彻底杀死提示词比赛，Agent Loop是什么鬼？

昨日，彻底词比吴恩达在 X 平台发布了一篇关于 Agent Loop（智能体循环）工程的杀死赛A什鬼深度推文，引发了业界的提示广泛共鸣。

图片来源：X

如果你在过去半年中体验过 Claude Code、彻底词比Codex、杀死赛A什鬼Workbuddy或 Kimi Work等前沿 Agent 产品，提示你一定察觉到了交互范式的彻底词比根本性转变：从过去“逐句指令 AI 执行”，转变为“抛出需求，杀死赛A什鬼AI 自主编写、提示运行、彻底词比报错并自我修复”，杀死赛A什鬼直至交付成果。提示

这种“自动运转”的彻底词比核心驱动力，正是杀死赛A什鬼 Loop 工程在 Agent 产品中的落地。

“你不应再为 Coding Agent 编写提示词，提示而应设计 Loop。”

6 月，OpenClaw（龙虾）创始人 Peter Steinberger 的这条推文引发了激烈讨论。此前不久，Google 工程负责人 Addy Osmani 也系统性地梳理了 Loop 概念，正式提出 Loop 工程这一术语。

图片来源：X

尽管概念由多位先驱推动，但最早将其发扬光大并确立行业标准的，当属 Claude Code创始人 Boris Cherny。6 月底，Anthropic 发布博客，公开了 Claude Code 中的四种 Loop 原语，标志着 Loop 工程在一个月内从行业共识演变为技术焦点。

那么，究竟什么是 Loop？它对我们普通用户意味着什么？

从提示词到 Harness，再到 Loop：Agent 的进化逻辑

过去，AI 使用的核心是 提示词工程（Prompt Engineering）。模型越能理解细粒度指令，输出质量越高。然而，当模型进化为 Agent，它不仅要生成内容，还需具备感知能力：何时读取文件、何时执行命令、何时检索网页、何时暂停询问人类。仅靠提示词和思维链（Chain of Thought）已无法支撑这一复杂度。

因此，Harness 工程应运而生。

Harness 可理解为模型外部的运行框架，负责工具接入、权限管理、上下文注入及状态存储。模型仍负责推理与生成，但被置于一个可执行任务的环境中。

Loop 工程则更进一步，它关注如何让 Agent 围绕既定目标进行持续的“循环”运作。

“龙虾”官方文档将 Loop 视为基础，图片来源：OpenClaw

简而言之，用户设定目标，Agent 理解任务、获取上下文、调用工具、观察结果并判断完成度。若未完成任务，则继续修改、运行和检查。这一过程模拟了人类的工作日常：初版产出 -> 发现问题 -> 迭代修正 -> 最终交付。

Loop 的核心不在于“循环”本身，而在于循环内部封装的逻辑。

以 Claude Code为例，它并非简单地将 Claude 接入终端，而是让模型在 while-loop中反复调用工具、编辑文件、运行命令并观察反馈。真正复杂的工程细节反而位于循环之外：权限系统、上下文压缩、插件机制、Skills、Hooks、子 Agent 及会话存储。

Agent 能否自主运转，不依赖模型的随机灵感，而依赖整套工程设计的支撑。

这也是吴恩达强调 Loop 工程的背景。截至 2026 年，Claude Code、Codex、ZCode、MiniMax Code 等 Agent 产品已将“写—跑—看结果—再改”确立为默认能力。

Anthropic 在博客中将 Loop 划分为四种类型：

1. Turn-based（回合制）：用户发一条消息，Agent 回一条。
2. Goal-based（目标驱动）：如“帮我写个登录页面”，Agent 自主编写、测试、修改，直到达标。
3. Time-based（定时触发）：如每两小时自动检查 PR 更新并执行 Review。
4. Proactive（主动式）：Agent 自主发现问题（如测试覆盖率下降）并主动修复（如补充测试用例）。

目标驱动 Loop，图片来源：Anthropic

这波讨论在 5、6 月升温，得益于产品进展。OpenAI 的 Codex 已超越简单的代码生成入口，能在独立环境中读取仓库、修改文件、运行测试，并回传日志与结果。Anthropic 的 Claude Code 则成为 Loop 工程的典范。Boris Cherny 所言“不再自己写提示词，而是让 Agent 去提示 Claude”，实质是人类从负责每一步提问，转变为设计让模型持续工作的机制。

Loop 工程的价值在于：设计得越好，Agent 越像一位能承接任务的同事——你给方向，它自主执行；跑偏时，它能从反馈中纠偏；完成后，它提交过程与结果供你审查。

“杀死提示词比赛”：对普通用户的实际意义

Agent Loop 对普通用户最直接的价值，在于降低提示词设计门槛。

过去使用 AI，如同指导一位聪明但缺乏经验的实习生。你需要详细告知每一步操作、停止节点、资料查询路径及避免幻觉的方法。指令越细，表现越好；指令越粗，越易跑偏。

Loop 完善的 Agent 则像一位熟悉工作流的资深员工。你无需反复提醒“报错后继续修复”，因为测试与返工已是循环内置逻辑。你无需一次性塞入所有上下文，Agent 可通过文件系统、搜索工具、记忆和索引逐步获取所需信息。

这将重塑用户与 AI 的关系：

• 过去：用户扮演产品经理、项目经理、测试员和导师。需拆解需求、监控进度、修正错误。
• 未来：用户更像目标设定者与结果验收者。

案例对比：旅行计划

• 传统模式：用户需编写详细指令：“预算多少、天数、先查机票、再查酒店、注意交通、生成表格、最后总结。”
• Loop 模式：用户仅需说：“下个月去东京 5 天，预算中等，想少折腾，多看展。”
• Agent 自动查询时间、比价、规划路线、发现冲突并给出方案。
• 若用户反馈“第二天太满”，Agent 自动重新排期。

这就是“杀死提示词比赛”的第一层含义：普通用户无需成为提示词工程师，Agent 产品应吸收复杂流程。

第二层价值：提升复杂工作的生产力

软件工程天然适配 Loop：
* 目标：Issue 追踪
* 过程：文件修改
* 工具：自动化测试
* 验证：Diff 与 CI 结果

Agent 出错，系统即时报错；修复成功，测试通过。这种反馈闭环清晰、可验证、可沉淀，因此 Claude Code、Codex、ZCode、MiniMax Code 均从代码场景切入。

图片来源：智谱 Zcode

但代码仅是起点。研究、表格、PPT、数据分析、客服工单、法务检索、招聘筛选、运营监控等领域，均具备“任务非一句话可完成，但成功标准可定义、过程可记录、结果可检查”的特征。

Loop 的第二层价值在于：提高复杂工作的生产力。人类不再监控每一步，而是负责定方向、看结果、改规格。吴恩达提到的“developer feedback loop”，意指 AI 加速内部执行循环，但人类仍需在更高层级判断方向正确性。

可靠性与可解释性

体验不佳的 Agent 常表现为不稳定、乱调工具、越做越偏。从工程角度看，Loop 提供了可靠性的抓手。

在 Loop 工程设计下，Agent 的每一步操作（为何搜索、为何修改、为何调用工具、为何判定完成）均可被记录。修复逻辑可封装为 Skill，项目规则可写入 AGENTS.md或 CLAUDE.md等记忆文件。下次执行同类任务时，Agent 无需重新摸索。

注意：Loop 不会自动带来可靠性。设计拙劣的 Loop 只会加速错误的自我复制。

从“司机”到“导航”：人机关系的范式转移

过去三年，AI 使用方式历经变迁，但底层逻辑未变：人发指令 -> AI 执行 -> 人判断结果。人始终处于循环中心，是系统的驱动核心。

Loop 工程首次将人从循环中心移至循环外部。人不再是“司机”（操控每一步），而是“导航”（设定目的地与路线偏好）。

这一变化的影响深远：

1. 对开发者：核心竞争力转变为定义问题与设计验收标准的能力。
2. 对产品：迭代速度加快，倒逼产品团队更懂用户与业务。技术不再是瓶颈，判断力才是。

当然，这一切建立在模型能力持续增强的前提上。Loop 能处理多复杂的任务，最终取决于模型的基础能力。若模型在几步之内就跑偏，再精巧的 Loop 设计也无济于事。

好消息是，模型进步速度未减。GPT-5.5、Claude 5、GLM-5.2、M3、K2.6、DeepSeek V4 等模型在半年内完成迭代，Agent 能力显著提升。

模型越强，Loop 越顺，人越退后。这一趋势已不可逆转。

这不仅是效率的提升，更是 AI 从“工具”向“协作者”跨越的关键一步：
* 工具：你需要知道如何使用、每一步如何操作。
* 协作者：你告知目标，它自主寻找路径，双方协作达成目标。

我们正站在这个历史性的分界点上。

(责任编辑：探索)