[!info] 阅读导览
全文 4 节：第一层 Agentic Coding Loop（1.1）→ 第二层 Developer Feedback Loop（1.2）→ 第三层 External Feedback Loop（1.3）→ 总结与启示（1.4）

flowchart TB
    C[Agentic Coding Loop<br>分钟级 · AI Agent] --> B[Developer Feedback Loop<br>几十分钟-数小时 · 开发者]
    B --> A[External Feedback Loop<br>数小时-数周 · 用户/市场]
    A -.数据反哺.-> B
    B -.spec/evals 更新.-> C

1. 0-1 构建产品的三大 Loop Engineering 范式

你现在写 prompt 的能力，已经不是瓶颈了。设计 Loop 的能力才是

这不是我说的。Claude Code 的创建者 Boris Cherny 原话是这样的：

“I don’t prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do.”

OpenClaw 的创建者 Peter Steinberger 说得更直接：

“You shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.”

Loop Engineering 这个词在过去一个月彻底炸了。Andrew Ng 大神在 6 月 30 号的 The Batch 里专门写了一封信，把他从 0 到 1 构建产品时使用的三个关键循环做了系统性拆解。

我跑通了这套框架之后发现，它不只是一个编码方法论，本质上是一套产品构建的操作系统——三层循环嵌套运行，各自有不同的时间尺度和决策主体。

下面我把这三层拆开讲。

1.1. 第一层：Agentic Coding Loop（能动编码循环）

时间尺度：分钟级 ｜ 决策主体：AI Agent

这是最内层的循环。你给 Agent 一个产品规格（spec）和一组评估标准（evals），它就开始自己写代码、跑测试、发现问题、修复问题，不断迭代直到代码无错误且符合规格。

这个循环的关键变化发生在 2026 年 5 月——Claude Code 在 v2.1.139 版本加入了 /goal 命令。这个命令的机制是：你给 AI 设定一个目标条件，然后一个独立的快速模型会在每轮迭代后判断目标是否达成。没达成就继续跑，达成了或者到达 turn 上限就停。

1.1.1. 从手动编码到自主循环

这意味着什么？意味着你的编码 Agent 可以在没有人工干预的情况下，自主工作一个小时甚至更长时间。

Ng 举了一个例子：他给女儿做一个练习打字的 App，编码 Agent 自己跑了大约一个小时，期间用浏览器反复检查构建结果，完全不需要他介入。

Addy Osmani 把这一层总结为五个构建模块：

1.1.2. 五个核心构建模块

• 调度执行（scheduled execution）
• 隔离工作区（isolated workspaces）
• 验证 Agent（verifier agents）
• 持久化记忆（persistent memory）
• 停止条件（stop conditions）

这五个模块在 Claude Code 和 OpenAI Codex 里已经有了对应的原生命令，所以 Loop 的形态正在变得工具无关。

这一层的核心认知：你不再是写代码的人，你是设计生产线的人。

1.2. 第二层：Developer Feedback Loop（开发者反馈循环）

时间尺度：几十分钟到数小时 ｜ 决策主体：你（开发者/产品经理）

这一层是你检查当前产品状态，然后引导 Agent 做改进的循环。

去年很多开发者（包括我）还在充当 Agent 的 QA——手动找 bug 然后让 Agent 修。但现在 Agent 的自测能力已经大幅提升，这部分工作量显著下降。

这释放出来的时间让我们能做什么？做更高层次的产品决策——

• 应该提供哪些关键功能
• 界面哪里需要改进
• 用户流程是否合理
• 视觉设计是否到位

还是那个打字 App 的例子。Ng 在这一层做的事情是：多次调整视觉设计、设计女儿在学习过程中可以解锁的猫咪服装、优化成年人登录并引导孩子学习的用户流程。

注意这里有一个很重要的认知——

1.2.1. 人类的「情境优势」

Ng 说很多人把人类在这一层的贡献叫做"品味"（taste），但他更倾向于把它理解为人类拥有情境优势（context advantage）。我们比 AI 更了解用户，更了解产品必须运行的真实场景。

为什么这个区分重要？因为"品味"听起来像天赋，而"情境优势"指向一条清晰的改进路径——只要人类知道 AI 不知道的东西，就需要有人把那些知识注入系统。

这一层的核心工作：把你脑子里关于用户和场景的隐性知识，翻译成 Agent 能执行的 spec。

1.2.2. 隐性知识 → 可执行 Spec

这件事仍然是繁重的。而且往往你看到实现之后才会发现 spec 需要更新。如果你发现系统反复遇到同类问题，就该为 Agent 构建一套 evals 了。

1.3. 第三层：External Feedback Loop（外部反馈循环）

时间尺度：数小时到数周 ｜ 决策主体：用户/市场

这是最外层的循环，反馈来源包括：

• 向几位朋友征求反馈
• 向内部测试者发布 alpha 版本
• 投入生产做 A/B 测试
• 收集和分析使用数据

这些数据反哺你的产品愿景，愿景驱动详细的产品 spec，spec 驱动编码 Agent。三层循环就这样嵌套运转。

1.4. 总结与启示

Ng 在文章最后提到一个趋势：随着编码 Agent 加速软件开发，越来越多工程师开始承担产品经理的角色。

1.4.1. 工程师与产品经理的边界模糊

这对我来说不是新闻——作为一个从 PM 转型独立开发者的人，我一直认为这两个角色的边界在 AI 时代会彻底模糊。

但对很多正在成长为这个角色的工程师来说，最难的是两件事：

1. 塑造产品愿景（第三层循环的输入）
2. 在实现愿景和获取用户反馈之间取得平衡（第二层和第三层的切换节奏）

这两件事没有捷径，但 Loop Engineering 给了一个清晰的框架：把你的注意力分配到正确的循环层级上。

1.4.2. 注意力分配——核心技能

如果你还在第一层循环里手动 debug——你落后了。如果你已经在第二层循环里做产品决策——你在正确的位置。如果你能同时驱动三层循环高效运转——你就是一个真正的超级个体。

[!success] 核心要点

• 三层循环嵌套：Agentic Coding（分钟级，AI Agent）→ Developer Feedback（几十分钟-数小时，开发者）→ External Feedback（数小时-数周，用户/市场），数据从外层反哺内层
• 核心认知转变：从"写 prompt"到"设计 loop"——Boris Cherny 与 Peter Steinberger 的原话是这一转变的标志
• 第一层五模块：调度执行、隔离工作区、验证 Agent、持久化记忆、停止条件；Claude Code 的 /goal 命令（2026 年 5 月加入）正是其原生化
• 人类贡献 = 情境优势：把"品味"重新定义为可改进的路径——把用户与场景的隐性知识翻译成 Agent 能执行的 spec
• 注意力分配：手动 debug 是落后，做产品决策是正确位置，三层齐驱才是超级个体