本来以为一觉醒来，会看到 Fable 5 正式退出订阅套餐，GPT-5.6 接档发布，趁势抢走 Claude 的流量。剧本都写好了，但偏偏现实没照着演。

就在刚刚，Fable 5 官宣延期 5 天，推迟到当地时间 12 号。Anthropic 还顺带上线了 Claude Cowork 移动端，关掉笔记本也能持续工作。

尽管 Anthropic 难得干了回人事，真实打实延期了，却未必人人领情。有人紧赶慢赶才将额度清了零，如今不讲武德地变卦，反倒彻底没招了，当然，也有人没来得及用，手里还攥着不少。

既然额度反正要用，怎么用才不亏，就成了眼下最实际的问题。刚好，ClaudeDevs 最近发布了一篇武林秘籍，主题正是当下大火的 AI 词汇：循环工程（Loop Engineering）。

上个月 Claude Code 的创造者 Boris Cherny 更是直接摊牌：「我早就不写提示词了。」他现在只写「循环（Loop）」，扔个目标给 Claude，自己转身去喝咖啡，让 AI 自己跟自己死磕。

知名开源项目 OpenClaw 的作者 Peter Steinberger 也在呼吁：别再给 AI 写提示词了，赶紧去设计能自动生成提示词的系统。Google Cloud 工程总监 Addy Osmani 干脆把它称为 AI 时代的新一代软件架构。

而看完这份秘籍你会发现，只要定好规矩，我们甚至就能舒舒服服当个「甩手掌柜」了。

https://x.com/ClaudeDevs/status/2074208949205881033

让 AI 自己卷自己，官方认证的四种循环姿势

以前我们怎么用 AI 写代码？喊一句「加个按钮」，它写一段代码，我们跑一下，报错了再把报错交给它……这叫提示词工程，本质上我们还是个人肉搬运工。

循环工程要干的事，就是把人类从这个循环里跳脱出去，至于怎么做？ClaudeDevs 官方给出了四种核心循环方式，自动化程度一档比一档高。

回合制循环（Turn-based），一步一验收

这是最基础的循环形式，还是你下一条指令、AI 干一件事，比如「添加一个点赞按钮」。 区别在于， 你可以提前写一份 SKILL.md 文件，把验收标准白纸黑字定下来。

有点像给实习生发一份入职手册：活干完不许直接来找我，先自己启动本地测试服务器，去浏览器里真点一下那个按钮，确认它有反应，截图为证；再检查控制台一个报错都不能有，最后跑一遍 Lighthouse 性能测试（可以理解为给网页做个体检）。

所有检查项全绿，才准来交作业。

放到写作或办公场景里，也可以用同样的思路：让 AI 每次改完稿后，顺带检查标题是否吸引人、事实是否有出处、段落是否连贯、PPT 是否一页只讲一个重点。

目标制循环（Goal-based）：只认结果，不管过程

复杂任务往往不是一轮对话能搞定的。这时候可以用 /goal 命令，给 AI 设一个机器可验证的硬指标——比如「Lighthouse 评分达到 90 分以上」——再加一个最大重试次数。

然后 AI 就会在后台自己试、自己测、自己改，要么达标，要么撞到次数上限为止。

这一招的妙处在于，AI 不用再去猜「怎样才算好」这种玄学问题了。90 分就是 90 分，89 分就接着改。模糊的审美判断，变成了确定性的数字。

定时制循环（Time-based）：把杂活变成定时闹钟

写代码之外，程序员每天还有一堆重复性杂活：代码审查、回复评论、修复跑崩的 CI（持续集成，可以理解为代码的自动质检流水线）。

例如输入 /loop 5m 检查我的 PR，回复别人的审查意见，并修复跑崩的 CI，系统便会每隔 5 分钟自动执行一次巡检，将其转变为一个持续运行的后台守护进程。

编程团队里，这类循环可以用来盯 PR、查测试、处理报错。放到内容和办公场景里，也可以用来每天定时汇总行业新闻、整理会议纪要、扫描选题线索，或者每周生成一份学习复盘。

它的价值在于，那些过于繁琐的事情，可以先交给 AI 处理一遍。

主动循环（Proactive）：事件驱动的自主工作流

这是自动化程度最高的形态，结合了动态工作流和自动模式（Auto mode）。官方给的典型场景是：设定系统每小时自动检查 Bug 反馈区，在分发、处理、回复完所有新 Bug 之前，不许停。

更夸张的是修 Bug 环节。系统可以同时开 3 个相互隔离的工作区（worktrees），让 3 个 AI 各写一套解决方案，再拉来一个专门的「裁判 AI」做对抗性审查，最后择优合并。

一个 Bug，三个方案，赛马机制。以前这是大厂才玩得起的奢侈，现在是几行配置的事。

当然，机器转得越快，翻车也越快。不加约束的自动化循环，很容易把代码质量写崩、把 API 账单烧穿。ClaudeDevs 给了几条保命建议：

·引入独立的验证者。

大模型在评估自己生成的代码时往往会表现出盲目的自信（即「幻觉成功」）。为了保证质量，系统设计中应使用 /code-review 技能，引入一个具有全新上下文环境的独立 AI 专门负责代码审查，确保检查的客观性。

·确定性任务使用脚本代替模型推理。

为了有效管理 Token 消耗，不应让 AI 每次都从头推导固定的逻辑。例如填写 PDF 表单等流程明确的任务，最好让 AI 编写并运行一个固定的执行脚本，这比每次都调用大模型推理要经济高效得多。

·大规模运行前先进行小范围测试。

动态工作流一旦启动，可能会衍生出大量的子 Agent。官方建议在全面推开前，先选取一小块任务进行试运行，并定期使用 /usage 命令检查 Token 余额和子 Agent 的花费情况，设定明确的预算上限。

循环工程背后，还有一套基础设施

真正能进入生产环境的循环系统，远比一个 while(true) 复杂。

Addy Osmani 在解释循环工程时提到，一套可用的循环至少离不开几类基础组件：自动化机制、Worktrees、Skills、插件和连接器，以及子 Agent。

一个个说。

自动化负责让任务反复发生。可以是定时任务，也可以是 hooks 或事件触发，比如每 30 分钟扫描一次依赖漏洞，或者监听 GitHub 合并事件后自动开启检查。

Worktrees 负责给多个 Agent 提供彼此隔离的工作区。当十几个 Agent 同时处理同一个代码库时，隔离环境能避免它们相互污染进度，也能降低合并冲突带来的混乱。

Skills 负责把项目经验写进规则里。

SKILL.md 这类文件，本质上是一本持续更新的「踩坑手册」：这个仓库不能用 npm，那个测试必须等服务完全启动，某类改动必须截图验证。人类老员工的经验，就这样变成了 AI 新员工的肌肉记忆。

插件和连接器则让 AI 接触真实系统。

通过 MCP 这类连接方式，Agent 可以读取工单、查询数据库、调用 CI、向 Slack 发布状态。只在本地文件夹里打转，AI 更像一个代码助手；接入真实工具后，它才开始像一个执行角色。

子 Agent 解决的是制衡问题。写代码的模型给自己打分，通常会太客气。更可靠的方式，是让一个智能体负责实现，另一个智能体负责审查。多花一些 Token，换来一次独立判断。

从更大的视角看，循环也有层级。Andrew Ng 曾把现代软件开发拆成左环、中环和右环：左环交给 Agent 快速写代码、运行测试；中环由工程师审架构、调方向；右环来自真实用户、线上数据和商业反馈。

https://x.com/AndrewYNg/status/2071988145667928442

越靠近左环，越适合自动化；越靠近右环，越需要人的判断。

LangChain 等工具链也在往这个方向演进。底层是 Agent 执行任务，再往上是验证循环、事件驱动循环，甚至还有分析历史执行记录、自动改写提示词和评分规则的改进循环。

所以，循环工程听起来像是让 AI 自己干活，放到系统设计里，其实更像是在搭一条 AI 生产线。机器负责高频执行，人类负责规定节奏、边界和验收标准。

Loop 不只是程序员的事

这条 AI 生产线到底有多香？ Anthropic 自己先吃了螃蟹。

他们已经把 Claude Code 接入到 Pull Request 处理流程中。系统会在夜间安排大量 Agent 执行长时间任务，包括跟进审查意见、清理废弃代码、处理重复性维护工作等。

相关数据显示，引入这类流程后，Anthropic 内部人均代码交付量提升了约 70%。

效率提升固然明显，但自动化程度越深，隐藏成本也越难忽视。循环工程真正危险的地方，不只在于 AI 写错一段代码，更在于它能在无人看管的情况下，持续不断地写出大量看似正确的代码。

代价也是显而易见的。

最先浮出水面的，是技术「理解负债」。AI 能快速产出通过测试的代码，但团队未必真正理解其逻辑，一旦出问题就难以排查。同时，高速循环下的自动修补也会让架构逐渐变形，代码表面更「健壮」，底层却更混乱。

成本失控也是一大难题。多个 Agent 同时运行，每个子 Agent 又要调用模型和工具，很容易把个人 Token 额度烧穿，也很容易让企业账单突然变得难看。

Steinberger 曾自嘲自己是有「无限 Token」的人。但对于普通开发者和普通公司来说，循环频率不能只按野心设置，也要看预算。尤其是长周期循环和大量子 Agent 会让 Token 成本迅速膨胀。

更棘手的是，同一模型既写代码又自检，容易出现幻觉式成功；若测试本身有漏洞，问题还会被循环放大。同时，接入真实系统带来的高权限，也会放大注入、数据泄露和误操作的风险。

说了这么多，眼下关于循环工程的讨论，主要集中在 agentic coding，但这并不意味着循环（Loop）只属于软件工程师。

提示词时代，人类还在亲自分派每一步动作；循环时代，人类开始设计岗位、流程和验收标准。AI 不再只是回答问题，它被安排进了一套持续运转的组织结构里。

ChatPRD 创始人 Claire Vo 给过一个更好的理解角度，把自己想象成一个管理者。

你设计的不是一句提示词，而是一个岗位。这个岗位可以是软件工程师，也可以是客服、产品助理、运营助理，甚至是一个每天自动整理信息、跟进事项、处理反馈的执行角色。这也是循环工程突然变得重要的原因。

从表面上看，大家从重复劳动中解脱了，但这反而对我们提出了更高的要求：只会下达简单指令的人可能会被慢慢取代，而那些懂得如何设计目标、管理权限、理解大局的人，会变得越来越不可或缺。

说到底，AI 抢走的不是你的工作，是你「执行」的那部分工作。剩下所谓判断的部分，才是接下来最值钱的东西。