1. 近期感受

前段时间，包括现在，组织层面一直在推进 Loop Engineering。这是 Anthropic 公司推出的一个概念，伴随 Claude Code 的流行而广为人知。简而言之：

We define loops as agents repeating cycles of work until a stop condition is met.

我们将“循环”定义为：智能体重复执行工作周期，直至满足停止条件。

这是一个简单，稳定，具备很强泛化能力的结构：收集上下文，采取行动，验证，直到满足退出条件。

很明显，这与 ReAct🔗 的思路接近。按照我的理解，Loop 其实就是对 ReAct 这一思想的工程化。

在整个 Loop 里，开发者需要做的，只是贴一段 Prompt，然后等待 Loop 结束后验证结果是否可接受。

与以往使用 GitHub Copilot 这类开发工具有很大不同：工具与人的交互变少。不再频繁地需要人类介入到 Agent 运行过程中，决策、补充上下文，依赖 AI 做判断，调用相应的 MCP 或 Skills。

至此，Agent 可以独立地完成工作，端到端交付。

这差不多就是我目前的工作模式：从写一行行具体的代码，到指挥多个 Agent ，并行（Parallel）负责不同任务。

跟同事聊天，一方面感慨 AI 能力越来越强，另一方面，现在的软件工程师，完全不像码农，因为他们很少再去深度干预每一个具体环节，更多时间，花在如何调度、编排和分发任务给 Agent。

如果可以把 Agent 当作一个人的话，那么这个时代的每位开发者，都是管理者。角色变了。

就近两个月的体验而言，当前的工作流，应付一些简单任务，非常流畅，对于稍有些复杂的，尽管需要人的介入，但这种情况越来越少。源于 Loop Engineering 本身是自举的：你在运行它的过程中遇到问题，解决后可以内化为它的一种新的能力。跑得越多，问题越少。

这是一种非常恐怖的进化能力。

我想每一位开发者，都应该清晰地认识到，软件开发的流程变了，要及时调整思路，转变思想，学习并实践自己的 Loop Engineering。

2. 历史脉络

每一种新的开发模式，都对应着一个特定问题，或者说痛点（Pain point）。

最开始的 AI Coding，是代码补全。你在 Visual Studio Code 中，写一段注释或函数名，AI 会把剩余的内容补全。这个阶段的 AI，更多还只是个 Copilot（副驾），由开发者主导，但已经体现出巨大的潜力，极大地提升了开发效率。开发者依旧需要关心代码。

后来，Cursor 这类产品出现，AI 有了独属的交互环境，不再寄生于常规 IDE。此时，与 AI 的交互，不再拘泥于代码层面，而是描述一个需求，AI 负责设计，实现，验证。不只是修改几行代码这么简单，而是构建一个完整的工程结构，创建文件，编译执行。交互进一步减少，开发者的关注点，转为轮次（Turn）。

再到后来，Claude Code 出现，连 IDE 的样子都没有了，直接就是一个 Terminal（终端）。意思是开发者不需要关心代码本身怎么写，只需要关注入口和出口两件事：做什么，如何验证。中间环节，打包交给 CC。开发者要关心的，更多是目标（Goal）。

Claude 总结出四种 Loop：

• 基于轮次（turn-based）
• 基于目标（goal-based）
• 基于时间（time-based）
• 主动 Loops（proactive loops）：基于事件或调度，无须人类介入

整个发展过程，回过头看，是“硅进碳退”的过程：AI 参与越来越高，人类参与越来越少；AI 关心过程，人类关心结果；AI 负责具象，人类负责抽象。

真正印证了 IBM 在 20 世纪 60 年代所提出的：

机器应该工作，人类应该思考。

3. 我的行动

前段时间 IBU，面试求职，因为自己的主力开发语言是 C++，经常被问到的一个问题是：能否接受转码？

我的回答通常是，放在以前，这可能是一个需要慎重考虑的问题，但现在，我可以很负责任地说：可以。编程语言，是形式，核心在于能否在给定约束下解决问题。

因为在我看来，未来的代码，都是由 Agent 来写，而不是人。

行动分两方面。

1. 深入理解 Agent 理论
2. 搭建自己的 Loop engineering

理论指导实践，实践验证理论。这也是个 Loop。

第一块内容，由于涉及范围很广，而且发展速度快，后面会单独写一篇文章。

第二块，如何构建自己的 Loop engineering？

Claude Code 这类工具，提供的是一套通用能力，针对不同场景，需要定制化。CC 提供了一系列标准化的定制接口。

作为 Loop engineering 的设计者，主要做的事情有两个：

1. 增强能力
2. 设置规则

CC 内置的能力有限，如果涉及到访问外部系统，模拟网页操作等，就需要 MCP 的协助。对于某些可以流程化的操作，总结为 SKILLs，能帮助 AI 更快、更好地完成指定任务。

规则可以在 AGENTS.md 中定义，包括开发流程、开发规范、如何验证等。

上述都可以打包为一个 plugins，作为发布和共享的基本单元。

根据 GitHub 官方的描述，一个 plugins 包含：

• 自定义 Agents
• Skills
• Hooks
• Extensions
• MCP 配置
• LSP 配置（Language Server Protocol）

这是一个 plugins 的基本结构：

my-plugin/
├── plugin.json               # Required manifest
├── skills/                   # Skills (optional)
│   └── deploy/
│       └── SKILL.md
├── mcp.json                  # MCP server config (optional)
└── com.github.copilot/       # Copilot components (optional)
    ├── agents/
    │   └── helper.agent.md
    ├── commands/
    ├── rules/
    ├── hooks/
    │   └── hooks.json
    └── lsp.json

总之，这些改进和增强，针对的是单 Loop，一种隐式的 Loop 结构，中间环节不透明，非常依赖 Harness 和 AI 的能力。

另一个思路类似 LangGraph，通过程序，提供一个有明确结构，维度更高的 Loop。例如可以将 GitHub Copilot SDK 当作一个节点（Node），使用边（Edge）表征状态变更，采用特定的数据结构共享状态（Shared State）。有人将其总结为 Loop engineering 的下一代模式：Graph engineering。

4. 总结

Agent 的发展迅猛。就目前而言，已经完成了 Coding 领域的流程重塑：几乎没有人再去写代码。

调试 Agent，设计良好的 Loop 结构，提出正确的问题，给出关键决策，那些隐性的知识和经验，变得越来越重要。

在我看来，Agent 只是接替了部分工作，但思考本身，还是要亲历亲为。

（完）

参考

1. Loop engineering: Getting started with loops | Claude by Anthropic🔗
2. ReAct: Synergizing Reasoning and Acting in Language Models🔗
3. AGENTS.md🔗
4. Plugins for GitHub Copilot - GitHub Docs🔗
5. LangGraph: Agent Orchestration Framework for Reliable AI Agents🔗
6. Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence🔗