7.9
深览指数
科技人人都是产品经理·孙鑫··AI 生成
会设计loop，是你下一个能力杠杆
本文提出了「Loop Engineering（循环工程）」的概念，核心是设计一个让AI能自我纠错的闭环，从而将人从反复调试、复制粘贴的重复劳动中解放出来。作者指出，循环的核心在于一个可靠、廉价的「裁判」（验收标准），没有裁判的循环只是更快地生产垃圾。文章区分了适合上循环的任务（如有明确测试的代码bug修复）与不适合的任务（如纯创意、战略决策），并给出了具体的判断框架和实用技巧。适合对AI Agent、自动化工作流和效率工具有兴趣的深度读者，可帮助其重新思考人机协作模式。原文 ↗
核心观点
- ▍Loop Engineering（循环工程）是下一个能力杠杆：优化方向从「怎么向AI描述好一个任务」（Prompt Engineering）转向「如何设计一个让AI自我纠错的循环」；人定义好目标、裁判和停止条件后，循环自主迭代直至达标。
- ▍一个循环的好坏，约等于其中「裁判」的好坏。缺乏可靠、廉价裁判的循环，只是更快、更自信地产出垃圾的机器。
- 01Peter Steinberger（OpenAI员工）2023年6月8日在X上发帖称，工作重心应从prompt编程agent转向设计「替你prompt agent」的循环，该帖获得600万+阅读。
- 02Anthropic的Claude Code负责人Boris Cherny表示，他的工作不再是亲自prompt Claude，而是编写让Claude自行运行的循环。
- 032022年的ReAct（Thinking, Acting, Observing）模式是循环的早期雏形；2023年一个名为Ralph的项目，仅靠一行bash循环配合LLM，以约297美元成本自动写出一门编程语言。
- 04一项覆盖306位一线从业者的调研显示，68%的生产环境AI Agent在人介入前运行步数少于10步，可行的系统多数是「小而受监督」的。
- 05Uber据报道四个月烧光全年AI预算，最终不得不给每人每个工具设置1500美元/月的上限，说明无节制的循环成本极高。
反方 / 局限
- — 作者明确承认，Loop Engineering门槛高，核心难点在于为特定任务创造一个「又便宜又靠谱且自带停止判据的裁判」，这往往很难。
- — 作者指出，Loop Engineering本质上类似强化学习：模型会拼命在「裁判」标准上拿高分，哪怕钻空子、走歪门邪道，导致产出有误数据。
- — 文章隐含的局限：对于创意生成、战略决策等「无法自动验收」的任务，AI循环效率低，人不能被完全替代，只能用于生成初稿。
Loop EngineeringPrompt EngineeringReActPeter SteinbergerBoris ChernyAddy OsmaniOpenAIAnthropicClaude CodeRalph
8 分钟 · 4 卡片 · 10 资料
读原文 →