本文基于公开资料整理与归纳，完整原文见文末链接。
在 AI 编码工具快速演进的背景下，"循环工程（Loop Engineering）"正在逐步取代传统的提示词工程。与其逐条向 AI 提问，不如设计一套能够自动运行、持续迭代的"循环系统"，让 AI 编码智能体自主完成任务拆解、执行与验证。
值得注意的是，这一转变并非理论设想，而是已经在一线开发实践中出现。
正如 Peter Steinberger 所言："你不应该再去提示 AI 编码智能体，而是应该设计驱动它们运行的循环系统。"
同时，Boris Cherny 也指出，他已经不再直接提示 Claude，而是构建持续运行的循环，让系统自行决定下一步做什么，"我的工作变成了写循环，而不是写提示词"。
如今，Claude Code、Codex 等主流 AI 编码工具，已经将循环工程所需的核心能力做成了"现成积木"：开发者无需从零搭建复杂系统，只需组合已有组件，并借助 Markdown 文件或任务看板等外部存储作为记忆载体，一个持续运转的开发循环便可以成型。
循环系统的五大核心组件
一个真正的循环系统，通常由五个核心组件组成：
1. 自动化（Automations）
系统的"心跳"。通过 /loop 或定时任务自动运行，持续扫描 CI 失败、Bug、新增 Issue 等信息，让问题自动浮出水面，而不是等待人工发现。
2. 工作树（Worktrees）
解决多智能体并行冲突的基础设施。通过 Git 工作树为不同智能体分配独立空间，使多个任务可以同时进行而互不干扰。
3. 技能（Skills）
将项目知识结构化沉淀，例如构建规则、代码规范与历史经验，写入 SKILL.md 等文件中，避免智能体每次都从零推断上下文。
4. 插件与连接器（Plugins & Connectors）
基于 MCP 等机制，让智能体能够连接真实世界系统，如 GitHub、数据库、Slack 或 CI 平台，从而不仅"提出建议"，还能"直接执行操作"。
5. 子智能体（Sub-agents）
将"执行者"与"审查者"分离。一个负责实现方案，一个负责验证与审查，避免智能体自我评估导致的质量偏差。
当这五个组件与外部记忆系统结合后，一个完整的循环系统便形成了：自动发现问题、并行执行任务、调用项目知识、连接外部工具，并通过交叉验证不断迭代，最终形成闭环。
工程师的新角色
循环工程并不意味着工程师被替代，而是角色发生迁移：从"逐条提示 AI 的操作者"，转变为"设计智能体行为的架构师"。
但它也带来新的挑战：
- 验证责任仍然存在：AI 可以自动运行，但"完成"不等于"正确"。
- 理解债（Comprehension Debt）加重：生成速度越快，人对系统理解可能越断裂。
- 认知投降风险：过度依赖 AI 输出，会削弱独立判断能力。
结语
循环工程的本质，是杠杆点的转移。相同的系统，在不同工程师手中可能产生完全不同的结果：理解业务的人会获得指数级提效，而放弃思考的人则可能陷入质量滑坡。
构建循环系统，但不要退居幕后。真正的变化不是 AI 取代工程师，而是工程师开始设计"AI 如何工作"。
原文链接：Loop Engineering.