扫描下载APP
其它方式登录
文章系统梳理AI工程范式的三次演进：从Prompt Engineering（控制模型单次输出）到Harness Engineering（构建Agent运行环境），再到Loop Engineering（实现智能体自主行为控制）。重点阐释Loop Engineering作为新焦点，通过目标驱动、循环执行（观察-思考-行动-评估-重规划）取代传统流程驱动，提升Agent的自主性与适应性。
黄仁勋提出AI开发新范式——Loop（循环），强调从手动编写Prompt转向设计自动化闭环系统：AI自主执行、自我验收、失败重试，直至目标达成。Loop使人类角色从指令执行者变为规则设计者，核心在于解耦编写与验收、引入独立验证机制，并已在Claude Code和OpenAI Codex等产品中落地。该范式代表AI工程化演进的第四阶段，本质是控制粒度上移与人机协作模式升级。
Loop Engineering 是 AI 编程新阶段的核心方法，强调构建可持续运转的自动化循环系统，涵盖任务发现、上下文组装、独立验证、状态持久化与调度重启五个环节；其本质不是提升代码生成能力，而是重构软件开发中人类判断、验证机制与流程约束的重心，Stripe 每周合并 1300 个 AI PR 等案例凸显可靠性源于系统性约束而非模型本身。
文章以实测方式探讨AI自动化工作流新概念'loop engineering'，指出其试图通过预设长文档指令让AI自主完成代码编写、测试、修复等闭环任务，但在实际调优Stable Diffusion模型时效果不佳，暴露出说明书编写困难、缺乏人工干预导致偏差累积、适用场景受限等问题，质疑其当前实用性。
文章剖析Loop Engineering这一新概念的本质：它并非单纯技术突破，而是模型能力边际递减背景下，Anthropic与OpenAI等厂商推动的商业策略——通过推广‘循环’范式，将用户锁定在需持续调用API的工程管道中，从而在模型同质化时代开辟新增长点和收费入口。
文章探讨AI协作范式的升级，指出传统Prompt Engineering已显疲态，新兴的Loop Engineering（循环工程）成为硅谷新趋势。其核心是从人工反复提示转向设计自动化闭环系统，让AI自主执行、验证、反馈任务，强调目标定义、角色分工与系统化规则设计，同时警示其潜在风险如AI钻空子、人力退化和高成本问题。
AI编程范式正从手动编写Prompt转向Loop Engineering（循环工程），即设计自动化工作流系统，由Automations、Worktrees、Skills、Plugins/Connectors和Sub-agents五大模块构成，并依赖外部记忆层持续运行。该模式强调将工程师的判断力前置到系统设计中，提升开发杠杆，但不替代人工验证与理解，核心挑战在于避免认知投降和理解债。
AI编程范式正从手动提示词工程转向Loop Engineering，即开发者设计具备反馈闭环的循环系统来持续调度、验证和约束编程Agent。Claude Code创始人Boris Cherny与OpenAI工程师Peter Steinberger共同推动该趋势，强调通过/loops和Routines等原生机制实现长时间自主开发任务，但面临Token成本高、调试复杂及上下文衰减等现实挑战。
文章基于Anthropic公开的Skill方法论，反思当前AI技能（Skill）设计中的常见误区，强调Skill本质是上下文工程（Context Engineering），应聚焦沉淀隐性经验（Gotchas）、结构化组织知识（如references/scripts/examples/assets）、用脚本替代重复推理、将Description作为意图路由规则，并采用轻量分发机制验证Skill真实价值。
文章介绍一种以终端命令行和plan.md文件为核心的智能体工程工作流，强调Research→Plan→Work三阶段循环，人专注方向制定与计划审查，AI代理负责执行，旨在提升大型项目开发效率，同时分析其适用边界与潜在风险。
文章系统阐述了Agentic Engineering（智能体工程）这一新型开发范式，作者通过个人实践展示如何利用AI Agent重构软件开发与知识工作流程：以plan.md为核心进行结构化规划，用语音输入、多会话并行、Claude与Codex分工协作、上下文增强（笔记/会议/代码库）、可复用技能沉淀等方式提升生产力，并反思执行成本下降后人类价值应转向问题定义、方向判断与最终决策。
文章指出AI生成内容质量不稳定的根本原因不在提示词、模型或上下文等输入侧，而在缺失输出侧的质量控制机制；提出在开源Agent Hermes中构建eval loop（评估闭环），通过定义标准、量化评分、设置阈值、回归测试、审批拦截和生产监控，将AI输出质量从主观感受转化为可测量、可拦截、可优化的系统性工程。
文章探讨AI多智能体系统（MAS）的两条发展路径：一是当前主流的Harness式MAS，即多个AI角色协同完成任务的工作流引擎模式；二是更具颠覆性的Protocol-Native Agent System，强调个人专属Agent或‘无人公司’具备长期身份、主权、利益边界与协议化协作，主张AI系统将从软件工程范式转向数字社会范式，核心演进方向是Protocol Engineering而非Prompt Engineering。
文章探讨Harness Engineering（挽具工程）作为AI-First组织转型的核心范式，强调从将AI视为工具转向让AI主导生产力，通过动态自优化系统实现开发流程极致提效（如六周工作压缩至一天）、组织架构重构（取消专职产品经理）、角色重定义（人转向系统架构与价值判断），并指出转型关键在于建立对AI的信任及构建安全、可进化的Agent系统。
文章聚焦AI Agent领域技术快速迭代下的核心能力建设，指出追逐新框架和benchmark是低效噪音，真正具备长期复利价值的是底层基础能力：Context Engineering、工具设计、eval体系、orchestrator-subagent模式、沙盒与harness思维。强调以结果为导向的实践路径、严苛的过滤标准（如两年后是否仍重要）、以及用交付作品替代传统资历的新职业逻辑。
