# 策展 · X (Twitter) 🔥
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 作者：程序员Left (@coder_left) · 平台：X (Twitter) · 日期：2026-06-15
> 原始來源：https://x.com/coder_left/status/2064951665061703878
## 中文摘要
# 什麼是 Loop Engineering？
單次呼叫 Agent 的效果已經到頂了。你是不是也厭倦了天天給 AI 當人肉搬運工，每天把問題複製過去、把結果複製回來？當大多數人還在卷 Harness Engineering 的時候，大廠和頂尖開發者已經悄悄換了新賽道。
就在前幾天，Chrome 團隊的 Addy Osmani 發了一篇推文，昭示著 Loop Engineering 的到來。
Left 幫你們把長文讀完了，直觀感受是，這套理念與 OpenAI 和 Anthropic 近期的密集動作高度吻合。它正在把人類從枯燥的介入循環中解放出來，讓 AI 的任務完成度直接上一個台階。
那麼 Loop Engineering 到底是什麼東西？結合 Left 自己的經驗，今天和大家徹底聊透。
## 一、為什麼 Harness Engineering 的效果已經到頂了？
因為在真實場景下，任務只要稍微複雜一點，目標可能模糊，解法可能跑偏，Agent 很難透過單次呼叫就產出完美的結果。
很多人正在做的 Harness Engineering，本質上都在試圖卷單次呼叫的完成度。在各種 Prompt 框架和工程加持下，單個 Agent 的任務得分確實可以從 60 分飆到 90 分。但想要再往上走，繼續死磕單次呼叫，收效甚微。這就像讓人去幹活一樣，任務複雜了誰都會出紕漏。
這時有人會說：那就讓它做完自己檢查一下行不行？答案是不行。
人如果既當球員又當裁判，在做裁判的時候就會本能地偏袒自己。人類身上這種自我檢查流於表面的毛病，在單個 Agent 身上完美重現了。Agent 寫完了程式碼後，會極其自信地告訴你：我已經為您搞定了，不管任務是否完成。
行業的解決方案是，引入裁判機制，讓裁判評判 Agent 的產出，實際使用下來比單個 Agent 自查效果更好。
展開畫面重點
圖中包含三格漫畫，文字內容如下：
1. 第一格：
- 對話框：「單次調用：Harness Engineering 讓得分從60升到90，但很難完美。」
- 桌上標籤：「複雜任務」、「目標模糊」、「解法跑偏」。
- 筆記本文字：「收效甚微」。
- 圖表：顯示一個常態分佈曲線，頂點標示為「90」。
2. 第二格：
- 思考框：「自我檢查？我完美搞定了！」
- 對話框：「自我檢查流於表面，本能偏袒自己。」
3. 第三格：
- 對話框：「解決之道：引入獨立裁判，多角色協作。」
- 箭頭旁文字：「更優結果。」
畫面重點：該圖以擬人化的柴犬角色演示了軟體工程流程中的優化邏輯，指出單一模型的自我檢查容易產生偏差，建議透過多角色協作機制來提升任務執行品質。
展開畫面重點
圖片以手繪風格呈現了兩種工作模式的對比：
1. 左側為「枯燥的循環」，描述了傳統工作流程：派發任務 -> Agent 執行 -> 人類驗收結果 -> 人類提交反饋 -> Agent 重新執行 -> 人類再次驗收 -> 派發下一個任務。此過程標註為「人肉協調器」，並指出會「拖慢宏觀效率」。
2. 中間部分標註為「治標不治本」，展示了由「AI 裁判」與多個 Agent 組成的循環。
3. 右側為「全自動系統」，展示了多個 Agent 圍繞一個大腦核心進行協作，標註為「徹底接管 SOP 循環」，並指出能「解放人類」、「提升宏觀效率」，右下角有一隻柴犬正在悠閒喝茶。
展開畫面重點
圖表分為三個部分：
1. **舊模式**：展示一名角色操作機器，標註「人工交互模式」、「人類調度」、「手動驅動節點」，並提到「低效率天花板！」以及角色感嘆「好累啊，效率太低了！」。
2. **循環工程 (Loop Engineering)**：展示一個自動化流程，包含「系統接管監督」、「狀態感知」、「自動閉環，徹底接管！」、「自我修正」、「多輪次迭代」、「無需人類介入」、「死磕到期望結果」及「達成目標」。
3. **對比與演進**：
- **Harness Engineering**：對應「單個Agent單次執行」，圖示為角色使用放大鏡。
- **Loop Engineering**：對應「長生命周期自治系統」，圖示為角色使用筆電，下方有齒輪循環圖。
- 總結文字：「應用層架構的自然演進：從優化單個Prompt到構建自治系統」。
展開畫面重點
圖片分為左右兩個區塊，對比了傳統手動與自動化修復流程：
左側「手動修復流程（手動複製）」：
- 顯示一隻柴犬在電腦前感到困擾，對話框寫著「天天複製報錯，浪費生命！」。
- 流程包含：GitHub Issue -> 手動複製報錯 -> Claude Code -> 人類測試 -> 手動提交 PR。
右側「/loop 自動修復」：
- 顯示一隻柴犬在電腦前從容工作，下方對話框寫著：「我不再手動 prompt Claude 了，我的工作是寫 Loop — Boris Cherny」。
- 流程包含：
- 定時任務 /loop
- 每小時拉取最新 Issue
- Claude 自主翻代碼/改 Bug
- 跑測試（成功 ✅）
- 自動提交 PR
- 若失敗 5 輪 ❌，則自動貼出思路和日誌報告。
展開數據表（1）傳統模式
| 項目 | 數值 |
|---|
| 特徵1 | 人肉分析參數 |
| 特徵2 | 手動改代碼 |
| 效率 | 極低 |
展開數據表（2）自動化模式
| 項目 | 數值 |
|---|
| 核心機制 | AutoResearch (Karpathy) |
| 運作流程 | 驗證者打分與反饋、下一輪循環 |
| 實驗規模 | 2天，700次實驗 |
| 效率提升 | 模型訓練效率直接提升 11% |
| 優勢 | AI高頻「試錯-回滾-再試」，超越普通工程師！ |
展開畫面重點
圖片分為三個區塊，說明從問題到解決方案的流程：
1. **The Problem（問題）**：
- AI 聲稱「已經為您寫好了！」但工程師執行後卻出現「滿屏飄紅」的錯誤，顯示 AI 產生了任務完成的幻覺。圖中有一隻穿著襯衫打領帶的柴犬正對著電腦螢幕感到憤怒，螢幕顯示著錯誤代碼。
2. ** /goal 插件（解決方案機制）**：
- 核心概念：解決幻覺，引入測試驅動開發（TDD）。
- 流程圖：
- 人類下任務與指標 -> /goal 解析為測試標準 -> Agent 閉門寫代碼（獨立沙盒 MiniVM）。
- 若測試未全綠，則提取真實報錯日誌並強制繼續修改。
- 若測試徹底全綠，則終結循環，交付代碼。
3. **The Solution（解決方案）**：
- 透過確定性測試環境強約束，將「球員」與「裁判」剝離，徹底消滅 AI 任務完成幻覺，實現完美交付。
- 圖中柴犬展示著平板電腦，螢幕顯示「測試全綠！」與程式碼圖示，旁邊有一個機器人角色。
展開畫面重點
圖中包含以下文字內容：
- 標題：Dynamic Workflow（动态工作流）
- 說明文字：不再硬编码，AI 根据实时反馈动态调整流程，自己决定下一步动作。
- 三種模式說明：
1. 賽馬模式
2. 分類-行動模式
3. 验证者打回
畫面重點：
圖表左側有一隻穿著襯衫領帶的柴犬正在思考，指向右側的三個筆記本頁面，分別代表三種不同的工作流模式。這些模式展示了 AI 系統如何透過動態調整來處理任務，而非依賴固定的程式碼邏輯。
展開畫面重點
圖片展示了 AI 系統的八個關鍵組成部分，每個部分皆配有說明文字與插圖：
1. **自動觸發機制 (Automations)**：無需人類點擊，系統通過定時或事件自動開始任務。包含時鐘、齒輪、webhooks 與 events 圖示。
2. **任務分發調度 (Schedulers)**：將大任務拆解為多個獨立的子任務，安排順序。插圖為柴犬將蛋糕（宏觀任務）切分成多塊。
3. **子智能體調度 (SubAgents)**：像經理一樣，調動不同的小 Agent 去執行被拆解的任務。
4. **並行任務隔離 (Worktrees)**：將工作環境隔離，讓任務在獨立氣泡中進行，互不干擾。
5. **並行任務隔離 (Worktrees)**：重複項目，強調各自在獨立氣泡裡工作。
6. **生命週期管理 (Verifiers / State)**：記錄每個任務的進度與狀態，包含完成與失敗的標記。
7. **跨系統連接器 (Connectors)**：通過 MCP 和插件與外部世界順暢交互。圖示包含 MCP、API 與雲端圖示。
8. **行業領域能力 (Skills)**：讓子 Agent 擁有特定的專業技能，如審美或數據分析。插圖展示了畫家與數據分析師形象的柴犬。