是某个产品的特性，而是行业共识。
实际效果怎么样？
我看到两种截然不同的使用方式。
第一种是加速理解。工程师设计循环系统，让 AI 处理重复性工作。自己把时间花在审查 AI 的产出、理解 AI 写的代码、思考架构问题。效率提升了，但更重要的是，对项目的理解没有退化，反而更深了。
第二种是逃避思考。工程师把一切丢给 AI，自己不再看代码。AI 写什么就接受什么，审查只是走过场。短期看起来效率很高，但三个月后，对项目的理解明显下降。
同样的工具，两种用法，结果完全不同。
工具不知道你在用哪种方式。但你知道。
几个被忽视的风险
验证责任没转移。AI 说"完成了"，不代表真的完成了。即使你用子代理审查，那也只是"另一个 AI 觉得没问题"，不是"确实没问题"。最后的责任始终在你。
理解会退化。AI 写代码越快，你看代码的时间越少。这不是 AI 的问题，是人的问题。机器能替代劳动，但无法替代理解。
舒适区很危险。自动化程度越高，越容易停止思考。这叫"认知投降"。你把脑子交给系统，系统不会替你负责。
我的观察
Loop Engineering 让你换一种方式工作。
以前，你花时间写提示、等回复、改代码。现在，你花时间设计流程、审查结果、理解 AI 的产出。
时间还是那么多，但做的事情不同了。有点像从"写代码"升级到"设计让 AI 写代码的系统"。
这个转变，不是所有人都准备好了。
我看到两种工程师。一种用它加速理解，更快地掌握项目全貌。另一种用它逃避理解，慢慢地把脑子外包给 AI。
工具不判断对错，但结果是两样的。
最后说两句
从 PR 稿看，AI 编程已经彻底改变了一切。从实际使用看，改变才刚刚开始。
Loop Engineering 可能是下一个阶段的方向，但现在下结论还太早。一方面，token 成本依然是个问题，跑一套循环系统的成本不低。另一方面，工具的成熟度还在迭代中。
可以尝试，但别神话。设计循环，但别把脑子交给循环。那是你的核心竞争力，不是 AI 能替代的部分。
技术变了，但工程师的价值没变：理解系统、判断正确性、做出负责任的决策。
这些，AI 还做不到。
