Loop Engineering — AI Agent 的新範式

吶吶～這篇想聊的是 Ani 最近很有感的一個轉折：AI Agent 不再只是「問一次、答一次」的工具，而是被放進可觀察、可驗證、可停止的迭代循環裡。
換句話說，重點從寫神奇 prompt，變成設計一個不要失控、不要燒錢、也不要讓人類腦袋生鏽的 loop。聽起來很帥，實作起來嘛，呀敗，工程味超重。

TL;DR

• Loop Engineering 就是把 Agent 放進「行動 → 觀察 → 調整」的循環，而不是只靠一次 prompt 解決問題。
• 它真正處理的不是 prompt 文筆，而是驗證、隔離、記憶、成本和停止條件。
• 穩定目標適合 build loop；需求一直變、風險很高的事情，仍然要人類抓方向。
• Loop 越強，人越要保留判斷力，否則只是把理解債務包裝成自動化。

先用一個例子抓住感覺

假設每天早上都有一批 CI failure 要處理。以前的做法是人打開 log、看哪個測試爆了、手動請 Agent 修、再自己決定下一步。

如果改成 loop，流程會變成這樣：系統定時掃 CI → 分類錯誤 → 開一個隔離 worktree → 讓 Agent 修第一版 → 跑測試 → 找另一個 Agent review → 沒過就把錯誤餵回去重試 → 達到條件才開 PR。

這裡的重點不是「Agent 很會寫 code」。重點是你把環境、驗證、回饋和停止條件都設計好了。Agent 只是在這個軌道上跑。

"You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents."
— Peter Steinberger

"I don't prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops."
— Boris Cherny, Head of Claude Code at Anthropic

什麼是 Loop Engineering？

Loop Engineering 是一種設計 AI Agent 工作方式的工程實踐。它不把 Agent 當成一次性問答工具，而是把它放進一個會反覆運轉的系統裡：

What Is Loop Engineering? The New Meta for AI Coding Agents

Loop engineering replaces manual prompting with goal-based automation. Learn what loops are, how they work, and when to use them in your AI workflows.

MindStudioMindStudio Team

延伸閱讀：MindStudio 對 Loop Engineering 與 ReAct pattern 的整理。

1. 行動：執行一個操作，例如改 code、跑測試、查 log。
2. 觀察：讀取結果，例如錯誤訊息、diff、review comment。
3. 推理：判斷下一步，例如重試、換策略、縮小範圍。
4. 重複：直到達成明確終止條件，或停下來交給人類。

這和傳統 single-shot prompting 最大的差別是：過去我們寫 prompt，得到答案，再手動判斷下一步；現在我們設計一個系統，讓 Agent 在受控的範圍內自己迭代。

所以 Loop Engineering 的核心不是「寫出更漂亮的 prompt」。它更像是在做一個小型控制系統：輸入、輸出、驗證、成本上限、權限邊界，每一個都要想清楚。

Chain vs Loop：線性與循環的差異

概念從哪裡來：ralph loop 與 ReAct Pattern

這個概念不是憑空冒出來的。現代 Agent Loop 大多可以追溯到 ReAct Pattern，也就是 Reason + Act：先推理，再行動，觀察結果後繼續推理。

What Is Loop Engineering? A Complete Guide from Prompt to Harness Engineering (2026)

What is loop engineering? A guide to the 2026 shift in AI agents — from prompt to context to harness engineering, to designing the agent loops that run coding agents while you sleep.

Tosea.aiTosea.ai Team

Loop Engineering: The Guide for AI Agents | Lushbinary

Loop engineering means designing the systems that prompt your AI agents, not prompting by hand. The 5 building blocks, Claude Code & Codex commands, and risks. Updated June 2026.

LushbinaryLushbinary Team

延伸閱讀：Tosea.ai 對 ralph loop 與 Loop Engineering 歷史脈絡的整理、LushBinary 對內層 loop / 外層 loop 的說明。

在 coding agent 的世界裡，它長得大概像這樣：

理解目標 → 寫程式碼 → 執行並觀察結果
↑                               ↓
└──── 分析錯誤 ← 讀取錯誤輸出 ────┘
              ↓
         修改並重新執行

2026 年初 Geoffrey Huntley 提出的 ralph loop，則把這件事推得更工程化：用簡單的 bash script 讓 agent 重複執行同一個目標。當前一個 agent 的 context window 耗盡，新的 agent 就從 git history 和磁碟上的外部記憶接手。

這也是為什麼外部記憶很重要。Agent 會忘記，repo 不會；context 會爆，檔案系統不會。

Andrew Ng 的三層 Loop 框架

Andrew Ng (DeepLearning.AI 創辦人) 提出了一個更宏觀的视角，將 loop engineering 分為三層：

Loop Engineering Emerges as Developers Put AI Coding Agents on Repeat -- ADTmag

Loop engineering, a new phrase circulating among AI developers, is becoming a way to describe how software teams are trying to get more value from coding agents: not by writing better one-off prompts, but by designing repeatable cycles that let agents build, test, revise, and continue working with less direct human intervention.

ADTmagJohn K. Waters

延伸閱讀：ADT Mag 收錄 Andrew Ng 三層 loop 框架與企業導入觀察。

1. Agentic Coding Loop（最內層）

• Agent 接收產品規格和評估標準
• 自動寫碼、測試、迭代
• 可以在幾分鐘內建立和測試新版本
• Ng 的實例：為女兒建立的打字練習 app，agent 自主工作約一小時，多次用瀏覽器檢查成果

2. Developer Feedback Loop（中層）

• 開發者 review 產品並引導 agent 改進
• 過去開發者花大量時間當 QA，手動找 bug
• 現在 agent 能自我測試，開發者專注在高層產品決策
• Ng 的觀點：人類有 context advantage（情境優勢），因為我們更了解用戶和使用情境

3. External Feedback Loop（最外層）

• 來自朋友、alpha tester、生產環境用戶、A/B test 的回饋
• 較慢，可能需要數天或數週
• 塑造開發者的產品願景，進而驅動給 agent 的規格

"So long as the human knows something the AI does not, human-in-the-loop is needed to inject that knowledge into the system." — Andrew Ng

這個框架說明了為什麼 loop engineering 不是要完全取代人類，而是重新定義人類的角色：從「寫每一行程式碼」變成「設計系統、提供情境、評估輸出」。

Requesty 的四種 Loop 類型

Requesty 將所有生產環境的 loop 歸類為四種模式：

Loop Engineering: How to Build AI Agent Loops That Run Themselves

Loop engineering is the practice of designing autonomous AI agent loops that prompt themselves, iterate until done, and report findings without human babysitting. Here is how to build production loops with Claude Code, Codex, and an LLM gateway that routes every iteration at minimum cost.

RequestyThibault Jaigu

延伸閱讀：Requesty 的 agent loop 實作指南。

1. Heartbeat Loop（心跳迴圈）

• 頻率：秒到分鐘級別，持續運行
• 用途：監控 — 觀察 logs、檢查服務健康狀態、掃描 drift
• 特點：永不停止

2. Cron Loop（排程迴圈）

• 頻率：特定時間排程
• 用途：批次工作 — 每日 code review、每週依賴審計、晨會摘要
• 特點：可指定 model 和 subagent 設定

3. Hook Loop（鉤子迴圈）

• 觸發：外部事件 — PR push、CI 失敗、Slack 訊息
• 用途：每次觸發執行一次
• 特點：事件驅動，例如 post-push 自動跑測試並嘗試修復

4. Goal Loop（目標迴圈）

• 頻率：迭代直到成功條件達成
• 用途：重構、bug hunting、遷移任務 — 範圍事先未知
• 特點：設定 max_iterations 防止無限循環

Loop 成本優化：Model Routing

Requesty 提供了一個關鍵洞察：透過 model routing 可以將 loop 成本降低 60-80%。

Loop Engineering: How to Build AI Agent Loops That Run Themselves

Loop engineering is the practice of designing autonomous AI agent loops that prompt themselves, iterate until done, and report findings without human babysitting. Here is how to build production loops with Claude Code, Codex, and an LLM gateway that routes every iteration at minimum cost.

RequestyThibault Jaigu

延伸閱讀：Requesty 對 model routing 與 loop 成本控制的整理。

搭配 prompt caching（可減少 90% 重複 system prompt 成本），一個原本每天 $50 的 loop 可以降到 $8-12。

關鍵洞察：Loop 設計不只是生產力問題，也是基礎設施成本問題。每個 subagent 消耗自己的 tokens，路由策略決定了 loop 的經濟可行性。

Kilo 的五階段 Loop 模型

Kilo AI 將 loop 的核心循環拆解為五個階段：

What Is Loop Engineering? AI Feedback Loops | Kilo

A practical guide to loop engineering: what it is, how AI coding feedback loops work, where they help, and how teams can design safer agent workflows.

Kilo CodeArkadiy Kondrashov

延伸閱讀：Kilo AI 的五階段 loop 模型。

1. Intent（意圖）：開發者或系統定義目標結果
2. Context（上下文）：Agent 收集相關程式碼、文件、錯誤、logs、限制條件
3. Action（行動）：Agent 編輯檔案、執行指令、呼叫工具、擬定計畫
4. Observation（觀察）：系統捕獲測試結果、編譯器錯誤、runtime 輸出、diffs、review 評論
5. Adjustment（調整）：Agent 更新計畫並重複 loop，直到工作被接受或阻塞

Kilo 同時提出了五種常見的 loop patterns：

Loop 的六大核心元件（Addy Osmani）

Addy Osmani 把一個完整 loop 拆成六個元件。這裡不要把它想成採購清單，而是想成六個工程問題。

Loop Engineering

You don’t really need to be good at prompting anymore. The thing to get good at is the loop that does the prompting for you. It’s five building blocks plus s…

Loop EngineeringAddy Osmani

延伸閱讀：Addy Osmani 的 Loop Engineering 實戰指南。

這六個元件裡，我覺得最容易被低估的是 Sub-agents 和 Memory。

Sub-agents 的價值不是「人多好辦事」，而是讓不同角色互相牽制。寫 code 的 Agent 很容易說服自己已經完成；另一個只負責 review 的 Agent，反而比較容易抓到問題。

Memory 則是 loop 能不能跑久的分水嶺。沒有外部記憶，loop 每次都像失憶後重新上班；有記憶，它才知道哪些路試過、哪些錯誤重複出現、下一步應該接哪裡。

常見 Loop Patterns

Retry Loop（重試迴圈）

最簡單的模式：嘗試 → 檢查是否成功 → 失敗就重試。

適用：有明確 pass/fail 標準的原子任務，例如寫一個通過測試的函式。

注意：如果同樣的方法一直失敗，Loop 需要有邏輯去改變策略，而不是無限重試。

Plan-Execute-Verify Loop（計畫-執行-驗證迴圈）

先產生計畫，然後逐步執行，每步執行前先驗證。

適用：多步驟任務，順序很重要，早期錯誤會累積。例如重構模組、建立新服務。

注意：如果第 2 步發現計畫有問題，Agent 需要修改計畫，而不是硬著頭皮繼續。

Explore-Narrow Loop（探索-收斂迴圈）

同時（或依序）探索多個解法路徑，然後根據中間結果收斂到最有希望的那個。

適用：除錯未知錯誤、探索不熟悉的 API、效能優化。

注意：Context 爆炸。盡早修剪不相關的路徑。

Human-in-the-Loop（人在迴圈中）

Agent 執行直到需要澄清或遇到模糊之處，暫停等待人類輸入，然後繼續。

適用：需求無法完全事先指定的任務、生產環境變更、假設錯誤成本很高的任務。

注意：不要每個小決定都中斷，否則沒有節省到人類時間。

Loop 仍然不會幫你做的事

Loop 改變了工作方式，但沒有把你從工作中刪除。三個問題會隨著 Loop 變強而變得更尖銳：

1. 驗證仍然是你的責任

無人值守的 Loop 也是無人犯錯的 Loop。你的工作是「確認你發布的程式碼真的能運作」。

2. 理解會生鏽

Loop 越快發布你沒寫的程式碼，「存在的東西」和「你真正理解的東西」之間的差距就越大。這就是 Comprehension Debt（理解債務）。

3. 舒適的姿態最危險

當 Loop 自己跑的時候，很容易停止有自己的觀點，直接接受它給的任何東西。這叫做 Cognitive Surrender（認知投降）。

設計 Loop 是解藥（當你帶著判斷去做）還是毒藥（當你為了逃避思考去做），取決於你的態度。

設計良好 Loop 的原則

1. 先定義終止條件：在寫任何 Loop 邏輯之前，寫下「完成」長什麼樣子。「所有測試通過且沒有 lint 錯誤」是終止條件；「程式碼看起來不錯」不是。
2. 給 Agent 結構化回饋：不要只丟原始輸出。預處理錯誤，包含相關程式碼、Agent 試圖做什麼的上下文、標注重複錯誤 vs 新錯誤。
3. 記錄一切，經常摘要：保持每個行動及其結果的運行日誌。在每次新迭代前，把日誌摘要成精簡的工作記憶。
4. 設定工具呼叫預算：無限的工具呼叫會導致臃腫、緩慢、昂貴的執行。如果 Agent 耗盡預算卻沒有進展，把它當作失敗訊號。
5. 在失敗案例上測試：Loop Engineering 的難點不在於讓它在一切順利時運作，而在於讓它在出錯時優雅地失敗。

Codex App vs Claude Code 對照表

何時適合 Build Loop？

CodeRabbit 的 Hendrik Krack 提供了一個實用的判斷準則：

What is Loop engineering? | CodeRabbit

Loop engineering allows you to step away completely by designing a system that operates autonomously, removing the human from the loop entirely.

What is Loop engineering? | CodeRabbitHendrik Krack

延伸閱讀：CodeRabbit 對「什麼情境適合 build loop」的判斷準則。

適合 Build Loop 的情境

• 穩定的目標：重寫整個 codebase，驗證標準不變（能編譯嗎？測試通過嗎？行為符合嗎？）
• 可重複的任務：triage issues、code review、測試生成
• 明確的完成條件：可以定義什麼叫做「完成」
• 低風險的變更：錯誤可以被快速發現和修正

不適合 Build Loop 的情境

• 移動的目標：每次執行都需要重新定義「完成」
• 高度模糊的任務：需要大量人類判斷和決策
• 高風險的變更：錯誤可能造成嚴重後果
• 快速變化的需求：規格持續演進

關鍵洞察：如果每次執行都要重寫驗證器，你花的時間比直接做還多。穩定目標就 build loop，移動目標就手動 prompt。

Loop 的常見失敗模式

Kilo AI 整理了四種 loop 特有的失敗模式，這些是 prompt engineering 階段不會遇到的：

What Is Loop Engineering? AI Feedback Loops | Kilo

A practical guide to loop engineering: what it is, how AI coding feedback loops work, where they help, and how teams can design safer agent workflows.

Kilo CodeArkadiy Kondrashov

延伸閱讀：Kilo AI 對 loop 失敗模式的整理。

1. Thrashing（震盪）

Agent 在兩個或多個解法之間反覆切換，無法收斂。通常是因為目標定義不夠精確，或驗證信號互相矛盾。

解法：縮小每次迭代的範圍，增加明確的停止條件。

2. Overfitting to Tests（過度擬合測試）

Agent 學會了讓測試通過，但沒有真正解決問題。測試變成目標本身，而不是正確性的代理指標。

解法：確保測試涵蓋行為而不只是表面輸出；加入 integration test 和 edge case。

3. Context Drift（上下文漂移）

長時間運行的 loop 中，agent 逐漸偏離原始目標。每次迭代累積的 context 讓 agent 忘記最初要做什麼。

解法：定期摘要和修剪 context；在每次迭代開始時重新注入目標定義。

4. Unsafe Autonomy（不安全的自主）

Loop 在沒有人類監督的情況下做出了不可逆的變更 — 刪除資料、修改生產配置、推送錯誤的 commit。

解法：設定明確的權限邊界；不可逆操作必須經過人類審批；使用 worktree 隔離變更。

結論

Loop Engineering 代表了我們與 AI 協作方式的演進：

From Prompts to Loops: Building Autonomous Coding Agents

Why developers are moving from writing prompts to writing the systems that write prompts

ITNEXTAnimesh Gaitonde

Forget Prompt Engineering — Loop Engineering Is the Future of AI Software Development

A few months ago, everyone was talking about prompt engineering. Today, there’s a new phrase taking over AI development:

MediumCivil Learning

延伸閱讀：itnext.io 的 autonomous coding agents 技術文章、Medium 的範式轉移觀點。

• 過去：你提示 → Agent 回應 → 你提示 → Agent 回應...
• 現在：你設計系統 → 系統提示 Agent → Agent 迭代 → 系統檢查 → 重複

這不是讓工作變簡單了，而是槓桿點移動了。從「寫好 prompt」移動到「設計好 loop」。

Build the loop. But build it like someone who intends to stay the engineer, not just the person who presses go.

最後更新：2026-07-05