人工智能领域向来不缺新概念，最近“循环工程”（Loop Engineering）成为行业热议的焦点。从提示词工程到Harness工程，再到如今的循环工程，AI协作的范式似乎在快速迭代。有人认为这是技术进步的必然，也有人质疑这不过是新瓶装旧酒的营销手段。无论如何，循环工程正以独特的方式重塑人与AI的协作模式。
提示词工程曾是AI应用的核心技能——模型的输出质量高度依赖用户输入的提示词。随后，Harness工程兴起，强调通过框架约束模型行为，确保输出稳定性。如今，循环工程进一步将协作模式推向自动化：通过设计反馈回路，让AI能够自主完成多轮任务，减少人工干预。这种转变并非突然出现，而是技术演进的自然结果——当模型能够持续运行数小时甚至数天时，协作单位从单次对话扩展为完整回路便成为可能。
循环工程的核心在于构建自动化反馈系统。以代码开发为例，传统模式下，AI生成代码后需要人工测试、报错、修改，循环往复。循环工程则将这些步骤规则化：AI自动运行测试、分析错误、调整代码，直至通过验证。这一过程中，人类角色从执行者转变为监督者，仅在关键节点介入决策。类似逻辑也适用于内容创作、客户服务等领域——AI完成初稿筛选、数据整理等重复性工作，人类专注创意优化和策略制定。
支持者认为，循环工程代表了AI应用的新阶段。Codex负责人Tibo在社交媒体转发相关讨论时提问：“是否该用嵌套循环替代提示词？”Claude Code产品负责人Boris Cherny更直言：“与循环对话，而非与Agent对话。”这种观点背后，是技术对协作效率的极致追求。当AI能够自主处理多轮任务时，人类从“提示词工匠”升级为“回路设计师”，工作重心转向系统架构而非细节执行。
然而，循环工程的落地并非一帆风顺。首先，成本问题不容忽视——循环需要反复读取上下文、尝试多种方案，消耗大量计算资源。对于普通用户而言，循环运行两天就可能触及周限额，而企业级应用则需权衡Token消耗与人力成本。其次，任务特性决定适用性：一次性任务更适合提示词优化，重复性工作才能通过循环积累经验。系统需具备自动验证能力，防止AI在无人监督时“跑偏”。
从技术实现看，循环工程依赖五大组件：定时任务触发执行周期，独立工作目录避免冲突，技能库存储项目知识，连接器获取外部信息，子Agent分工协作。状态文件则记录历史决策，确保循环持续优化。例如，某新闻机构用循环工程自动筛选选题：AI每天扫描指定信源，提取潜在话题，标注争议点和可用素材，最终生成选题卡供编辑选择。这一过程中，人类仅需审核最终结果，无需参与中间步骤。
循环工程的兴起，本质是AI能力提升与协作模式创新的结合。当模型能够自主验证、修正输出时，优化单个提示词的意义被削弱，取而代之的是设计高效反馈回路。这种转变并非否定过去，而是将技术潜力推向新高度。对于用户而言，选择提示词优化还是循环工程，取决于任务复杂度、成本预算和自动化需求。可以预见的是，随着AI持续进化，人与机器的协作边界将不断重构，而循环工程或许只是这场变革的开端。
