专题 · FULL STORY

AI Agent开发转向：从单轮提示词到循环工程

近期AI开发社区掀起方法转向，主张用自动化的“循环工程”取代手动提示词。随着讨论深入，开发者进一步厘清了循环、图与护栏的架构边界，并探索系统自我提示机制。

2026-07-16 ~ 2026-07-30 · 4 集 · 15 条

第 1 集 · 从提示词到循环工程的转向(2026-07-16,6 条)

7 月中旬，多位作者集中讨论了 AI agent 开发中的一个方法转向：相比继续打磨单轮提示词，越来越多实践者更看重“循环工程”。这一变化之所以值得关注，在于它把优化重点从措辞技巧，转向任务拆解、反馈校验与停止条件等更可复用的工作流设计。

循环工程的核心观点

@alexverem 主张“少提示词，多做循环工程”，认为与其反复修改 prompt，不如把任务组织成更稳定的循环、反馈和检查机制；他也提醒，不要把太多日常工作在缺乏约束的情况下直接交给 Claude。@goyalshaliniuk 则把这种思路概括为通过“思考—验证—改进—适应”的闭环让 agent 变得更聪明，并总结了 10 种 loop 设计。帖子里重点提到的类型包括：先理解和推理再回答的 Reasoning 循环、多智能体协作循环，以及自我纠错和适应性循环。

Claude Code 的定义与实践

据 @新智元 转述，Claude Code 团队已正式把“循环”定义为：智能体反复执行工作，直到满足停止条件。团队归纳出 4 类典型循环：回合制循环、目标循环、齿轮循环和自动驾驶循环。@新智元 还提到，Claude Code 之父 Boris Cherny 现在用 loop 和 goal 驱动大规模智能体工作流，自己几乎不再亲手写代码，每天可提交几十个 PR，最高一天达到 150 个。

第 2 集 · AI Agent 构建新趋势：用自动化循环取代手动提示(2026-07-21,5 条)

近期 AI 开发社区密集讨论了“Agent 循环工程”的理念，核心主张是开发者应停止频繁地手动提示模型，转而为 AI 搭建自动化的循环工作流。这一理念强调让模型在系统中自主推进任务、发现并修正错误，这标志着 Agent 构建正从单纯的提示词优化走向系统化的工程架构。

核心主张与循环设计

Anthropic 工程师 Fakhre Alam 建议，不要整天手动向 Claude 输入提示，而是应该搭建一个持续运行的循环。通过这种方式，模型能够自主推进任务并修正错误。Blaized Souza 转发的多篇文章也指出，这种“循环工程”旨在用系统自动提示、验证结果并推进下一步的机制，取代人工干预。

关键细节：退出条件与系统稳定性

构建可靠的循环系统需要精细的工程设计。首先，系统不能仅依赖单一的停止信号，而应设计多达 8 种退出条件（例如当评估器按标准打分达到目标时即停止）。此外，Prdeepak Babu 分享的相关免费章节强调了循环工程的四个关键方向：确保循环有边界以避免无限跑偏、在复杂任务中保持稳定性、具备可恢复性，以及建立完善的周边执行与评测控制层（即 Agent Harness Engineering）。

第 3 集 · Agent 调试需厘清循环、图与执行护栏(2026-07-29,2 条)

随着 AI 智能体日益复杂，其调试变得困难，主要原因是许多团队将循环、图和执行护栏混为一谈。业内讨论强调，Agent 并非简单的循环，而是一个包含这三层架构的系统。深入理解 Agent Harness（智能体外壳）与 Loop Engineering（循环工程）的核心设计原则，对于构建和调试可扩展的智能体至关重要。

第 4 集 · Anthropic 工程师分享 Agent 经验：系统需学会自我提示(2026-07-29,2 条)

一位 Anthropic 工程师在近期的分享中指出，构建 Agent 不应局限于人工提示，而应搭建一个能让系统自我提示的架构。他透露，这种自我改进式循环已成为公司大多数工程师日常使用的标准工作流，且在短短半年内迅速普及，显著提升了开发效率。