这篇文章将通过 prompt、loop、goal、hook、skills、MCP 等核心概念，系统讲解 Loop Engineering 的底层逻辑。

Loop Engineering 的概念近期被海外开发者共同推动。Cline 的创建者 Peter Steinberger 在 X 上发文指出："你不应该再手动写 prompt 去驱动 Coding Agent，你应该设计 loop 来驱动你的 Agent。" 几乎同时，Claude Code 负责人 Boris 也表达了类似观点。随后谷歌的 Addy 发表长博客正式命名该概念，并提出 Loop Engineering 的六大组件。

一、Prompt 与 Human-in-the-loop

最早的 AI 交互是一问一答模式：给输入，得输出。但简单 prompt 只说了"做什么"，没说清楚"要做到什么程度"。于是大家开始引入 prompt 框架，不只告诉 AI"做什么"，还讲清"怎么做"和"完成标准"。

这种把模糊请求改写成清晰指令的做法就是 prompt engineering。但它主要解决"单次回答质量"问题。很多真实任务不是一次回答能完成的——比如修 bug：AI 读取报错、分析原因、修改代码、跑测试，如果验证失败，仍需人类把报错反馈给 AI 继续。

此时交互不再是单次问答，而是一个循环。这就是"human-in-the-loop"——人在循环里。你提供输入，AI 输出，你检查后把结果反馈回去，直到满意为止。

二、Loop 的三个阶段

2.1 脚本期

最早期用户开始用脚本把单次 prompt 变成自动循环：

while:;do
cat PROMPT.md | claude
done

while 是无限循环，cat 把 prompt 喂给 AI，然后把结果再喂回去，循环往复。

这种脚本 loop 解决了"持续迭代"的问题，但有两个问题：一是无法自动终止，需要人工干预；二是没有判断标准，AI 不知道自己做得好不好。

2.2 Hook 期

Claude Code 后来将循环思维集成到插件系统中，推出了 Ralph Wiggum 和 Ralph Loop 等机制，引入了 Hook 的概念。

Hook 的核心思想：在循环的关键节点插入"拦截点"。比如 Stop Hook 会拦住 Claude 想结束会话的冲动，阻止它退出，迫使它继续完成任务。

Hook 时期 Claude Code 引入了两个关键参数：

• max-iterations：最大迭代次数，避免无限循环导致 token 浪费
• completion-promise：定义"做到什么程度算完成"，模型需要验证这个承诺是否满足才能退出循环

但 completion-promise 本质是字符串约定，模型很容易"过早乐观"——它自己判断自己是否完成，既当运动员又当裁判，循环不可靠。

2.3 /goal 时期

Claude Code 推出的 /goal 功能更接近脚本期的 Ralph 精神，同时解决了 Hook 时期模型同时充当裁判和运动员的问题。

三、Loop Engineering 六大组件

3.1 Automations（自动化）

解决 loop 自动化的问题，是 loop 的核心所在。有了 Automations，loop 可以自行运转，不需要人工在每个节点介入。

3.2 Skills（技能）

Skills 让 AI 拥有特定领域的专业知识和工具调用能力，相当于给 Agent 配备了"专业武器库"。

3.3 MCP（Model Context Protocol）

MCP 提供标准化的上下文协议，让不同系统之间可以互联互通。

3.4 Subagents（子 Agent）

单个 agent 的天然问题是自己做、自己验收。子 Agent 机制允许多个 Agent 分工协作，互相验证。

3.5 Worktrees（工作树）

Worktree 的核心思想是让 Agent 在可控边界内行动。否则 loop 自动化越强，破坏力越大。

3.6 State/Memory（状态与记忆）

State/Memory 的作用不是让模型"记忆力更好"，而是让 loop 任务可恢复。即使循环中断，也能从上次状态继续。

总结：概念串联

Prompt Engineering 解决"单次回答质量"问题，引入清晰指令和完成标准。Human-in-the-loop 把单次交互扩展为循环，人类在循环中持续反馈。Loop Engineering 则进一步把这个循环系统化、组件化，让 AI 能自主运转在多层循环中。

我们和 AI 的关系正在发生变化：从"问一次答一次"到"设好循环让它自己跑"。这不是偷懒，而是把精力从重复劳动中解放出来，聚焦在更高层次的设计、判断和决策上。