AI 编程新风口：掌握 Loop Engineering，成为系统架构师！

最近看到一句很有意思的话。我不再提示 Claude 了。我有运行中的循环在提示 Claude并决定接下来做什么。我的工作是写循环。这句话来自 Claude Code 的 Boris Cherny。它听起来有点夸张但可能说中了 AI 编程下一阶段的变化。过去两年我们大多数人和 coding agent 的关系是这样的我写 promptAI 给答案我看结果我再补一句 promptAI 再改人一直握着方向盘。AI 是工具人是一轮又一轮的操作者。但 loop engineering 想做的事情是把这个过程往上抽一层。不再是你每次亲自提示 agent而是你设计一个系统让这个系统去提示 agent、检查 agent、决定下一步。人设计 looploop 调用 agentagent 执行任务loop 检查结果loop 决定继续、重试、分派、停止这才是 Boris 那句话真正有意思的地方。不是“人不用工作了”而是工作的重心变了。Prompt engineering 解决的是“怎么问”Prompt engineering 关心的是怎么把问题描述清楚怎么给 AI 足够上下文怎么让它输出想要的格式。这当然还有用。但它的问题也很明显每一轮都依赖人。你要不断盯着、判断、补充、纠偏。Loop engineering 关心的是另一个问题我能不能设计一个循环让 AI 自己发现问题、处理问题、验证结果并在合适的时候停下来从第一性原理看工程本来就是一个闭环目标状态 - 当前状态 偏差根据偏差采取行动观察新状态继续修正写代码是这样做产品是这样做增长也是这样。AI 之前改变的是“行动”这一步现在 loop engineering 改变的是整个闭环。一个 loop 需要什么Google Cloud 的总监 Addy Osmani 在关于 loop engineering 的文章里把它拆成了五个组件再加一个记忆层。这个拆法很清楚。Automations让 loop 定时运行而不是等你想起来才跑一次。比如每天检查 CI 失败、open issues 和最近提交。Worktrees让多个 agent 并行干活时互不踩文件。每个 agent 在自己的分支和目录里工作。Skills把项目规则、历史约定、构建方式和踩坑经验写下来避免 agent 每次重新猜。Plugins / Connectors让 agent 接入 GitHub、Linear、Slack、数据库、监控平台和测试环境。Sub-agents把“做事的人”和“检查的人”分开。一个 agent 实现另一个 agent review。Memory用 markdown、issue board 或状态文件记录完成了什么、下一步是什么。模型会忘仓库不会。一个真实 loop 可能长这样假设你维护一个产品仓库。每天早上automation 自动运行。它读取昨天的 CI 失败、用户反馈、最近合并的 PR 和未关闭的 issue然后调用一个 triage skill把问题分成几类可以自动修复、需要人工判断、需要更多信息、暂时不处理。对于可以自动修复的问题它开一个独立 worktree让第一个 sub-agent 去修。修完之后第二个 sub-agent 按项目规范 review。然后跑测试。测试失败loop 把错误日志喂回去让 agent 继续修。测试通过loop 开 PR更新 ticket并把摘要写进状态文件。处理不了的按分级归类整理等你看。这时候你做了什么你没有一条条提示 AI。但你设计了它什么时候运行、看什么信息、能做什么、怎么判断成功、失败后怎么办、什么时候必须交给人。一天 150 个 PR真正值得看的不是数字Boris 被讨论最多的案例是一天提交很多 PR甚至可以全程用手机完成。这个故事最容易被误读成“AI 已经可以替人写代码了。”但我觉得真正重要的不是 PR 数量也不是手机。真正重要的是手机变成了控制面板。背后跑的是多个循环发现问题、分配任务、生成修改、跑测试、做 review、开 PR。人不再是每一步的操作者而是系统的设计者和审查者。Loop 不会替你成为工程师loop 越顺滑人越容易放弃理解。代码不是你写的PR 是 agent 开的review 是另一个 agent 做的测试也是自动跑的。时间一长你可能只剩下一个动作点同意。这不是自动化。这是认知外包。所以 loop engineering 里最重要的不是“让 AI 多干活”而是几个边界必须有清晰的停止条件。必须有独立验证。必须有权限控制。必须有外部记忆。必须有人类审查关键结果。尤其不要把 PR 数量当成价值。真正该看的指标是合并率、回滚率、缺陷率、review 成本、用户价值和团队理解程度。结语抓住大模型时代的职业机遇AI大模型的发展不是“替代人类”而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作却催生了更多需要“技术业务”交叉能力的高端岗位。对于求职者而言想要在这波浪潮中立足不仅需要掌握Python、TensorFlow/PyTorch等技术工具更要深入理解目标行业的业务逻辑如金融的风险控制、医疗的临床需求成为“懂技术、懂业务”的复合型人才。无论是技术研发岗如算法工程师、研究员还是业务落地岗如产品经理、应用工程师大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情紧跟技术趋势就能在AI大模型时代找到属于自己的职业新蓝海。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用