Hook + Loop：AI Agent 工程化两大核心范式深度解析

2026 年 3 月，在 Terminal Bench 2.0 基准测试中，Claude Opus 4.6——当时公认的最强编码模型——在 Claude Code 官方工具里跑，得分排名 第 33。同一个模型，被放到一个第三方团队定制的工具链里，直接冲到第 5 名。

Viv Trivedy——Harness Engineering 概念的提出者——公开说过，自己的团队把 Agent 表现从 Top 30 提升到 Top 5，靠的仅仅是重建了模型外部的那层系统。他指的，正是 2026 年上半年 AI Agent 开发领域最值得关注的认知转向——Loop Engineering 和 Hook 机制。

核心公式

Agent = Model + Harness

Addy Osmani 2026 年 4 月：一个不错的模型配上优秀的 Harness，击败了一个优秀模型配上糟糕的 Harness。

这篇文章将系统性地拆解 Hook 与 Loop 两大核心范式——从原理到架构，从量化对比到实战设计。

第一章 Loop：自主循环的进化史

从 Prompt 到 Loop：一次范式跃迁

2026 年 6 月，Kilo.ai 给出了 Loop Engineering 最清晰的定义：“设计、运行并持续改进 AI 编码 Agent 内部反馈循环的工程实践”。

这不是一个新算法，也不是一个新模型。它是一种运行范式——一种让现有 AI 模型从”一次性对话”升级为”持续迭代工作者”的方法论。

核心洞察

Loop Engineering 技术理念：测试失败不是错误，是新的上下文。类型错误不是阻塞，是关于某个假设被推翻的信号。 一次代码审查不是反馈，是驱动下一轮行动的观察。

三代 Loop 范式的演进

第一代：ReAct Loop（2023）

最早的 Agent 循环遵循 ReAct（Reasoning + Acting） 范式：观察 → 推理 → 行动 → 观察执行结果 → 继续推理。这是所有现代 Agent 的基础骨架。

核心问题：LLM 的自我评估不可靠。模型说”我完成了”，循环就停了，但任务可能远未达标。AI 会在主观认为”差不多”时主动退出，而非达到客观可验证的标准。

第二代：Plan & Execute（2024）

OpenAI 和 LangChain 推动了这一范式：先由 Planner 拆解任务为步骤清单，再由 Executor 逐个执行。但问题在于——计划是静态的，执行过程中遇到环境变化或计划外情况，Agent 直接崩溃。

第三代：Ralph Loop（2025-2026）

2025 年底，Claude Code 社区诞生了一种革命性范式——Ralph Loop（以《辛普森一家》中”永不放弃”的角色命名）。

Ralph Loop 的核心创新：不信任模型的自我评估，用一个外部机制（Stop Hook）来强制判断任务是否真正完成。当 LLM 尝试输出”完成”时，Stop Hook 拦截并检查可验证的完成条件——不满足就重新注入 Prompt，开启新一轮迭代。

chart-mermaid

五种经典反馈循环模式

AWS 专家 Greg Coquillo 提出的 6 种 LLM 编排模式中，有 5 种直接对应 Loop 场景下的反馈循环。不同场景需要不同的反馈信号：

实战要点

选择哪种循环模式，取决于你的任务是否有可自动验证的成功标准。测试通过率提升 → 适合 Loop；代码可读性优化 → 不适合 Loop，因为结果好坏全靠人看 diff。

第二章 Hook：Agent 的强制执行层

Hook 的本质：从”建议”到”强制”

如果你只告诉 Agent “这样做更好”，Agent 可能在 90% 的情况下照做，但剩下 10% 会忘掉、忽略或在压力下妥协。这就是 Prompt 的局限性——Prompt 是建议，Hook 是法律。

在 Agent 工程中，Hook 是预定义的拦截点，在 Agent 运行的关键时刻自动执行检查逻辑。成功则静默通过，失败则注入错误信息迫使 Agent 修正。

Hook 的设计原则

成功静默，失败详细。 类型检查通过 → Agent 什么也听不到。类型检查失败 → 错误文本注入循环让 Agent 做自修正。这确保了 Agent 不会因为"一切正常"的通知而分心，也不会因为缺乏反馈而迷失方向。

五大 Hook 类型全景

chart-mermaid

Stop Hook：Ralph Loop 的灵魂

Stop Hook 是五种 Hook 中最特殊的一种。它不参与工具调用的拦截，而是在 Agent 认为”我做完了”的瞬间，用客观标准推翻 Agent 的主观判断。

一个 Stop Hook 的伪代码逻辑：

# Stop Hook 核心逻辑
def stop_hook(agent_output, completion_criteria):
    if contains_completion_marker(agent_output):
        test_coverage = run_coverage_check()
        build_status = run_build()
        lint_errors = run_lint()

        if (test_coverage >= criteria.target_coverage
            and build_status <mark class="ww-mark"> "SUCCESS"
            and lint_errors </mark> 0):
            return Action.ALLOW_EXIT

        return Action.REJECT_AND_CONTINUE

    return Action.CONTINUE

关键设计决策

Stop Hook 不依赖模型的能力，而是依赖外部可验证的自动化检查。测试覆盖率 82% 就是 82%，不需要任何人（包括 AI）来"判断"——代码跑出来的数字就是最终答案。

第三章 Harness：连接 Loop 与 Hook 的系统架构

Agent = Model + Harness 的完整含义

如果说 Loop 定义了 Agent 怎么动，Hook 定义了 Agent 不能做什么，那么 Harness 就是定义 Agent 在什么里面动的完整运行时环境。

Viv Trivedy 将 Harness 拆解为八大组件：

chart-mermaid

棘轮机制：Harness 最核心的工程习惯

普通人看到 Agent 犯错："哈，AI 真蠢。"

Harness 工程师的反应："这个错误可以变成一条规则。"

每条好的 Harness 规则都应该能溯源到一次真实发生的失败。不能凭空拍脑袋加。等到模型变强到不再犯这个错了，就可以删掉这条规则。规则越用越精，Agent 越用越好。

Anthropic 的三 Agent 架构：一场 200 美元的实验

2026 年 3 月 24 日，Anthropic 工程师 Prithvi Rajasekaran 发表了一份 Harness 设计报告，是公开领域里对完整 Harness 架构最透彻的产出。

他发现了两个核心瓶颈：上下文焦虑（模型在接近上下文窗口上限时提前收尾）和自我评估偏差（Agent 对自己产出的评价显著偏正面，即使质量明显平庸）。

解法是一个受 GAN 启发的三 Agent 架构：

chart-mermaid

Planner 将一两句话需求展开为完整产品规格。Generator 按 Sprint 逐个实现功能。Evaluator 用 Playwright 真正点击运行中的应用，按四个维度评分——产品深度、功能完整性、视觉设计、代码质量。每个维度有硬阈值，任何一项不达标，Sprint 就算失败。

单 Agent 版本开销

20 分钟 / $9

核心功能无法运行

:::

三 Agent 版本开销

6 小时 / $200

16 个功能全部实现

:::

实验结论

单 Agent 版本（20 分钟，$9）：应用能打开但核心功能无法运行。实体出现在屏幕上但没有响应任何输入。布线是坏的。

三 Agent 版本（6 小时，$200）：16 个功能全部实现——精灵动画、行为模板、音效、AI 辅助精灵生成器、关卡设计师、可分享链接的游戏导出。20 倍的 Token 成本，换来的是从"不能运行"到"可以玩"的质变。

Context Reset：对抗上下文腐烂

Context Rot（上下文腐烂）是当前 Agent 系统工程中最棘手的瓶颈——随着上下文窗口填满，模型的推理和完成任务能力显著下降。

Anthropic 的解法是 Context Reset——把当前会话完全拆除，从一份结构化的交接文件重建新会话。不是压缩旧上下文，而是彻底清空，给新 Agent 一个”干净的白板”。

第四章 量化对比：三种 Loop 范式的全方位测评

范式对比矩阵

三种范式多维度能力雷达图

chart-bar

单任务成本 vs 自主完成率

chart-compare

第五章 实战：设计一个生产级 Agent Loop

八个关键设计决策

根据 Anthropic、HumanLayer 和开源社区的最佳实践，生产级 Agent Loop 必须覆盖以下八个设计维度：

自主完成率目标

≥ 80%

无人工干预下的独立完成比例

:::

平均迭代次数

≤ 8 轮

反映 Loop 决策效率和方向感

:::

无进展终止准确率

100%

连续 3 轮无变化必须强制终止

:::

决策 1：硬终止条件（必须设置）

loop_config = {
    "max_iterations": 20,
    "max_token_budget": 500000,
    "max_no_progress_rounds": 3,
    "timeout_minutes": 30,
}

没有任何任务是”无上限”的。上线不带终止条件等于开车不装刹车。五种终止条件必须全部配置：达到最大迭代次数、连续 3 轮状态无变化、Token 预算耗尽、目标达成、人工干预。

决策 2：结果可自动验证（前置条件）

上 Loop 的前提：结果好坏必须能自动判断。如果结果的好坏全靠人看 diff，循环只是把 review 的压力往后推了，并没有真正解放生产力。

决策 3：上下文动态修剪

不是把所有历史对话全部塞进上下文。正确做法：压缩历史（只保留每轮关键结论）、优先级排序（状态文件 > 最新工具输出 > 历史尝试摘要）、窗口监控（每轮检查剩余 Token，逼近上限时自动裁剪）。

决策 4：分层模型策略

自动化循环是 Token 烧钱机。不加管控会产生惊人账单。简单任务用小模型，复杂审查用大模型。每轮限制最大工具调用次数。相同输入的工具调用结果缓存复用。单任务成本超过阈值自动暂停并通知人工。

决策 5：安全护栏

AI 自主运行的风险必须前置防控：文件白名单（限制 Agent 只能修改指定目录）、危险操作审批（删除文件、执行外部命令需人工确认）、权限最小化（Agent 运行账号只授予必要权限）、操作审计（所有写操作完整记录，支持回滚）。

决策 6：可观测性

每轮迭代必须记录：输入/输出 Token 数、工具调用明细、耗时、状态变化、决策依据。支持单步重放任意迭代、回滚到任意状态点、人工介入修改状态后继续。

决策 7：费用控制

单任务成本上限、每日/每周预算上限、成本告警（超过阈值自动暂停）、成本归因（每个任务、每个阶段、每个 Agent 的成本明细）。

决策 8：棘轮机制

每次 Agent 犯错 → 转化为 AGENTS.md 规则或 Hook 逻辑 → 下次运行时自动生效。规则越用越精，Agent 越用越好。但规则必须能溯源到一次真实失败——不能凭空拍脑袋加。

最小可行 Loop 的 5 步落地法

chart-mermaid

不要一开始就追求"全自动"

从一个简单、高频、可验证的小场景开始，先跑通一个最小可用的 Loop，然后在运行中持续迭代优化。这才是 Loop Engineering 的正确打开方式。先用人机协作（HITL）模式观察 2-4 周，确认 Agent 行为稳定后再切换到无人值守。

第六章 未来展望：天花板在上移，但不会消失

Harness 不会缩小，它只是移动了

Anthropic 团队在 Opus 4.6 发布后，发现了一个关键规律：

Sonnet 4.5 时代，Harness 需要复杂的上下文重置和交接机制来应对上下文焦虑。Opus 4.6 来了，上下文焦虑几乎消失——那套焦虑缓解的脚手架成了死代码，可以删了。但随之而来的是新的问题：模型能跑更长时间了，但多天范围内的记忆策略呢？多个专业 Agent 之间的协调呢？生成式 UI 的设计质量评估呢？

Harness 的演化规律

每个 Harness 组件都编码了一个"模型自己不会做"的假设。模型变强了，那个假设就可能不再成立，那个组件就该被移除。但模型变强后，之前不可能完成的任务变成了可以挑战的。新任务有新失败模式，新失败模式需要新的 Harness 组件。旧的组件被移除，新的组件被添加。Harness 不会缩小，它只是移动了。

五个正在发生的前沿方向

1. 多 Agent Loop多个 AI Agent 组成循环流水线，互相审查、互相补充。Anthropic 的多智能体研究系统通过隔离实现了 90.2% 的成功率提升，但 Token 成本增加了 15 倍。
2. 自适应 LoopAI 自己决定循环策略——何时迭代、何时停止、何时换思路。Loop 的”元认知”能力正在成为新的研究热点。
3. 跨会话 LoopLoop 跨天、跨周运行，支持超大型项目。Claude Code Routines 已经支持 24/7 自动运行。
4. Harness Templates把一组针对某种技术栈的引导层和传感器层打包成模板，新项目直接装载使用。未来团队选择技术栈时，会问一句：”有没有现成的 Harness 模板？”
5. 可 Harness 性（Harnessability）不是所有代码库同样适合被 Harness。强类型语言天然有类型检查作为反馈传感器，清晰模块边界可施加架构约束。新项目从第一天就设计可 Harness 性，而遗留项目面临悖论：最需要 Harness 的地方恰恰是最难建 Harness 的地方。

核心结论

完整的 Agent 工程方法论

Loop + Hook + Harness = 下一代 Agent 工程的完整方法论

Loop 定义"怎么动"，Hook 定义"不能做什么"，Harness 定义"在什么里面动"。

2026 年，AI Agent 工程化的重心正在从”怎么让模型更聪明”转向”怎么让模型被更聪明地使用”。从 Prompt Engineering 到 Loop Engineering，从”建议”到”强制”，从单 Agent 到多 Agent 编排——这不是一个技术迭代，而是一次根本性的范式转移。

模型仍然是核心引擎，而 Harness 是驾驶系统——方向盘、刹车、悬挂——将引擎的动力转化为实际表现。一个不错的模型配上优秀的 Harness，击败了一个优秀模型配上糟糕的 Harness。

天花板随着模型的能力上移，但天花板本身不会消失。而 Hook 和 Loop，正是我们够到天花板的那把梯子。

AI AgentLoop EngineeringHookHarnessRalph LoopAnthropic技术深度解析

:::