最近AI圈最火的概念，无疑是 Loop Engineering（循环工程）。从OpenClaw创始人的爆火推文，到Claude Code、Google技术大佬接连发声，行业共识已然形成：单纯写提示词的Prompt Engineering正在过时，未来AI工作的核心，是设计能自主运转的循环体系。
我在验证了原文中的核心观点后，结合最新的技术资料，重新梳理了这份实操指南。以下是经过fact-check的完整内容。
传统模式：你写提示词 → AI执行 → 人工检查 → 人工下达新指令...全程由人充当"循环发动机"。
Loop Engineering模式：你设计规则与目标，让系统自动驱动Agent循环执行、自检、迭代。
简单说，你不再"喂提示词给AI"，而是搭建一套"自动喂提示词、自动校验结果"的闭环系统。
它不是替代Prompt、Context、Harness工程，而是在三者之上搭建自动化外壳：
根据Google的Addy Osmani在2026年6月的技术阐述，标准Loop有五大基础组件：
决定Loop何时启动、多久执行一次。主流分3类：
| 触发方式 | 说明 | 示例 |
|---|---|---|
| ⏰ 定时触发 | 固定周期执行 | 每5分钟巡检PR、每小时跑测试 |
| 📡 事件触发 | 满足条件自动启动 | GitHub新PR、CI构建失败 |
| 🔄 生命周期触发 | 一轮完成后自动启动下一轮 | 自检迭代 |
主流工具适配：Claude Code、OpenAI Codex自带 /loop 命令，支持s/m/h/d定时，可对接Cron、GitHub Actions实现离线常驻运行。
当多个Agent并行工作时，最容易出现文件互相覆盖、代码冲突。
解决方案：利用Git Worktree功能，为每一个子Agent分配独立工作空间。多个Agent在各自目录完成修改，全部结束后再统一合并到主仓库。
编写Loop时，只要是多任务并行场景，必须优先配置工作树隔离。
AI有天生短板：新建对话就会遗忘项目规范。需要搭建可复用的知识沉淀体系：
CLAUDE.md 存放项目编码规范、权限约束孤立的Agent只能读写本地文件。连接器让Loop对接日常工具：
GitHub（PR/Issue管理）→ Slack（消息通知）→ 数据库（数据查询）→ Linear（任务看板）→ CI/CD流水线
典型案例：Loop检测到CI报错 → 自动修复代码 → 提交PR → 同步状态到Slack通知团队，全程无人干预。
铁律：执行任务的Agent，绝对不能自我验收。
标准Loop必须拆分：
一轮流程：执行Agent完成工作 → 校验Agent逐项核对 → 达标则终止，不达标则反馈问题，启动下一轮迭代。
目前绝大多数开发者使用Claude Code搭建Loop。根据Claude Code官方文档（2026年5月更新）：
/loop [时间间隔] [具体任务描述]
时间单位（区分大小写）：
s：秒（30s=每30秒）m：分钟（5m=每5分钟）h：小时（1h=每1小时）d：天（1d=每天）# 每5分钟检查GitHub新增PR
/loop 5m 巡检GitHub所有PR，CI报错自动修复，新评论分配子Agent处理
# 每小时执行全量单元测试
/loop 1h 执行npm test，自动分析并修复失败测试用例
# 每30分钟做代码格式审查
/loop 30m 运行npm run lint，修正所有格式错误
# 每日凌晨2点全项目代码巡检
/loop 2d 凌晨2点对整个项目做代码审查，输出BUG清单与优化建议
| 命令 | 作用 |
|---|---|
/loop --list |
查看所有运行中的循环 |
/loop --stop [序号/名称] |
终止指定循环 |
/loop --clear |
清空全部循环任务 |
/goal 实现"达标即停止"/loop 是无限定时循环，/goal 是条件终止循环，二者搭配是最强组合。
语法：
/goal [可机器验证的验收标准]
❌ 错误目标（模糊，AI无法判断终止节点）：
/goal 优化项目代码，提升代码质量
✅ 正确目标（量化、可机器校验）：
/goal test/auth目录所有测试通过，tsc --noEmit零报错，npm run lint零违规
Claude Code v2.1.139（2026年5月11日发布）正式加入了
/goal原生循环功能——一个跨轮次运行的本地循环，每次执行后用独立的快速模型评估你的条件是否达成。这就是执行与校验分离的最佳实践。
定时巡检GitHub所有PR，自动修复CI报错、处理评论，并行任务互不干扰。
在项目根目录新建 CLAUDE.md：
1. 仅修复CI报错，禁止修改核心业务代码（支付、登录模块）
2. 不稳定测试用例添加@flaky标记，严禁直接删除测试用例
3. 所有修改完成后，必须完整执行测试套件
新建状态记录文件 pr-loop-state.md：
# PR运维循环-状态记录
## 待处理PR
## 已完成PR
## 异常问题记录
/worktree auto 并行处理PR任务，每个任务独立目录，互不覆盖
/connector 连接GitHub仓库与团队Slack，PR异常自动推送通知
/loop 10m 巡检所有GitHub PR
1. 检测CI状态，报错则自动修复代码
2. 读取PR评论，分配子Agent响应修改需求
3. 校验Agent全量验收，达标则更新pr-loop-state.md
4. 严重异常推送Slack提醒人工介入
指令执行完成，Loop正式启动。关闭电脑、离开工位，系统依旧定时运转，全程无需人工干预。
AI无法理解"优化代码""完善功能"这类模糊描述。 ✅ 解决办法：所有目标全部量化、可由机器自动验证。
让同一个Agent写完代码又自己检查，AI会刻意回避问题。 ✅ 解决办法：强制拆分独立校验Agent，必要时使用不同大模型交叉验收。
当校验指标变成唯一目标时，AI会钻规则空子——比如为了"测试全过"直接删除失败用例。 ✅ 解决办法：定义目标时同步写明禁止行为，搭配Harness约束划定红线。
长期运行的Loop，AI每次重启都会遗忘项目信息。 ✅ 解决办法：固定Skill、状态文档、全局规则，让知识持续沉淀。
flowchart LR
A[梳理需求] --> B[定义目标]
B --> C[搭建骨架]
C --> D[编写指令]
D --> E[测试运行]
E --> F[正式上线]
/loop + 时间间隔 配置循环，复杂场景搭配 /goalAI行业已经从**"手动写提示词"迈入"设计自动循环"**的新时代。学会编写Loop，不是掌握一个新命令，而是掌握一套AI自动化工作的管理思维。把重复、机械、巡检类工作全部交给Loop，你只需要聚焦核心决策与目标设计，真正释放AI的生产力。
#AI #LoopEngineering #AI编程 #Agent #提示词工程 #ClaudeCode #自动化