循环：2026年每位AI工程师都需要了解的内容

循环：2026年每位AI工程师都需要了解的内容 循环：2026年每位AI工程师都需要了解的内容 Modified June 11 两个智能体同时写同一个文件，就像两个工程师在没有沟通的情况下改同一批代码行。 git worktree 会给每个智能体一个独立工作目录和独立分支：共享同一份仓库历史，但不会相互冲突。 一个智能体的修改，字面意义上碰不到另一个智能体检出的工作区。 3. 技能 它让“发现”阶段更快，因为智能体在开始前就已经理解你的项目。 不要每次运行都从零开始解释你的项目。 技能就是一个包含 SKILL.md 的文件夹，里面写着项目约定、构建步骤，以及“我们不这么做，是因为上次那个事故”的经验。 写一次。每个循环都能读取。 没有技能：循环每一轮都要重新推导你的整个项目。 有技能：知识会复利。智能体在开始前就知道你的项目。 → VISION.md：成功长什么样 → ARCHITECTURE.md：技术栈和文件夹结构 → RULES.md：智能体绝对不能做什么 4. 插件和连接器 它让“执行”阶段真正落地：循环会在你的真实环境里行动，而不只是看文件系统。 如果一个循环只能看到文件系统，那它就是很小的循环。 基于 MCP 的连接器，可以让智能体读取问题追踪系统、查询数据库、访问预发布 API，或者在 Slack 里发消息。 这就是两种智能体之间的区别：一种智能体只会说“这是修复方案”；另一种循环会自己打开 PR、关联 Linear 工单，并在 CI 变绿后通知频道。 5. 子智能体 它让“验证”阶段保持诚实：检查者永远不是制造者本人。 让制造者远离检查者。 写代码的模型在给自己的作业打分时，往往太宽容。 第二个智能体带着不同指令，有时甚至使用不同模型，能抓住第一个智能体说服自己接受的问题。 有效的分工是： → 一个智能体探索 → 一个智能体实现 → 一个智能体按规格验证 这也是 /goal 底层在做的事。 由一个新的模型来判断循环是否完成，而不是由刚刚完成工作的那个模型来判断。 6. 记忆 它让循环具有持久性：第 47 次运行里的“发现”阶段，知道第 1 次到第 46 次已经试过什么。 这是整个循环的脊梁。 可以是一个 Markdown 文件，可以是一个 Linear 看板，也可以是任何存在于单次对话之外的东西。 模型在两次运行之间会忘掉一切。 仓库不会。 记忆文件保存：试过什么，什么通过了，什么还没解决。 明天早上，循环会从今天停下的位置继续。 这听起来简单到不像重要能力。 但每一个长时间运行的循环，都依赖它。 第六部分：真实循环示例 循环在实践中长什么样： 代码循环 Code block Plain Text Copy 读取 VISION.md 和 ARCHITECTURE.md ↓ 规划下一项变更 ↓ 修改代码 ↓ 自动运行测试 ↓ 如果测试失败 → 读取错误 → 修复 → 重新测试 ↓ 如果测试通过 → 说明变更 ↓ 停止 中间不需要人介入。 智能体会自己编写、测试、修复和验证。 ━━━ 研究循环 Code block Plain Text Copy 定义研究问题 ↓ 搜索资料来源 ↓ 整理发现 ↓ 对照来源验证论断 ↓ 比较相互冲突的信息 ↓ 综合成最终答案 ↓ 达到置信度阈值后停止 ━━━ 内容循环 Code block Plain Text Copy 定义主题 + 受众 + 目标 ↓ 生成初稿 ↓ 批评智能体审阅初稿 ↓ 根据批评意见重写 ↓ 按成功标准打分 ↓ 如果分数达标 → 发布 ↓ 如果分数不达标 → 再重写 ━━━ 销售触达循环 Code block Plain Text Copy 定义 ICP（理想客户画像） ↓ 寻找符合画像的潜在线索 ↓ 补充公司数据 ↓ 按标准筛选线索 ↓ 个性化消息 ↓ 质量审查 ↓ 发送，或升级给人工处理 每个循环都有同样的骨架： 目标 → 动作 → 检查 → 修复 → 重复，直到完成。 第七部分：提示词工程师与循环工程师 2026 年正在拉开的技能差距： 提示词工程师 → 打磨更好的指令 → 依赖语言能力 → 得到更好的提示词 → 产生更好的单次输出 → 每次运行后仍然要手动审阅输出 → 你自己就是反馈循环 循环工程师 → 设计更好的反馈周期 → 依赖软件工程能力 → 得到更好的循环 → 产生可靠且经过验证的结果 → 系统会运行、检查并自我纠偏 → 系统本身就是反馈循环 提示词工程师会说：“帮我写一个函数。” 循环工程师会说：“写 → 测试 → 修复，直到全绿。” 提示词工程师 循环工程师 写更好的提示词 写 VISION.md 手动审阅输出 自动测试和审阅 运行一次智能体 构建可重复运行的系统 为单次输出付费 为已验证结果付费 工具是一样的。 心智模式完全不同。 提示词工程师向 AI 索要输出。 循环工程师设计能够产生已验证结果的系统。 2026 年收入最高的 AI 工程师，并不是在写更漂亮的英文句子。 他们写的是控制智能体如何发现、规划、检查自身工作，以及判断什么时候完成的逻辑。 两个智能体同时写同一个文件，就像两个工程师在没有沟通的情况下改同一批代码行。 git worktree 会给每个智能体一个独立工作目录和独立分支：共享同一份仓库历史，但不会相互冲突。 一个智能体的修改，字面意义上碰不到另一个智能体检出的工作区。 3. 技能 它让“发现”阶段更快，因为智能体在开始前就已经理解你的项目。 不要每次运行都从零开始解释你的项目。 技能就是一个包含 SKILL.md 的文件夹，里面写着项目约定、构建步骤，以及“我们不这么做，是因为上次那个事故”的经验。 写一次。每个循环都能读取。 没有技能：循环每一轮都要重新推导你的整个项目。 有技能：知识会复利。智能体在开始前就知道你的项目。 → VISION.md：成功长什么样 → ARCHITECTURE.md：技术栈和文件夹结构 → RULES.md：智能体绝对不能做什么 4. 插件和连接器 它让“执行”阶段真正落地：循环会在你的真实环境里行动，而不只是看文件系统。 如果一个循环只能看到文件系统，那它就是很小的循环。 基于 MCP 的连接器，可以让智能体读取问题追踪系统、查询数据库、访问预发布 API，或者在 Slack 里发消息。 这就是两种智能体之间的区别：一种智能体只会说“这是修复方案”；另一种循环会自己打开 PR、关联 Linear 工单，并在 CI 变绿后通知频道。 5. 子智能体 它让“验证”阶段保持诚实：检查者永远不是制造者本人。 让制造者远离检查者。 写代码的模型在给自己的作业打分时，往往太宽容。 第二个智能体带着不同指令，有时甚至使用不同模型，能抓住第一个智能体说服自己接受的问题。 有效的分工是： → 一个智能体探索 → 一个智能体实现 → 一个智能体按规格验证 这也是 /goal 底层在做的事。 由一个新的模型来判断循环是否完成，而不是由刚刚完成工作的那个模型来判断。 6. 记忆 它让循环具有持久性：第 47 次运行里的“发现”阶段，知道第 1 次到第 46 次已经试过什么。 这是整个循环的脊梁。 可以是一个 Markdown 文件，可以是一个 Linear 看板，也可以是任何存在于单次对话之外的东西。 模型在两次运行之间会忘掉一切。 仓库不会。 记忆文件保存：试过什么，什么通过了，什么还没解决。 明天早上，循环会从今天停下的位置继续。 这听起来简单到不像重要能力。 但每一个长时间运行的循环，都依赖它。 第六部分：真实循环示例 循环在实践中长什么样： 代码循环 中间不需要人介入。 智能体会自己编写、测试、修复和验证。 ━━━ 研究循环 ━━━ 内容循环 ━━━ 销售触达循环 每个循环都有同样的骨架： 目标 → 动作 → 检查 → 修复 → 重复，直到完成。 第七部分：提示词工程师与循环工程师 2026 年正在拉开的技能差距： 提示词工程师 → 打磨更好的指令 → 依赖语言能力 → 得到更好的提示词 → 产生更好的单次输出 → 每次运行后仍然要手动审阅输出 → 你自己就是反馈循环 循环工程师 → 设计更好的反馈周期 → 依赖软件工程能力 → 得到更好的循环 → 产生可靠且经过验证的结果 → 系统会运行、检查并自我纠偏 → 系统本身就是反馈循环 提示词工程师会说：“帮我写一个函数。” 循环工程师会说：“写 → 测试 → 修复，直到全绿。” 提示词工程师 循环工程师 写更好的提示词 写 VISION.md 手动审阅输出 自动测试和审阅 运行一次智能体 构建可重复运行的系统 为单次输出付费 为已验证结果付费 提示词工程师 提示词工程师 循环工程师 循环工程师 写更好的提示词 写更好的提示词 写 VISION.md 写 VISION.md 手动审阅输出 手动审阅输出 自动测试和审阅 自动测试和审阅 运行一次智能体 运行一次智能体 构建可重复运行的系统 构建可重复运行的系统 为单次输出付费 为单次输出付费 为已验证结果付费 为已验证结果付费 工具是一样的。 心智模式完全不同。 提示词工程师向 AI 索要输出。 循环工程师设计能够产生已验证结果的系统。 2026 年收入最高的 AI 工程师，并不是在写更漂亮的英文句子。 他们写的是控制智能体如何发现、规划、检查自身工作，以及判断什么时候完成的逻辑。 收尾 这就是循环工程。 把要点再拎一遍： 变化： → 过去两年，我们一次只提示智能体完成一个任务 → 现在，我们设计能跑完整周期的循环 你真正要构建的 6 个东西： → 自动化：心跳，触发发现阶段 → 工作树：让并行智能体互不冲突 → 技能：每次运行都会复利的项目知识 → 插件和连接器：让循环在真实工具里行动 → 子智能体：制造者和检查者永远不是同一个智能体 → 记忆：让循环在多次运行之间不会遗忘 两种规模： → 单智能体：一个大脑，自我改进 → 集群：编排智能体 + 专家智能体 + 子智能体，每个智能体都跑同一个循环 两种类型： → 开放式循环：探索性强、能力强、昂贵，需要近乎无限的预算 → 封闭式循环：有边界、可靠、负担得起，是今天最能产生回报的方式 每个好循环的 5 个部分： → 目标：精确定义什么叫完成 → 上下文：VISION.md、ARCHITECTURE.md、RULES.md → 动作：只给智能体真正需要的能力 → 反馈：测试、类型检查、代码风格检查、结构化错误 → 停止条件：让循环知道什么时候结束 成本问题： → 循环会快速消耗 token → 在 DeepSeek 上，20 美元能跑出的规模远超大多数前沿模型 → 这移除了最后一个真正的阻碍 最大的变化： → 提示词工程师向 AI 索要输出 → 循环工程师设计能够产生已验证结果的系统 Peter Steinberger 说对了： 停止直接提示你的智能体。 开始设计循环。 因为一个可靠的循环，抵得上一千条完美提示词。 还有一件很少有人明说的事。 两个人可以构建完全相同的循环，却得到完全相反的结果。 一个人用它在自己深刻理解的工作上更快推进。 另一个人用它逃避理解工作本身。 循环分不出区别。 你能。 这正是循环设计比提示词工程更难，而不是更简单的地方。 Boris Cherny 的意思不是工作变容易了。 而是杠杆点变了。 构建循环。 但要像一个仍然打算当工程师的人那样构建，而不是只做那个按下“开始”的人。 因为一个可靠的循环，抵得上一千条完美提示词。 而当 20 美元可以买到 17 亿个 token 时，你终于负担得起去构建一个了。 如果这篇对你有帮助： → 转发给你的网络 → 关注 @sairahul1，看更多这样的拆解 → 收藏这篇：这套 5 部分框架值得反复回看 我写关于 AI、产品构建，以及那些在人睡觉时仍然运行的系统。 原帖链接：https://x.com/sairahul1/status/2064277888216555684 原帖链接：https://x.com/sairahul1/status/2064277888216555684 Peter Steinberger 是 OpenClaw 的创建者，现在在 OpenAI 工作。 昨天他发了这段话： “你不应该再去给代码智能体写提示词了。你应该设计那些会向智能体发出提示的循环。” 随后，Anthropic 的 Claude Code 负责人 Boris Cherny 用另一种方式表达了同一个观点： “我已经不再直接提示 Claude 了。我有一些循环在运行，它们会提示 Claude，并判断下一步该做什么。我的工作是写循环。” 两位极其资深的 AI 工程师，说的是同一件事。 大多数人读完只会想：这到底是什么意思？ 我深入研究了一下。 下面把它拆开讲清楚。 没有黑话，只讲你真正需要的心智模型。 先收藏这篇。它会改变你理解 AI 的方式。 先说清楚：为什么大多数人从来没有真正构建过循环 循环听起来很棒，直到你看到费用账单。 有件事很少有人一开始就告诉你。 一个中等规模编码任务上的单智能体循环：5 万 20 万个 token。 一个带编排智能体和 3 个专家智能体的集群循环：500,000 2,000,000 个 token。 一个每天早上按计划运行的循环：每周数百万个 token。 按标准 API 定价来看，认真做一周循环工程，成本会超过很多人一整个月的 AI 预算。 这就是为什么 Peter Steinberger 的回复区里，很多人会说： “你当然说得轻松，因为你有无限的 OpenAI 额度。” 他们并没有说错。 在普通预算下，循环工程很快就会跑不动。 每一次重试都要花钱。每一次自我纠偏都要花钱。每一个子智能体都要花钱。每一轮验证都要花钱。 那种自由探索的开放式循环，会以让人目瞪口呆的速度燃烧 token。 这是几乎没人讨论的隐藏门槛。 循环并不难设计。 难的是负担得起。 这正是中国大模型解决的问题。 像 DeepSeek、Kimi、MiniMax 这样的模型，让智能体循环在经济上变得可行。 自主智能体最大的难题不是智能。 而是 token 消耗。 循环消耗 token 的速度非常快。 一次运行很容易就会消耗 5 万 20 万个 token。 如果运行多个智能体、每天定时跑循环，或者处理大型代码库，成本会迅速失控。 这就是 DeepSeek 改变局面 的地方。 DeepSeek V4 目前是最适合大规模运行循环、且价格最低的前沿级模型之一。 你得到的是： → 100 万 token 上下文窗口：为大型项目和长时间运行的工作流而设计 → 38.4 万 token 最大输出：可以承载更大的生成任务，不容易中途断掉 → DeepSeek V4 Flash + Pro 模型 → 极低的 token 定价 → 面向智能体工作流的 工具调用 + JSON 输出 → 高并发：Flash 最高可到 2500 个请求 为什么 100 万 token 上下文窗口 很重要？ 循环需要记忆。 一个处理大型项目的代码循环，需要同时在记忆里保留： — 之前的运行记录 — 当前错误 — 架构文档 — 测试结果 — 代码库上下文 大多数模型会在中途丢失上下文。 你的循环会开始忘记前面发生过什么。 DeepSeek 能保留明显更多的上下文，所以长时间运行的循环更容易保持连贯。 再加上价格足够低： 循环不再轻易掏空预算。 第一部分：旧方式与新方式 过去两年，我们都是一次只提示智能体完成一个任务。 你输入一段提示词。智能体回应。你审阅结果。你修正错误。你再提示一次。你就是那个循环。 这种方式正在改变。 过去，你可能会要求智能体构建一个落地页，然后由你亲自推动每一步。现在，你可以搭建一个循环，让它处理发现、规划、执行、检查和迭代，直到目标达成。 区别在这里： 旧方式（写提示词）： 你 → 提示词 → 智能体 → 输出 → 你审阅 → 你修正 → 重复 新方式（跑循环）： 你设定目标 → 循环运行 → 智能体发现问题 → 规划 → 执行 → 验证 → 迭代 → 完成 你不再逐步提示每一个动作。 智能体会替你重复这个周期。 提示词给智能体的是指令。 循环给智能体的是一份工作。 第二部分：循环工程到底是什么 循环工程，是设计可重复反馈周期的实践。它引导 AI 智能体从一次尝试走向经过验证的结果，而且不需要人持续介入。 循环不是一句提示词，而是一套你搭起来的运行装置。 几乎任何智能体运行框架都可以承载它。 关键只在于你怎么把它接起来。 最简单的情况下，一个智能体会围绕自己的输出工作： → 调研 → 起草 → 按目标检查草稿 → 修补薄弱之处 → 继续重复这个周期，直到结果满足要求 每一个循环，无论简单还是复杂，都会经过同样 5 个阶段： 发现 → 规划 → 执行 → 验证 → 迭代 通过验证 → 交付。 验证失败 → 再跑一轮。 核心思想就是这么简单。 这篇文章后面所有内容，讲的都是如何把这个周期搭得更正确。 第三部分：单智能体与智能体集群 循环有两种规模： 单智能体循环 一个智能体独立跑完整个周期。 你可以把它想象成一个人在反复修改自己的草稿。 它会发现需要什么，规划工作，执行任务，验证质量，并在出错时继续迭代。 适合： → 聚焦的任务 → 简单的目标 → 有限的范围 一个大脑。一个循环。自我改进。 ━━━ 集群循环 更大的版本，是一组智能体一起循环。 你给一个编排智能体设定目标。 它把目标拆成多个部分。 再把每个部分交给一个专家智能体。 这些专家智能体还可以把更小的任务交给自己的子智能体。 整棵树都会持续经过发现、规划、执行和验证，直到目标达成。 你可以把它想象成一个完整团队端到端推进一个项目。 结构大致是： → 编排智能体负责目标 → 专家智能体负责步骤 → 子智能体处理窄范围工作 → 评测闸门确保结果不是粗糙产物 例子：“构建一个效率应用” 编排智能体（负责整体任务） ↓ ↓ ↓ 调研专家 工程专家 质量保障专家 ↓ ↓ ↓ 网页调研员 代码编写员 + 调试员 测试编写员 + 问题追踪员 树里的每个智能体都运行同样的 5 阶段循环。 发现 → 规划 → 执行 → 验证 → 迭代。 关键在于： 单智能体循环，像是一个人反复修改自己的草稿。 集群循环，像是一整支团队端到端推进项目。 第四部分：开放式循环与封闭式循环 这是 2026 年最重要的实践区分： 并不是所有循环都一样。 循环有两类。 开放式循环 探索性强，活动空间大。 你给智能体一个目标，然后让它自由探索。 它可以尝试不同路径，发现新东西，构建出你没有完全定义好的结果。 这是最让人兴奋的一端。Peter Steinberger 和其他人在 OpenAI 做的，就是这类事情。 问题是什么？ 它会疯狂消耗 token。 对于那 90% 没有无限 API 预算的人来说，开放式循环目前还不现实。 如果把它指向标准松散的项目，它很快就会变成粗糙产物制造机。 快。乱。贵。 封闭式循环 有边界。人先设计好端到端路径。 → 清晰目标 → 明确定义的步骤 → 每一步都有评测 → 有停止点，或有把任务交还给你的节点 智能体仍然在循环，但它是在你搭好的框架里循环。 每一轮都会因为上一轮反馈而变得更好。 它可以在普通预算内运行，因为路径足够收紧。 标准会让它保持诚实。 没有质量闸门：AI 会漂移。 有质量闸门：AI 会改进。 对当下大多数真实工作来说，封闭式循环才是能产生回报的选择。 应该用哪一种？ 从封闭式循环开始。 先构建一个可靠运转的紧凑系统。 等质量闸门搭好后，再逐步开放。 第五部分：每个好循环都有的 6 个构件 每个站得住的循环，都有这 6 个东西： 现在进入实践部分。 概念上，一个循环有 5 个阶段。 但你实际要构建什么，才能让它跑起来？ 6 个东西。Claude Code 和 Codex 现在都已经内置了这些能力。 下面逐一说明它们是什么，以及它们在循环里真正承担什么作用。 1. 自动化 它负责触发“发现”阶段，并让循环开始动起来。 这是循环的心跳。 自动化让循环成为真正的循环，而不是你只运行过一次的单次任务。 你定义提示词、节奏和目标。 循环按计划运行。发现结果会回到你这里。你不再是那个到处检查的人。 → /loop 按节奏重新运行 → /goal 会持续推进，直到你写下的条件真正为真 给它一个目标：“test/auth 里的所有测试通过，并且 lint 干净。” 然后离开。 2. 工作树 它让多个“执行”阶段可以并行运行，而且不会互相破坏。 并行智能体，但没有混乱。 一旦你运行不止一个智能体，文件就会开始互相冲突。