AI领域正经历一场从“提示词”到“循环”的范式转移。过去一年，从提示词工程到Harness框架，再到如今被热议的“循环工程”，技术协作方式不断迭代。这场变革的核心在于：当AI模型能够持续运行数小时甚至跨天完成任务时，人机协作的单位正从单次对话转向完整的工作闭环。
行业领袖的实践正在推动这一趋势。Codex创始人公开宣称“停止在AI代理中编写提示词，转而设计循环系统”，Claude Code产品负责人更直言“与循环对话而非代理对话”。这种转变并非空穴来风——当AI能够自主完成测试、修正、再执行的完整链条时，传统提示词驱动的模式已显得效率不足。以代码开发为例，原始循环流程包含行动、观察、修正、再行动四个环节，而循环工程通过将重复操作规则化，使系统能够自动执行这些步骤。
技术实现层面，循环工程由五个核心模块构成：定时任务作为自动化起点，独立工作目录确保分支隔离，技能库提供项目知识，连接器获取外部数据，子代理实现交叉验证。状态文件则扮演“记忆体”角色，记录已确认信息、历史错误和格式偏好，使AI能够延续工作状态。Google Cloud AI总监展示的案例中，系统通过配置定时任务，让AI代理持续运行直至完成设定目标，这种模式在代码构建、用户反馈整理等场景中已显现优势。
实际应用正突破编程边界。在客服领域，AI可自动分类客户问题、整理历史记录并生成回复草稿，将敏感投诉转交人工处理；市场研究场景中，系统能追踪特定主题的新论文和数据，每周更新分析报告；产品运营团队则利用循环工程定期整理用户反馈和竞品动态。这些场景的共同特征是：任务重复性强、流程相对固定、结果可验证，且关键决策仍需人工把控。
技术落地面临现实约束。循环系统的运行成本主要来自token消耗，反复读取上下文和多次尝试会显著增加计算资源需求。行业实践显示，无限额用户可将循环视为常规工具，而普通开发者可能因周限额被迫中断运行。任务需具备周期性特征——一次性任务更适合提示词优化，而低频任务无法支持AI通过循环积累经验。自动验证机制也至关重要，系统必须具备日志记录、环境复现和代码执行能力，否则错误循环可能导致成本失控。
成本结构正在发生微妙变化。过去任务失败时，人工需要反复追问、补充上下文；如今AI已能自主尝试和修正。当单次循环的token消耗接近人工追问成本时，优化重点便从提示词转向整个反馈回路。这种转变引发新的思考：在AI具备持续处理能力后，人类是否应继续介入每个交互环节？某些场景下，精准的提示词足以解决问题；而在复杂任务中，可记录、可终止的自动化流程或许更具价值。这场争论的实质，是重新定义人机协作的边界。
