为什么大厂都在偷偷搞Loop Engineering？

AGENT PARADIGM · 智能体范式演进

Agent Loop 是发动机，Loop Engineering 是整车设计

从 Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering，一次 AI 工程范式的四代演进拆解

ReAct / 自校正循环 / 终止条件 / 记忆层 / Token 策略

KEY TAKEAWAY

1. Agent Loop 是一个运行时机制——"推理→行动→观察→重复"的执行循环，30 行 Python 就能写出来。Loop Engineering 是一个系统设计学科——设计目标、工具、记忆、安全、终止条件、验证机制的整体方法论。

2. AI 工程经历了四代范式演进：Prompt Engineering（2022–2024）→ Context Engineering（2025）→ Harness Engineering（2026 初）→ Loop Engineering（2026 中）。每一代不是替代前一代，而是在前一代的基础上增加一个新的设计维度。

3. 核心转变：人类角色从"操作者"（写 Prompt 等回答）变成"系统架构师"（设计自校正循环）。正如 Addy Osmani 所说："你不应该再 prompt coding agents，你应该设计 loops 来 prompt 你的 agents。"

阅读提示：本文面向 AI 应用架构师 / 后端工程师 / 技术决策人。不做基础科普，假设你已大概知道 ReAct、Function Calling 等基础概念。预计阅读 14 分钟。

TABLE OF CONTENTS

01 · 为什么 2026 年 6 月突然所有人都在谈 Loop Engineering

02 · 四代范式演进：从"写好提示词"到"设计自校正系统"

03 · Agent Loop 拆解：30 行代码的运行时循环

04 · Loop Engineering 拆解：循环之外的六个设计维度

05 · 核心区别：机制 vs 学科，一次 vs 跨会话，Token-rich vs Token-smart

06 · 四种 Loop 模式：Retry / Plan-Execute-Verify / Explore-Narrow / HITL

07 · 记忆层：让 Loop 从"无状态重跑"进化到"有经验迭代"

08 · 实践路线图：从 Agent Loop 升级到 Loop Engineering 的 Checklist

01 · 为什么 2026 年 6 月突然所有人都在谈 Loop Engineering

2026 年 6 月初，Peter Steinberger（OpenClaw 创始人，后加入 OpenAI）的一条关于"别再 prompt agents，设计 loops"的帖子获得了约 650 万次浏览。紧接着，Google 的 Addy Osmani 在一篇长文中正式把这种实践命名为 "Loop Engineering"。两周内，这个词从 Twitter/X 技术圈扩散到 LinkedIn、知乎、Hacker News，成为 2026 年 AI 工程领域传播最快的新概念之一。

但 Loop Engineering 不是凭空冒出来的。它是一条清晰的范式演进链上的第四个节点。要理解它为什么在 2026 年 6 月引爆，需要先理解前三代积累了什么。

02 · 四代范式演进：从"写好提示词"到"设计自校正系统"

Tosea.ai 的综述给出了迄今最清晰的四代划分。每一代不是替代前一代，而是在前一代的设计空间上增加一个新的维度：

GEN 1 · 2022–2024

Prompt Engineering · 优化"怎么说"

设计对象：提示词的措辞、格式、Few-shot 示例。核心问题："怎么写 prompt 才能让模型给出更好的回答？" 人类角色：Prompt Writer 局限：只优化了单次交互的输入，对模型的上下文、工具、环境、迭代策略完全没有触及。

GEN 2 · 2025

Context Engineering · 优化"模型看到什么"

设计对象：模型推理时接收到的全部信息——System Prompt + RAG 检索结果 + 对话历史 + 工具描述。核心问题："怎么策展（curate）模型在推理时看到的所有上下文？" 人类角色：Context Curator 局限：仍然只关注单次推理的信息质量，没有触及"推理之后怎么办"。

GEN 3 · 2026 初

Harness Engineering · 设计"模型在什么环境里工作"

设计对象：Agent 的工作环境——工具集、沙箱、权限边界、Guardrails。核心问题："怎么给 Agent 搭一个安全、高效的工作台？" 人类角色：Environment Designer 局限：设计了工具和环境，但还没有设计 Agent 如何自主迭代的策略。

GEN 4 · 2026 年 6 月

Loop Engineering · 设计"模型如何自主迭代直到目标达成"

设计对象：Agent 的完整迭代系统——目标定义、工具访问、上下文管理、记忆层、终止条件、验证机制、错误恢复、人机协作触发点。核心问题："怎么设计一个循环系统，让 Agent 自主运行、自我校正、在满足条件时停下来？" 人类角色：System Architect 本质：不是替代前三代，而是在 Prompt + Context + Harness 之上，增加了时间维度——Agent 不再是一次性回答问题，而是在一个循环中持续迭代直到目标达成。

图 1 · 四代范式演进——每代增加一个设计维度，嵌套而非替代

结论：每一代范式增加了一个设计维度——Prompt Engineering 优化输入表达，Context Engineering 优化信息策展，Harness Engineering 优化工作环境，Loop Engineering 优化迭代策略。四代是嵌套关系，不是替代关系。

03 · Agent Loop 拆解：30 行代码的运行时循环

Agent Loop（智能体循环）是所有 Loop Engineering 的运行时基础。它的本质极其简单——一个 while 循环，每轮做四件事：推理、行动、观察、判断是否继续。

最经典的 Agent Loop 是 2022 年 Princeton/Google 提出的 ReAct（Reasoning + Acting）模式。一个最小化的 ReAct Agent Loop 用 Python 实现大约 30 行：

# 最小化 Agent Loop：~30 行 Python

def agent_loop(task: str, max_steps: int = 10):     

    messages = [{"role": "system", "content": SYSTEM_PROMPT},            

                {"role": "user",   "content": task}]    

    for step inrange(max_steps):         

        response = llm.chat(messages)            # ① 推理（Reason）

        if response.tool_calls:            

            for call in response.tool_calls:                 

                result = tools.execute(call)     # ② 行动（Act）                      messages.append({"role": "tool", "content": result})  # ③ 观察（Observe）

        else:            

             return response.content     # ④ 终止（Terminate）   

return "Max steps reached"

图 2 · Agent Loop 解剖——ReAct 模式的四步循环与四个局限

这个循环的核心特征：

① 有界：max_steps 硬上限防止无限循环，但没有智能的终止判断

② 无记忆：messages 列表是唯一的上下文载体，每轮都在膨胀，没有摘要或压缩

③ 无验证：循环在 LLM 不再调用工具时停止，但没有独立验证输出是否正确

④ 无状态持久化：进程崩溃 = 全部丢失，无法跨会话学习

这个 30 行循环已经覆盖了 Agent Loop 的全部核心逻辑。Agent Loop 回答的问题是"Agent 在每一轮里做什么"——它是一个运行时机制，不是一个系统设计学科。

04 · Loop Engineering 拆解：循环之外的六个设计维度

Loop Engineering 在 Agent Loop 的运行时循环之上，增加了六个设计维度。每一个都对应一个 Agent Loop 里没有被回答的问题：

图 3 · Loop Engineering 的六个设计维度——内圈为 Agent Loop 覆盖范围，外圈为 Loop Engineering 完整覆盖

维度 1 · 目标定义（Goal Specification）

Agent Loop 只接收一个 task 字符串。Loop Engineering 要求目标是可测试的终止条件——"让所有测试通过"、"代码通过 linter 检查"、"生成的报告包含 3 个数据表"。目标必须足够具体，使 Agent 或验证器能判断"是否已完成"。

维度 2 · 验证机制（Verification）

Agent Loop 依赖 LLM 自己判断是否完成（不再调用工具 = 完成）。Loop Engineering 使用确定性验证——运行测试套件、检查类型、运行 linter、对比 diff。验证器不依赖 LLM 的"自我报告"，而是使用外部信号判断正确性。

维度 3 · 上下文管理（Context Management）

Agent Loop 的 messages 列表无限膨胀，10 轮之后可能超出上下文窗口。Loop Engineering 设计了Token 策略：Token-rich（保留完整历史，成本高但信息完整）、Token-smart（每轮摘要压缩，成本低但可能丢失细节）、混合策略（保留最近 3 轮完整 + 早期摘要）。Mem0 等记忆层可以把关键信息提取到外部存储，让循环更高效。

维度 4 · 安全与预算（Safety & Budget）

Agent Loop 只有 max_steps 硬上限。Loop Engineering 设计了多层安全：Token 预算（单次循环最多消耗 N tokens）、时间预算（最多运行 M 分钟）、成本预算（最多花费 $X）、升级逻辑（连续 3 轮无进展则升级到人类审批）。

维度 5 · 记忆层（Memory Layer）

Agent Loop 是无状态的——每次执行从零开始。Loop Engineering 设计了跨会话记忆：短期记忆（本次循环内的 working memory）、长期记忆（用户偏好、项目约定、历史决策）、实体记忆（API 文档、代码库结构）。记忆层让 Agent 在第 2 次执行同一类任务时比第 1 次更高效。

维度 6 · 人机协作触发点（Human-in-the-Loop Gates）

Agent Loop 没有人类介入机制——要么全自动运行，要么完全手动。Loop Engineering 设计了精确的介入点：破坏性操作前需确认、预算耗尽时升级、需求歧义时暂停询问。Agent 知道什么时候自己跑，什么时候该问人。

05 · 核心区别：机制 vs 学科，一次 vs 跨会话，Token-rich vs Token-smart

把 Agent Loop 和 Loop Engineering 的差异收敛到一张表：

图 4 · Agent Loop（发动机）vs Loop Engineering（整车设计）——同一概念在不同抽象层的对比

06 · 四种 Loop 模式：Retry / Plan-Execute-Verify / Explore-Narrow / HITL

Loop Engineering 不是只有一种循环。MindStudio 的综述归纳了四种核心模式，每种适用于不同的任务类型：

图 5 · 四种核心 Loop 模式——每种对应不同的任务类型和风险特征

Retry Loop · 重试循环

模式：执行 → 验证 → 失败 → 修改 → 再执行，直到验证通过或预算耗尽。 典型任务：写一个通过测试的函数、修复 linter 报错、让 API 返回 200。 验证器：确定性（测试通过 / 不通过）。 风险：Agent 可能在同一错误上反复重试而不换策略——需要"无进展检测"。

Plan-Execute-Verify · 计划-执行-验证

模式：先制定计划 → 逐步执行 → 每步验证 → 根据结果调整计划。 典型任务：重构一个模块、搭建新服务、迁移数据库。 优势：比纯 Retry 更不容易陷入死循环，因为有计划作为导航。 风险：计划可能在执行中被证明不可行，需要 Agent 有"计划修正"能力。

Explore-Narrow · 探索-收敛

模式：广泛收集信息 → 缩小假设范围 → 验证最可能的假设 → 迭代。 典型任务：调试未知错误、探索不熟悉的 API、调查性能瓶颈。 关键：每轮必须缩小搜索空间，否则就是无限探索。 验证器：半确定性（"错误不再出现"比"测试通过"更模糊）。

Human-in-the-Loop · 人机协作循环

模式：Agent 执行 → 遇到歧义 / 破坏性操作 / 预算边界 → 暂停询问人类 → 获取答案后继续。 典型任务：需求不完整的产品开发、涉及用户数据的操作、无法自动验证的审美判断。 关键：精确定义"什么时候该问人"——问太多等于没自动化，问太少等于在冒险。

07 · 记忆层：让 Loop 从"无状态重跑"进化到"有经验迭代"

Mem0 的一篇深度分析指出了 Agent Loop 和 Loop Engineering 之间最本质的区别：记忆。没有记忆的 Loop 每次执行都是"失忆重来"——第 100 次修复同一类 bug 和第 1 次花费同样的 Token。有记忆的 Loop 每次执行都在积累"经验"——第 100 次修复时，Agent 已经知道哪些策略有效、哪些 API 有坑、用户的代码风格是什么。

图 6 · 三层记忆架构——从"无状态重跑"到"有经验迭代"的关键升级

记忆层在 Loop 中的作用可以分三个层次：

① 会话内工作记忆（Short-term）：当前循环的中间状态——"已经尝试了 A 和 B 策略，都失败了，下一步试 C"。这是 Agent Loop 的 messages 列表能做到的最低限度记忆，但它的局限是没有结构化——10 轮之后 messages 列表里有 20 条消息，Agent 很难记住"第 3 轮尝试了什么"。

② 跨会话长期记忆（Long-term）：持久化的知识和偏好——"这个项目用 pytest 而不是 unittest"、"用户偏好 TypeScript strict mode"、"上次修这个 API 时发现需要处理 pagination"。这需要外部存储（向量数据库、KV 存储）和检索机制（语义搜索、时间衰减排序）。

③ Reflexion 式经验学习：2023 年 Noah Shinn 等人提出的 Reflexion 范式让 Agent 在每轮失败后生成"反思总结"并存入记忆，下一轮执行时检索这些反思来避免重复犯错。这不需要重新训练模型——纯粹通过 Prompt + 记忆实现 session 内的能力增长。

结论：Agent Loop 是一个"无记忆的循环"——每轮只依赖 messages 列表。Loop Engineering 把记忆提升为一等公民：短期工作记忆管理上下文膨胀，长期记忆实现跨会话学习，Reflexion 式反思实现 session 内能力增长。没有记忆的 Loop Engineering 只是更精致的 Agent Loop。

08 · 实践路线图：从 Agent Loop 升级到 Loop Engineering 的 Checklist

如果你现在已经有了一个能跑的 Agent Loop（比如上面那个 30 行 Python），以下 12 项可以逐步把它升级为一个 Loop Engineering 系统：

1 定义可测试的终止条件：把 task 字符串替换为 verifier 函数（测试通过 / linter 通过 / 输出匹配 schema）

2 添加确定性验证器：不再依赖 LLM "我觉得完成了"，而是运行外部检查（pytest, eslint, type-check）

3 设计 Token 策略：实现消息摘要压缩，保留最近 3 轮完整 + 早期轮次摘要，防止上下文窗口溢出

4 添加多维预算：Token 预算 + 时间预算 + 成本预算 + 最大重试次数，任一触发即停止

5 实现无进展检测：连续 N 轮输出相似度 > 95% → 判定为"卡住了"，触发策略切换或升级人类

6 添加升级逻辑：预算耗尽 / 无进展 / 破坏性操作前 → 暂停循环，向人类请求指导

7 接入短期工作记忆：把 messages 列表替换为结构化的 working memory（当前状态 + 已尝试策略 + 失败原因）

8 接入长期记忆：集成向量数据库或 KV 存储，保存用户偏好、项目约定、历史决策，跨会话检索

9 实现 Reflexion 式反思：每轮失败后生成"为什么失败 + 下次应该怎么做"，存入记忆供后续检索

10 设计人机协作触发点：明确列出哪些操作需要人类确认（删除文件、修改配置、花钱的 API 调用）

11 添加可观测性：每轮记录 step_count / tokens_used / tools_called / verification_result，接入 trace 系统

12 选择合适的 Loop 模式：Retry（有明确验证器的任务）/ Plan-Execute-Verify（多步骤任务）/ Explore-Narrow（调试）/ HITL（需求模糊）

结语

Agent Loop 和 Loop Engineering 不是两个对立的概念——它们是同一事物的两个层次。Agent Loop 是运行时循环，是"发动机"；Loop Engineering 是系统设计学科，是"整车设计"。你需要 Agent Loop 才能让 Agent 跑起来，但只有 Agent Loop 远远不够——没有终止条件、没有验证器、没有记忆、没有安全机制的 Agent Loop 在生产环境里就是一颗定时炸弹。

从 Prompt Engineering 到 Loop Engineering 的四代演进，本质上是一次设计空间的持续扩展：从优化输入表达（Prompt）→ 优化信息策展（Context）→ 优化工作环境（Harness）→ 优化迭代策略（Loop）。每一代都没有否定前一代，而是在前一代的基础上增加了一个新的设计维度。到 Loop Engineering 这一代，AI 工程的完整设计空间终于覆盖了输入、信息、环境、时间四个轴。

对于 AI 应用架构师来说，核心行动项很明确：检查你现在的 Agent 系统是否仍然只有一个 30 行的 while 循环，还是一个有目标、有验证、有记忆、有安全、有升级机制的 Loop Engineering 系统。前者是原型，后者才是产品。

FINAL TAKEAWAY

Agent Loop = while 循环 + 推理 + 行动 + 观察 → 一个运行时机制（30 行代码）

Loop Engineering = 目标 + 验证 + 记忆 + 安全 + 升级 + 人机协作 → 一个系统设计学科

范式演进 = Prompt(2022) → Context(2025) → Harness(2026 初) → Loop(2026 中)，每代增加一个设计维度

REFERENCES

[1] Tosea.ai, "What Is Loop Engineering? A Complete Guide"（2026）— 四代范式演进框架、核心原则定义

[2] MindStudio Blog, "What Is Loop Engineering? The New Meta for AI Coding Agents"（2026）— 四种 Loop 模式分类、核心原则

[3] Mem0 Blog, "Loop Engineering for AI Agents: Memory-First Design"（2026）— 记忆层架构、Token 策略分类

[4] AlphaMatch Blog, "Loop Engineering: The Quiet Revolution"（2026）— Addy Osmani 引用、实践方法论

[5] DataScienceDojo, "Agentic Loops: From ReAct to Loop Engineering"（2026）— ReAct 到 Loop Engineering 的演进

[6] 七牛新闻, "Loop Engineering 是什么？2026 年最热 AI 工程方法论完全解析" — Peter Steinberger 提出背景、核心要素解析

#LoopEngineering #AgentLoop #ReAct #AgenticAI #PromptEngineering #范式演进

本文数据截至 2026 年 6 月，概念溯源来自公开技术博客与官方文档。欢迎指正。