本來以爲一覺醒來，會看到 Fable 5 正式退出訂閱套餐，GPT-5.6 接檔發佈，趁勢搶走 Claude 的流量。劇本都寫好了，但偏偏現實沒照着演。
就在剛剛，Fable 5 官宣延期 5 天，推遲到當地時間 12 號。Anthropic 還順帶上線了 Claude Cowork 移動端，關掉筆記本也能持續工作。
儘管 Anthropic 難得幹了回人事，真實打實延期了，卻未必人人領情。有人緊趕慢趕纔將額度清了零，如今不講武德地變卦，反倒徹底沒招了，當然，也有人沒來得及用，手裏還攥着不少。
既然額度反正要用，怎麼用纔不虧，就成了眼下最實際的問題。剛好，ClaudeDevs 最近發佈了一篇武林祕籍，主題正是當下大火的 AI 詞彙：
循環工程（Loop Engineering）。
上個月 Claude Code 的創造者 Boris Cherny 更是直接攤牌：「我早就不寫提示詞了。」他現在只寫「循環（Loop）」，扔個目標給 Claude，自己轉身去喝咖啡，讓 AI 自己跟自己死磕。
知名開源項目 OpenClaw 的作者 Peter Steinberger 也在呼籲：別再給 AI 寫提示詞了，趕緊去設計能自動生成提示詞的系統。Google Cloud 工程總監 Addy Osmani 乾脆把它稱爲 AI 時代的新一代軟件架構。
而看完這份祕籍你會發現，只要定好規矩，我們甚至就能舒舒服服當個「甩手掌櫃」了。
🔗 https://x.com/ClaudeDevs/status/2074208949205881033
以前我們怎麼用 AI 寫代碼？喊一句「加個按鈕」，它寫一段代碼，我們跑一下，報錯了再把報錯交給它……這叫提示詞工程，本質上我們還是個人肉搬運工。
循環工程要乾的事，就是把人類從這個循環裏跳脫出去，至於怎麼做？ClaudeDevs 官方給出了四種核心循環方式，自動化程度一檔比一檔高。
這是最基礎的循環形式，還是你下一條指令、AI 幹一件事，比如「添加一個點贊按鈕」。 區別在於，
你可以提前寫一份 SKILL.md 文件，把驗收標準白紙黑字定下來。
有點像給實習生髮一份入職手冊：活幹完不許直接來找我，先自己啓動本地測試服務器，去瀏覽器裏真點一下那個按鈕，確認它有反應，截圖爲證；再檢查控制檯一個報錯都不能有，最後跑一遍 Lighthouse 性能測試（可以理解爲給網頁做個體檢）。
放到寫作或辦公場景裏，也可以用同樣的思路：讓 AI 每次改完稿後，順帶檢查標題是否吸引人、事實是否有出處、段落是否連貫、PPT 是否一頁只講一個重點。
目標制循環（Goal-based）：只認結果，不管過程
複雜任務往往不是一輪對話能搞定的。這時候可以用 /goal 命令，給 AI 設一個機器可驗證的硬指標——比如「Lighthouse 評分達到 90 分以上」——再加一個最大重試次數。
然後 AI 就會在後臺自己試、自己測、自己改，要麼達標，要麼撞到次數上限爲止。
這一招的妙處在於，AI 不用再去猜「怎樣纔算好」這種玄學問題了。90 分就是 90 分，89 分就接着改。模糊的審美判斷，變成了確定性的數字。
定時制循環（Time-based）：把雜活變成定時鬧鐘
寫代碼之外，程序員每天還有一堆重複性雜活：代碼審查、回覆評論、修復跑崩的 CI（持續集成，可以理解爲代碼的自動質檢流水線）。
例如輸入 /loop 5m 檢查我的 PR，回覆別人的審查意見，並修復跑崩的 CI，系統便會每隔 5 分鐘自動執行一次巡檢，將其轉變爲一個持續運行的後臺守護進程。
編程團隊裏，這類循環可以用來盯 PR、查測試、處理報錯。放到內容和辦公場景裏，也可以用來每天定時彙總行業新聞、整理會議紀要、掃描選題線索，或者每週生成一份學習覆盤。
它的價值在於，那些過於繁瑣的事情，可以先交給 AI 處理一遍。
主動循環（Proactive）：事件驅動的自主工作流
這是自動化程度最高的形態，結合了動態工作流和自動模式（Auto mode）。
官方給的典型場景是：設定系統每小時自動檢查 Bug 反饋區，在分發、處理、回覆完所有新 Bug 之前，不許停。
更誇張的是修 Bug 環節。系統可以同時開 3 個相互隔離的工作區（worktrees），讓 3 個 AI 各寫一套解決方案，再拉來一個專門的「裁判 AI」做對抗性審查，最後擇優合併。
一個 Bug，三個方案，賽馬機制。以前這是大廠才玩得起的奢侈，現在是幾行配置的事。
當然，機器轉得越快，翻車也越快。不加約束的自動化循環，很容易把代碼質量寫崩、把 API 賬單燒穿。ClaudeDevs 給了幾條保命建議：
大模型在評估自己生成的代碼時往往會表現出盲目的自信（即「幻覺成功」）。爲了保證質量，系統設計中應使用 /code-review 技能，引入一個具有全新上下文環境的獨立 AI 專門負責代碼審查，確保檢查的客觀性。
爲了有效管理 Token 消耗，不應讓 AI 每次都從頭推導固定的邏輯。例如填寫 PDF 表單等流程明確的任務，最好讓 AI 編寫並運行一個固定的執行腳本，這比每次都調用大模型推理要經濟高效得多。
動態工作流一旦啓動，可能會衍生出大量的子 Agent。官方建議在全面推開前，先選取一小塊任務進行試運行，並定期使用 /usage 命令檢查 Token 餘額和子 Agent 的花費情況，設定明確的預算上限。
真正能進入生產環境的循環系統，遠比一個 while(true) 複雜。
Addy Osmani 在解釋循環工程時提到，一套可用的循環至少離不開幾類基礎組件：自動化機制、Worktrees、Skills、插件和連接器，以及子 Agent。
自動化負責讓任務反覆發生。可以是定時任務，也可以是 hooks 或事件觸發，比如每 30 分鐘掃描一次依賴漏洞，或者監聽 GitHub 合併事件後自動開啓檢查。
Worktrees 負責給多個 Agent 提供彼此隔離的工作區。當十幾個 Agent 同時處理同一個代碼庫時，隔離環境能避免它們相互污染進度，也能降低合併衝突帶來的混亂。
SKILL.md 這類文件，本質上是一本持續更新的「踩坑手冊」：這個倉庫不能用 npm，那個測試必須等服務完全啓動，某類改動必須截圖驗證。人類老員工的經驗，就這樣變成了 AI 新員工的肌肉記憶。
通過 MCP 這類連接方式，Agent 可以讀取工單、查詢數據庫、調用 CI、向 Slack 發佈狀態。只在本地文件夾裏打轉，AI 更像一個代碼助手；接入真實工具後，它纔開始像一個執行角色。
子 Agent 解決的是制衡問題。寫代碼的模型給自己打分，通常會太客氣。更可靠的方式，是讓一個智能體負責實現，另一個智能體負責審查。多花一些 Token，換來一次獨立判斷。
從更大的視角看，循環也有層級。Andrew Ng 曾把現代軟件開發拆成左環、中環和右環：左環交給 Agent 快速寫代碼、運行測試；中環由工程師審架構、調方向；右環來自真實用戶、線上數據和商業反饋。
上下滑動查看更多內容，🔗 https://x.com/AndrewYNg/status/2071988145667928442
越靠近左環，越適合自動化；越靠近右環，越需要人的判斷。
LangChain 等工具鏈也在往這個方向演進。底層是 Agent 執行任務，再往上是驗證循環、事件驅動循環，甚至還有分析歷史執行記錄、自動改寫提示詞和評分規則的改進循環。
所以，循環工程聽起來像是讓 AI 自己幹活，放到系統設計裏，其實更像是在搭一條 AI 生產線。機器負責高頻執行，人類負責規定節奏、邊界和驗收標準。
這條 AI 生產線到底有多香？
Anthropic 自己先喫了螃蟹。
他們已經把 Claude Code 接入到 Pull Request 處理流程中。系統會在夜間安排大量 Agent 執行長時間任務，包括跟進審查意見、清理廢棄代碼、處理重複性維護工作等。
相關數據顯示，
引入這類流程後，Anthropic 內部人均代碼交付量提升了約 70%。
效率提升固然明顯，但自動化程度越深，隱藏成本也越難忽視。循環工程真正危險的地方，不只在於 AI 寫錯一段代碼，更在於它能在無人看管的情況下，持續不斷地寫出大量看似正確的代碼。
最先浮出水面的，是技術「理解負債」。AI 能快速產出通過測試的代碼，但團隊未必真正理解其邏輯，一旦出問題就難以排查。同時，高速循環下的自動修補也會讓架構逐漸變形，代碼表面更「健壯」，底層卻更混亂。
成本失控也是一大難題。多個 Agent 同時運行，每個子 Agent 又要調用模型和工具，很容易把個人 Token 額度燒穿，也很容易讓企業賬單突然變得難看。
Steinberger 曾自嘲自己是有「無限 Token」的人。但對於普通開發者和普通公司來說，循環頻率不能只按野心設置，也要看預算。尤其是長週期循環和大量子 Agent 會讓 Token 成本迅速膨脹。
更棘手的是，同一模型既寫代碼又自檢，容易出現幻覺式成功；若測試本身有漏洞，問題還會被循環放大。同時，接入真實系統帶來的高權限，也會放大注入、數據泄露和誤操作的風險。
說了這麼多，眼下關於循環工程的討論，主要集中在 agentic coding，但這並不意味着循環（Loop）只屬於軟件工程師。
提示詞時代，人類還在親自分派每一步動作；循環時代，人類開始設計崗位、流程和驗收標準。AI 不再只是回答問題，它被安排進了一套持續運轉的組織結構裏。
ChatPRD 創始人 Claire Vo 給過一個更好的理解角度，把自己想象成一個管理者。
你設計的不是一句提示詞，而是一個崗位。這個崗位可以是軟件工程師，也可以是客服、產品助理、運營助理，甚至是一個每天自動整理信息、跟進事項、處理反饋的執行角色。這也是循環工程突然變得重要的原因。
從表面上看，大家從重複勞動中解脫了，但這反而對我們提出了更高的要求：只會下達簡單指令的人可能會被慢慢取代，
而那些懂得如何設計目標、管理權限、理解大局的人，會變得越來越不可或缺。
說到底，AI 搶走的不是你的工作，是你「執行」的那部分工作。剩下所謂判斷的部分，纔是接下來最值錢的東西。