Loop Engineering 详解：从手动Prompt到自动驾驶，效率直接起飞
1. 从手动 Prompt 到自动驾驶
▲ Loop Engineering 封面图
你还在一条一条地给 AI 写提示？Boris Cherny（Claude Code 创建者）和 Peter Steinberger（OpenClaw 创建者）早已停止这样做。他们的工作从"提示 AI"变成了"编写循环"——让循环自动提示 AI，反复运行直到任务完成。这不是技巧升级，是范式切换。如果你还在手动重复调用 AI 做同样的事，你正在浪费大量时间和 token。
[!info] 阅读导览
1.1 什么是循环与四条件测试 → 1.2 循环的四个构建模块 → 1.3 构建你的第一个循环 → 1.4 风险与适用边界 → 1.5 关键判断
1.1. 什么是循环——以及为什么你该用它
▲ 循环 vs 普通提示示意图
普通提示运行一次就停止。循环是一个反复运行直到特定目标完成的提示。核心区别：你不再指挥 AI 每一步做什么，而是设计一个系统，让 AI 自己决定如何重复执行直到任务完成。
Boris Cherny 的原话：“我不再提示 Claude 了，我的工作是编写循环。循环在运行，它们负责提示 Claude 并决定做什么。”
Peter Steinberger 说得更直接：“你不应该再提示编码代理了。你应该设计循环来提示你的代理。”
6 月 8 日
这是你的月度提醒：你不应该再提示编码代理了。你应该设计循环来提示你的代理。
判断是否该用循环的四条件测试：
| 条件 | 判断标准 |
|---|---|
| 任务是否重复？ | 一次性任务用普通提示即可 |
| 是否有明确的完成定义？ | 循环需要一个可量化的终点——知道"何时停止" |
| 能否承受资源消耗？ | 循环自动重复直到完成，可能消耗大量 token；如果没有限制机制，需要更策略性地使用 |
| 循环是否拥有完成任务所需的所有工具？ | 比如做一个网站，循环需要有检查网站是否在线且可访问的能力 |
结论： 四个条件全部通过，才值得构建循环。任何一条不满足，普通提示或手动操作反而更高效。
1.2. 四个构建模块——每个循环的骨架
▲ 四个构建模块示意图
1.2.1. 模块一：触发器
触发器是启动循环的机制。三种最简单的设置方式：
/loop：在 Claude 中输入/loop可设置定时运行。示例：/loop every six hours, check today's weather and notify me if I need to change my plans based on my calendar。简单但运行在本地机器上，关闭笔记本就停止。/schedule：在云端自动运行，可设置任何时间或频率。例如每天上午 8 点运行，远程执行，不受本地机器限制。- 自定义循环编排技能：创建一个单一的循环编排技能，包含所有设置（目标、完成方式、验证方式）。例如创建
/check-weather-loop技能，在终端输入后按回车即可运行。
结论： 触发器决定了循环何时开始、在哪里运行。对于生产级循环，优先使用 /schedule 或自定义技能，避免本地依赖。
1.2.2. 模块二：执行技能
技能是一组保存的指令，让 Claude 每次以相同方式运行。本质上是可重复使用的保存提示。
关键区分： 执行技能与编排技能不同。执行技能是实际执行任务的单一专业化工作，由编排技能调用。编排技能是循环本身，它调用多个执行技能来完成目标。
核心原则： 不要在没有经过实战检验的技能的情况下构建循环。技能知道你希望如何完成任务。
示例：如果没有 /analyze-workout 技能，天气循环可能直接说"下雨了，取消跑步"；但如果技能记录了用户喜欢在雨中跑步，响应将完全不同。
结论： 先建技能，再建循环。技能是循环的原子单元，必须在循环之外单独验证过。
1.2.3. 模块三：目标与验证
每个循环需要两个紧密关联的部分：目标（想要完成什么）和验证（确认目标完成的规则）。
技术任务示例： 目标可以是"将网站部署到某域名并确保加载时间低于 2 秒"。验证方式：AI 访问该域名，检查内容是否如预期，计算加载时间，并确保 /engineer-review 技能批准所有更改。
非技术任务示例： 需要将抽象概念转化为可验证的指标。例如 /draft-emails 循环的目标是"为所有未读邮件起草回复"，验证方式可以是"确保所有未回复的邮件都有草稿，且该草稿已通过 /email-review 技能、/writing-voice 技能和 /fact-checker 技能的验证"。
关键技巧： 使用不同的 AI 分析输出可以获得更少偏见的意见。在 Claude 中可以使用 Codex 插件或让 Claude 启动子代理来分析工作。
结论： 没有验证的循环等于盲跑。对于非技术任务，通过多个技能输出"批准/未批准"或评分来构建验证链。
1.2.4. 模块四：输出与记忆
输出是循环产生的结果：文档、代码库更新、在线网站、Telegram 消息等。
记忆的重要性： 每个循环从零开始，除非记录发生了什么。没有记忆意味着没有改进，会浪费 token 重复遇到相同问题。
Addy Osmani 的名言：“代理会忘记，仓库不会。”
Anthropic 文档建议：“提供一个记笔记的地方，简单如一个 Markdown 文件即可。”
实操方法： 使用提示更新循环编排技能，将经验教训和运行历史记录到特定文档中，创建输出文件和记忆文件。
结论： 记忆是循环进化的基础。没有记忆，循环永远无法从错误中学习。
flowchart TD
A[触发器 Trigger<br>/loop /schedule 自定义技能] --> B[执行技能 Execution Skills<br>原子化、已验证的指令]
B --> C[目标与验证<br>Goal + Verification]
C --> D{验证通过?}
D -->|否| E[记忆文件记录教训<br>调整后重新执行]
E --> B
D -->|是| F[输出 Output<br>文档 / 代码 / 消息 + 记忆更新]
1.3. 构建你的第一个循环——从零到运行
▲ 循环构建流程示意图
1.3.1. 核心原则：技能驱动的循环开发
问自己：“我已经完成并验证过的最小事情是什么，可以为其创建循环？”
操作步骤：
- 使用四条件测试审计当前工作空间，识别循环候选任务
- 选择一个已经验证过的小任务（比如每天检查天气并通知你），创建第一个循环编排技能
- 在循环训练模式下运行新循环，验证每一步的行为
1.3.2. 循环训练模式
新循环的前几次使用，让循环在每一步暂停直到你批准过程。这样可以验证循环是否按预期工作，避免浪费 token。
训练模式输出示例：“快速检查，在我消耗 token 之前……”，然后等待批准继续。确认循环按预期工作后，可以关闭测试模式。
可复制 prompt（创建循环编排技能）：
Create a loop orchestration skill for [task]. Include:
1. Trigger: [how and when the loop starts]
2. Execution skills: [list of skills the loop will call]
3. Goal and verification: [what success looks like and how to confirm it]
4. Output and memory: [where results are stored and how lessons are recorded]
Use training mode for the first 3 runs: pause at each step and ask for approval before proceeding.
结论： 训练模式是安全网。永远不要让未经验证的循环在生产环境自动运行。
1.4. 风险与适用边界
- Token 消耗不可控： 循环自动重复直到完成，可能产生远超预期的 API 费用。必须设置 token 上限或运行次数限制。
- 循环偏离轨道： 对于不可量化的目标，未验证的关键检查点越多，AI 偏离轨道的可能性越大。需要将循环分解为更小的目标，在关键决策点设置人工验证。
- 本地依赖风险： 使用
/loop触发器时，关闭笔记本循环即停止。生产级循环应使用/schedule或云端部署。 - 记忆文件膨胀： 如果不清理，记忆文件会不断增长，最终影响循环性能。需要定期归档或压缩历史记录。
- 适用边界： 循环不适合一次性任务、没有明确完成定义的任务、以及资源受限的环境。在这些场景下，普通提示反而更高效。
1.5. 关键判断：循环工程不是技巧，是思维切换
你把 AI 当工具还是当系统？如果你还在一条一条写提示，你在用 AI 的方式是"手动挡"。循环工程让你切换到"自动驾驶"——你设计路线，AI 自己跑。
但这条路有代价：你需要先建技能，再建循环；你需要训练模式验证；你需要记忆文件记录教训。这不是捷径，是工程。
开放问题： 你当前工作流中，哪个重复任务最值得先做成循环？是邮件处理、代码审查、还是数据监控？用四条件测试判断，如果全部通过，今天就可以开始建第一个循环。
#循环工程 #ClaudeCode #AI自动化 #AgenticEngineering #LoopEngineering
[!success] 核心要点
- 范式切换：Boris Cherny（Claude Code 缔造者）与 Peter Steinberger（OpenClaw 创建者）已从"提示 AI"转向"编写循环"——让循环自动提示 AI 直到任务完成
- 四条件测试：任务是否重复 / 有无明确完成定义 / 能否承受资源消耗 / 是否拥有全部所需工具——全部通过才值得构建循环
- 四个构建模块：触发器（
/loop、/schedule、自定义技能）→ 执行技能（先验证再建循环）→ 目标与验证（无验证等于盲跑）→ 输出与记忆（“代理会忘记，仓库不会”）- 安全网：新循环先用训练模式逐步暂停确认，未经验证的循环绝不自动运行
- 风险清单：Token 不可控、循环偏离轨道、本地依赖、记忆文件膨胀；一次性任务/无明确终点/资源受限场景用普通提示更高效