Loop：AI Agent 时代的“自动化心跳”与工程化实践

在 AI Agent 的讨论语境中，“Loop”（循环）正从一个简单的编程概念，演变为定义人机协作新范式的核心隐喻。如果说早期的 AI 对话是“一问一答”的乒乓球赛，那么 Loop 就是让 AI 学会“自主呼吸”的起搏器。它不再等待人类的每一次指令敲击，而是将提示词文件作为燃料，在满足特定条件前持续运转、自我评估、调用工具并迭代结果。这种从“手工投喂”到“自动执行”的转变，标志着我们正式进入了以“上下文工程”和“鞍具工程”为核心的 Agent 生产力时代。

什么是 Loop：从脚本到智能体的进化

从最底层的实现看，Loop 可以简化为一行 Bash 代码：while :; do cat PROMPT.md | claude ; done。但在 Claude Code 等现代 Agent 框架中，它已被封装为更优雅的系统级能力。官方定义将其描述为“Agent 重复执行工作循环，直到满足停止条件”。

这意味着，当你下达一个模糊指令如“修复这个 Bug”时，Agent 并非一次性输出答案，而是进入一个动态的思考-行动闭环：运行测试发现失败 → 读取相关代码 → 修改并重新测试 → 验证通过 → 确认无后续工具调用 → 交付结果。这个过程的轮次由任务复杂度决定，而非预设固定值。你甚至可以为其设置资源边界，例如“最多执行 30 轮”或“预算上限 5 美元”，让自动化在可控范围内奔跑。

四种 Loop 模式：定义人与 AI 的协作边界

“设计 Loop”的本质，是重新分配循环中原本属于人类的认知与执行负荷。根据 AI 承担职责的深度，当前主要存在四种模式：

1. 回合式 Loop（Human-in-the-Loop）
   这是最基础的形态，人类充当“人肉编译器”和验收员。AI 完成一轮操作后暂停，等待人类确认。要升级此模式，关键在于将“验收标准”代码化。例如，编写一个 SKILL.md，要求 AI 在交付前自行启动本地服务器、点击控件截图、检查控制台报错并运行性能审计。只有当这些量化检查全部通过，才算完成任务。这能将人类从重复验证中解放出来。

2. 目标式 Loop（/goal）
   此模式以“达成确定性标准”为唯一停止信号。AI 会持续尝试，直到目标实现或触及安全阈值。例如：“将首页 Lighthouse 性能评分提升至 90 分以上，最多尝试 5 次”。这里的评估标准必须是客观、可量化的，避免使用“看起来不错”等主观描述。每次 AI 试图结束时，都会有一个独立的评估机制进行校验，不达标则强制返工。

3. 定时式 Loop（/loop & /schedule）
   适用于监控与响应型任务。本地 /loop 可按固定间隔（如每 5 分钟）检查 PR 评论、CI 状态或外部系统事件，并在任务完成后自动退出。若需云端长期运行，则使用 /schedule 创建例行任务。这类 Loop 将 AI 变成了永不疲倦的值班员，主动感知环境变化并作出反应。

4. 主动式 Loop（Human-out-of-the-Loop）
   这是 Loop 的终极形态，人类完全退出执行循环，仅负责设计规则。结合 Auto Mode、Dynamic Workflows 等高级功能，可构建长期自治系统。例如，每小时自动扫描反馈频道中的 Bug 报告，对每个问题执行分诊、并行探索三种修复方案、由裁判 Agent 对抗性评审，直至所有问题被处理并回复。正如 Claude Code 作者 Boris Cherny 所言：“我的工作是写循环，而不是提示 Claude。” 在这种模式下，提示词本身成为了被循环调度的对象。

质量保障：在循环中植入“说不”的机制

Loop 的产出质量不取决于模型的智力上限，而取决于围绕它的系统工程。缺乏约束的 Loop 只会导致 AI 陷入自我复读的幻觉。四个关键支柱不可或缺：

• 干净的代码库：AI 会模仿现有代码的模式与惯例。混乱的代码库会直接污染生成结果。
• 自验证手段：将团队对“好”的定义编码为 Skill 或测试用例，让 AI 拥有自我纠错的能力。
• 可访问的文档：确保框架与库的最新最佳实践能被 AI 实时检索，避免其依赖过时知识。
• 独立 Code Review：引入第二个 Agent 作为审查者，用新鲜上下文对抗主 Agent 的认知偏差。内置 /code-review 或 GitHub Code Review 都是有效工具。

核心原则是：循环中必须存在能客观判定“错误”的锚点——测试、类型检查、真实报错等。没有这些，Loop 就只是昂贵的自言自语。此外，每次修复都应反哺系统，让后续迭代受益。

成本控制：避免“赛博福寿膏”的反噬

Loop 具有成瘾性，但上下文累积会导致 Token 消耗呈指数级增长。官方建议六条省钱策略：

• 精准选型：简单任务无需多 Agent 或复杂 Loop，选用更快更便宜的模型。
• 明确终点：越具体的成功标准，AI 到达终点越快。模糊目标会导致无效空转。
• 小范围试水：Dynamic Workflows 可拉起数百个 Agent，务必先在小样本上验证用量。
• 脚本化确定流程：将 PDF 填表等确定性操作写成脚本，避免每次重新推理。
• 合理设置频率：监控间隔应匹配目标系统的实际变化速率，避免无效轮询。
• 精细化监控：利用 /usage 按 Skill、子 Agent、MCP 维度拆解消耗，及时发现异常。

启程：从瓶颈处开始你的第一个 Loop

不要试图一步到位构建全自动系统。选择一个你自身成为瓶颈的任务，自问三个问题：这项工作的验收标准能否量化？过程中是否有可被脚本化的确定步骤？我是否愿意将部分决策权交给 AI？

选定一种 Loop 模式，大胆交付，然后退后观察。记录 AI 的规划路径、失败点与成功模式，将这些洞察编码回你的 Skill 与文档中。很快，你就会发现，自己不再是那个反复敲击键盘的执行者，而是设计并优化“自动化心跳”的工程师。

Loop 不是魔法，它是工程纪律在 AI 时代的延伸。唯有将人类的判断力转化为可执行的系统约束，这场“赛博福寿膏”的体验，才能真正转化为可持续的生产力飞跃。