夜雨聆风
LOOP
—Loop Engineering。
英伟达董事长黄仁勋最近让一个人工智能圈里正夯的名词成为焦点──「循环工程」（Loop Engineering）。根据X网友引述，黄仁勋说「现在没人在写提示词了，都在编写、管理循环」，把循环工程形容为定义2026下半年AI发展的重大转变。
黄仁勋不久前接受美联社专访也反复提到，未来AI将超越简单的单次提示词，成为能够自主搜索、评估、推理、使用工具、透过重复循环自我改进的系统。
简单来说，提示工程是在研究如何对AI模型下达更好的指令，循环工程是要设计指令下达后AI系统自动执行的流程。
循环工程是什么？
循环工程是一个闭环式的循环。在一个标准的循环工程架构中，AI系统会生成一个假设、做测试、按照明确的目标给结果打分数、读取并分析失败的原因，把检讨后得到的反馈内容喂给下一次生成。循环工程的运作模式就是感知（Perceive）、推理（Reason）、行动（Act）、观察（Observe），不断重复。
在这个流程中，每次循环（Pass）成本相对便宜，但每次的结果都能缩小搜索范围。所以循环工程可以把数十次平庸的尝试变成更强大、经过测试、更可靠的一次输出。有价值的不是模型的第一个答案，是强迫模型不断改进的过程。
为什么要学循环工程？
现在大多数AI工作流还是高度依赖人类手动操作，AI照着你的提示词，一个口令一个动作。你写提示词，模型回复，你检查内容，再写新的提示词，不断循环。每次模型回复你，互动就结束了，模型不会继续工作、监控变化、自己决定下一步。
这种「单次对话」模式应付一次性任务还行，但需要AI智能体自主完成多步骤工作（例如研究主题、写报告、发布更新、检查结果、在没有人干预的情况下进行迭代）时就会很没效率。
举例来说，如果要打造「客户研究」工作流，你可能需要AI智能体执行以下步骤：
从多个渠道爬取数据 做摘要 标记异常值 格式化报告 传到Slack 检查有没有人回复
这中间包括6个以上不同步骤，若没有完全自动化，你每一步都要手动触发。
在这个背景下，循环工程诞生，透过 /loop（循环）、/goal（目标）和 /routines 等结构，让AI智能体不需要人类在每个步骤手动输入提示词，也能持续工作，彻底改变自主AI智能体能够胜任的任务范围。
黄仁勋怎么说？
黄仁勋提到，未来的AI方向是「少一点猜测，多一点研究」。
他解释，现在AI系统已经能够用网络搜索并回传「两到三种不同版本」的信息，接着自主评估哪一个版本最接近事实。
这就是循环在实务中的运作方式。AI不只会被动回应，更会主动搜索、对比、评估、精炼内容。
另一个例子，是AI系统接收到提示词后主动阅读大量文献、追踪引用来源、沉浸并理解主题脉络，随后透过推理想出解决问题的方法。
这正是循环工程可能比提示工程更重要的原因。黄仁勋认为，一个聪明的提示词顶多能改善一次回复品质，但一个设计精良的循环可以让整个工作流彻底进化。
循环工程的架构是什么？
多数循环工程的实做主要围绕以下三个核心结构：
/loop循环
告诉AI智能体重复执行某个特定的动作序列。它可以是有限次数的（运行N次），也可以是条件式的（运行到某个条件成立为止）。/goal目标
替循环定义终止条件与前进方向。没有目标，循环智能体就会无限期运行或随机终止。/routines
这是AI智能体在循环中可以随时调用的模块化、可复写的动作序列，可以看做是子程序（Subroutines）。
/loop 怎么运作？
循环会建立一个重复执行的循环机制。最基本的流程如下：
AI智能体接收输入，或观察目前的状态。 AI智能体执行某个动作。 AI智能体评估是否应该继续循环。 如果答案为「是」，则带着更新后的上下文回到第一步。
它与一般程序中的 for loop 最大差别在于，AI智能体的推理能力可能会让第二步在每一次迭代时都变得不一样。换句话说，它不只是重复执行同一个动作。它能够根据上一轮发生的结果，决定下一步该做什么。
举例来说，一个监控网站的AI智能体可能会设定成每小时执行一次循环，用来检查竞争对手的价格页面是否有变动。
在每一次循环中，它都会把目前页面状态与先前储存的基准版本进行比较。如果没有任何变化，它什么事都不做。如果有变化，它就会启动通知流程。
/goal 怎么运作？
目标赋予循环终止的条件和前进的方向。一个优秀的目标定义通常包含：
成功状态：怎样才算完成？（例如「报告已提交，确认送达」） 限制条件：智能体必须遵守的边界（例如「不可以发超过3封邮件」） 优先信号：需要做取舍时，什么事情最重要。
目标的定义不需要很复杂，像是「持续执行直到处理完50个潜在客户资料并记录到Airtable中」就够具体了。模糊的目标（像是「做个厉害的研究」）往往会导致AI智能体出现不可预测的行为。
有些架构会进一步区分终极目标与工具性目标，这种做法比较接近人类的规划方式。
/routines 怎么运作？
/routines 是智能体在循环内使用的基本组件，是一系列模块化、可重复使用的动作流程，当特定条件或情境出现时，AI智能体就可以调用对应的 Routines 来执行。
常见的 Routines 包括：
Data Fetch Routine（数据获取）：从数据库取得最新记录，进行格式整理，然后存入工作记忆。 Summarize Routine（摘要）：接收一段文字内容，产生摘要，评估摘要品质。如果品质低于设定门槛，则重新生成。 Escalation Routine（升级处理）：如果某项任务超过AI智能体的信心门槛（Confidence Threshold），就标记成需要人工审核，并暂停该分支循环的后续执行。 Notification Routine（通知）：整理目前状态信息，并透过Slack或邮件发送通知消息。
Routines 让你可以方便地管理循环，做到个别测试每个功能模块、独立调试、重复利用既有能力、自由组合出更复杂的智能体行为。
循环工程实际上怎么运作？
当 /loop、/goal 与 /routines 组合在一起时，就形成所谓 Agentic Loop（智能体式循环），在这个能自主驱动的循环机制里，AI智能体会持续观察、推理、执行、评估，并不断重复这个过程，直到目标达成为止。
这个循环的简化版本如下：
Observe（观察）——目前的状态是什么？（检查输入、读取记忆、取得数据） Reason（推理）——根据目标与目前状态，下一步应该做什么？ Act（执行）——执行适当的 Routines。Evaluate（评估）——刚刚的行动是否让系统更接近目标？目前的新状态又是什么？ Loop or Terminate（继续循环或结束）——目标是否已经达成？如果没有，就回到第一步。
哪些任务适合循环工程？
适合使用的场景：
任务具备多步骤、充满条件变数：下一步该做什么，完全取决于上一步的结果。 完成时间无法预测：例如背景资料搜集、持续性的市场监控、需要反复修改的内容。 人工审查成为效率瓶颈：用明确的目标与信任门槛取代重复的人工点击，解放人力。 调度周期性任务：定期唤醒、执行、休眠的监控或报表工作。
应该避免的场景：
任务只有明确单一en步骤：只是单纯转换一段文字或生成单一文件，引入循环只会增加无谓的复杂度。 每一步都需要人工百分之百判断：流程无法放手让AI推理（虽然可以设计暂停机制，但会大幅增加复杂度）。 目标模糊不清：如果你无法具体定义怎样算做完，AI就会变成失控的API额度杀手。
自主工作流中的四大常见循环
轮询循环（Polling Loops）：AI智能体按时间（如每30分钟）唤醒，检查数据源，只有发现新数据时才触发特定行动（例如检查CRM中的新潜在客户，丰富数据）。
精炼循环（Refinement Loops）：AI智能体生成内容（如营销文案），根据品质标准自行评分，分数未达标就重写，直到过关或达到最大尝试次数为止。
队列处理循环（Processing Queue Loops）：AI智能体面对一个任务清单（如客服工单库），一件接一件地处理、记录结果，直到清单清空为止。
事件响应循环（Event-Response Loops）：AI智能体持续监听外部信号（如电子邮件、Webhook），一旦有事件进来就立即执行响应程序，随后回到监听状态。
打造循环流程的小诀窍
先定义退出条件：在设计任何工作流节点前，先明确写下「在什么具体条件下，这个循环必须停止」。 设定硬性限制：务必设定最大循环次数或最长运行时间，防止智能体因陷入死循环刷爆你的API额度。 把一切记到日志里：让AI智能体在每次循环中记录状态、行动与结果，否则无声运行的循环一旦出错会完全无法调试。 从小规模开始：先从最简单的「观察→行动」两步循环开始，稳定后再加入精炼逻辑与模块化程序。 独立测试你的 Routines：把它们串进循环之前，确保每个独立的 Routines（如摘要Routine）本身可以完美运作。如果Routines本身的输出品质很差，再完美的循环工程也救不回来。
（资料来源：NDTV、MindStudio）
尊敬的读者，首先感谢您对本篇文章的关注和阅读。在此，本小编想要说明的是，以上所述内容都是经过笔者认真整理和撰写的，但限于个人能力和知识水平等因素，难免存在疏漏或错误之处。如有不当之处，敬请包涵并指正，本小编将虚心接受您的批评与建议，并严谨修正文章。再次感谢您对本篇文章的支持与厚爱。
以上就是今天的内容了，喜欢的话麻烦点个关注，非常感谢！！！
扫描二维码
获取更多精彩
感谢关注
点个在看
你最好看
