前言

这两天AI圈有个词特别火，叫做Loop。

起因是OpenClaw创始人Peter Steinberger发了条推，说“你不应该再给编程Agent写提示词了。你应该设计循环来提示你的Agent。”

这条推直接引爆了全网，浏览量已经超过800万。怎么说呢，

你是否曾为写Prompt却总是得不到满意答案而抓狂？是否在项目中频繁出现“AI只会一次性回答，后续工作还得手动干预”的尴尬？

很多人第一次接触这个概念时会冒出一连串疑问：

• Loop不就是编程里的循环吗？为啥突然就火了，
• 关系？

今天就专门跟大家聊聊这个话题，希望对你会有所帮助。

更多项目实战在我的技术网站：

Loop直译就是“循环”。在传统编程里循环做的事情很明确：写一个for遍历数组，机器就会老老实实从第一个元素走到最终一个元素。

传统循环的本质，是让机器重复执行明确的指令序列。怎么说呢，

但在AI Agent的语境里Loop的含义完全不同——它不是执行“指令”。而是执行目标。

通过反复循环，把输出的结果不断接近目标。当结果符合目标时循环才终止。

A simple example: 让Agent修复代码 bug。它不是按照一条固定方法走。而是会观察当前状态、判断接下来行动、执行后再评估是否达标，接下来决定接下来怎么走。每一步都不是预先写死的，

This process is exactly what : alternating reasoning and acting until task finishes.

• 推理：L​LM分析当前状态，决定接下来做什么。
• 行动： S​执行选定操作。
• 观察： S​获取行动结果作为新状态。
• 循环： S​重复上述步骤直到满足停止条件。

You’ll notice that every time a CLI command returns a non‑zero status code,Agent reads error,tries to fix it,and reruns test—this is Loop in action.

二、Agent Loop的完整运行流程

一条消息的完整旅行路线

A message entering an Agent system typically follows this pipeline:

1. 接收与解析：C​onvert raw input into structured request.
2. 上下文组装：S​upply relevant project/code/context.
3. L​LM decides next action.
4. E​xecute chosen tool .
5. D​eliver incremental feedback to user.
6. P​ersist observations & memory for next iteration.
"

This is authoritative execution path of an intelligent agent.

两种不同的 Loop

• A single agent iterates inside its own ReAct cycle until it reaches its goal.
• Multiple specialized agents share a workspace。each advancing its own sub‑task while cooperating through shared context.

多Agent协作的主要组件

• 频道 :工作空间划分；独立任务板、上下文和成员列表互相隔离。
• 线程 :频道内针对单条消息发起子讨论，保持主频道整洁。
• 任务板 :Todo → In Progress → In Review → Done 全流程追踪；Agent 可自动认领并提交任务。

三、从 Prompt 到 Loop：AI 工程化四层级

• Prompt Engineering ：怎么问?说起来，: 构造角色、示例和输出格式，让 LLM 准确理解需求。
• Context Engineering ：给它看什么?不过，: 项目背景、代码结构、历史决策等信息平衡投放。
• Loop Engineering ：怎么让它持续往前?: 设计自检、自纠、自迭代闭环。
• Harness Engineering ：在哪里安全运行?: 沙箱、安全权限、日志与人工介入机制。按理说，

Prompt Engineering：怎么问

The earliest focus was “如何写 Prompt”。这一步只解决 “AI 能听懂”。但面对复杂业务时仅靠 Prompt 已力不从心。

Context Engineering：给它看什么

If you feed too little info,AI lacks judgment;too much and it gets lost. 找到合适的信息切片，是提高成功率的关键痛点。

Loop Engineering：怎么让它持续往前

• 如何继续进行任务？/ li>
• 执行结果怎么检查？/ li>
• 任务失败后怎么修正？/ li>
• 修正经验能否沉淀？/ li>
• 何时交由人工介入？/ li>

 p
Harness 提供工具调用能力、权限控制和可观测日志。没有它，再聪明的 Agent 也落地不了。按理说，

Now produce final answer.

这两天 AI 圈有个词特别火。叫做Loop 🚀🚀🚀️ 起因是 OpenClaw 创始人 Peter Steinberger 发了条推，说

“你不应该再给编程 Agent 写提示词了你应该设计循环来提示你的 Agent”。怎么说呢，

这条推直接引爆全网浏览量已超800 万+ 🔥🔥🔥️ 很多人第一次接触这个概念时都会冒出一连串疑问 🧐 "Loop 不就是编程里的循环吗?为啥突然就火了，" 关系?" 主要想说明方便你了解 Loop 的概念与实现细节，而且提供实战案例以便快速落地。更多项目实战请戳我的技术站点: https://susan.net.cn/project

-->

⚠ 我们先把概念拆开来看！① 循环 —> 在传统编程里指代固定顺序、多次重复一样指令。② 在 AI Agent 场景里“loop” 指代的是 **迭代** 与 **目标逼近** 的过程。 如果要让智能体完成「修复 Bug」这一目标，它不会走唯一固定方法。而是会实时监控错误信息，根据反馈自行决定接下来该做什么接下来继续尝试直至成功。按理说，

---

下面用表格形式展示 **传统循环 vs. Agent loop** 的区别。不过，| 对比维度 | 传统循环 | Agent loop | | ------- | -------- | ---------- | | 主要任务 | 执行明确指令 | 完成模糊/开放式目标 | | 执行方式 | 固定逻辑，多次重复相同操作 | 自适应调节。每一步都有可能变化 | | 可处理情况 | 限于预设分支，可预测行为| 能应对未知情况，自主摸索 | | 错误处理方式| 按预设逻辑报错| 从错误中学习，根据反馈改进 | | 使用场景| 确定性任务 | 开放性、不确定性任务 |

六 、 一个完整 loop 长什么样?

. . . . . . . . . . . . • • • • • •• …，…，…，… ‣ ‧ ‧ ‧ ‧ • ☆      ☆

"如果我们仍然停留在 “一次性 prompt” 那么我们永远只能得到一次性的回答，而无法让 AI 持续推动整个项目进展！" "Design your system as a loop – let agent iterate until success!"