2026 年 6 月 7 日，一个叫 Peter Steinberger 的人在网上发了一句话，然后整个 AI 编程圈炸锅了。

他说的是这个：

“你不应该再去提示编程 Agent 了。你应该去设计那个提示 Agent 的循环系统。”

几天前，Anthropic Claude Code 的创始人 Boris Cherny 在一场活动上刚好也说了同一个意思：

“我已经不再直接提示 Claude 了。我有循环在跑，是循环在提示 Claude，是循环在决定下一步做什么。我的工作，是写循环。”

这两句话加在一起，在网上转了几百万次。但有意思的是，转发的人大多数都看不太懂——循环到底是什么？

我花了一些时间认真研究了这件事，写下这篇文章，试图把这个概念从头说清楚。

︱先说说你现在在做什么

如果你用过 Claude Code、Codex、 Cursor 或者任何一个 AI 编程工具，你大概有过这种体验：

你写一段提示词，它给你代码，你看了觉得差不多，再写一段提示词让它继续，它再给你一段，你看看有没有问题，再写……

这个过程里，你就是那个坐在循环里的人。你在手动驱动每一步，你是系统的节拍器。

这很正常。过去两年，大家都是这么用 AI 的。但 Boris 说的那句话意味着，他已经不这样做了。

他把自己抽出来了，放到了循环的外面。

︱进化的三个台阶

回头看这几年 AI 编程工具的发展，其实是有轨迹的：

2023 年：自动补全。 你敲代码，AI 帮你补下一行，你是主笔，它是助手。

2024 年：提示写代码。 你描述需求，它写出来，你来审查。这个阶段诞生了"提示工程"这个说法，大家开始研究怎么把提示词写得更好。

2025 年：并行 Agent。 你同时开 5 个、10 个 Claude 会话，每个处理不同任务，你在中间做协调，像个项目经理。

2026 年：循环工程。 你不再是那个坐在里面提示的人，你去写那个自动提示的系统。

每一步，你和 AI 之间的关系都在变。你离一线操作越来越远，你的工作越来越像"建系统"而不是"干活"。

有人可能觉得这有点夸张。但 Boris 有个数字放在那里：他在 Claude Code 合并的 259 个 Pull Request 里，100% 的代码是由 Claude Code 自己写的。这不是吹牛，这是有 git 记录的事情。

︱那么，一个循环到底由什么组成

拆开来看，一个能跑起来的循环需要六样东西。

1.自动化——循环的心跳

循环必须能自己启动，而不是等你来按开始键。

这意味着你需要一个触发器：每天早上九点，或者每当有新的 Issue 被标记，或者每次 CI 跑失败了，系统自己醒来，发现有活要干，然后开始干。

这个触发机制就是循环的心跳。没有它，循环不是循环，只是一次性的脚本。

Claude Code 有 /loop 命令可以把一个任务变成 cron 定时任务。Codex 有专门的 Automations 标签页，让你配置触发周期。两个工具用不同的名字实现了同一件事：把"发现工作、启动任务"这件事从你手里接过去

2.工作树——让 Agent 并行不打架

一旦你同时跑多个 Agent，马上就会遇到一个问题：它们会互相覆盖文件。

这不是理论上的风险，这是真实发生的事情。两个 Agent 同时修改同一个文件，就跟两个工程师不打招呼提交同一行代码一样，最后谁的都不对。

解决方案是给每个 Agent 一个独立的工作目录。Git 里有个叫 worktree 的功能，可以从同一个仓库检出多个独立的工作副本，互不干扰。Agent A 在自己的目录里改，Agent B 在自己的目录里改，改完了再合进主干。

留下孤立的、没清理的工作树是实际生产中混乱的最主要来源，这个细节值得重视。

3.技能——让 Agent 不用每次从零学起

每次启动一个新会话，Agent 对你的项目一无所知。你的代码规范是什么？构建命令是什么？提交信息要遵循什么格式？PR 模板长什么样？

如果这些东西不写下来，Agent 每次都要重新猜，或者你每次都要在提示词里重复解释一遍。

Skills（技能）就是把这些项目知识结构化地存起来，让 Agent 在需要的时候按名字调用，而不是把一堵无人维护的说明文字堆在每次的提示词开头。

Claude Code 里对应的是 CLAUDE.md 文件。Boris 自己说他们团队的 CLAUDE.md 大概有 2500 个 Token，里面记录了常见错误、风格规范、设计决策，每次有新东西学到，就往里面加。这个文件本身也在进化。

4.连接器——接入真实世界

一个只能读写代码文件的 Agent，能干的事情有限。真正有用的循环需要能跟你的工具链通信：给 Jira 里的 Issue 改状态，在 Slack 里发一条通知，查数据库里的某个数据，往 GitHub 开一个 PR。

MCP（Model Context Protocol）就是做这件事的。它给 Agent 提供标准化的接口，让它可以调用外部工具，而不是只在文件系统里打转。

这是循环能够真正融入工作流、而不只是跑在旁边的关键。

5.子智能体——制作者与检查者必须分开

这是循环设计里最容易被忽视、也最重要的一个原则。

让 Agent 给自己的输出打分，几乎是无效的。模型对自己的结果天然宽容，它很难发现自己制造的 Bug，就像人很难发现自己文章里的错别字一样——看太多遍了，眼睛就瞎了。

正确的做法是让一个独立的 Agent 来做检查，理想情况下用不同的模型，基于独立的信号打分。制作者负责生产，检查者负责验收，两个角色，两套标准，互不干扰。

检查者发现的问题，作为下一条指令反馈给制作者。这个循环一直转，直到检查者也挑不出毛病为止。

6.记忆——状态要在磁盘上，不能在上下文里

这是最容易被低估的一块，也是让循环能跨天工作的根本。

模型在两次会话之间什么都不记得。你昨天跑的那个循环做了什么，处理了哪些 Issue，还有哪些待处理，它一概不知。

所以这些状态必须存在对话之外。一个 Markdown 文件、一个 Linear Board、一个知识图谱，都可以。循环每次启动，先读这个文件；每次结束，把最新状态写回去。

Agent 忘，但文件不忘。这就是循环能在你睡觉的时候持续工作的原因。

︱一个真实的循环是怎么跑的

说了六个组件，把它们串在一起看一遍。

比如你想做一个每天检查 CI 失败的循环：

每天早上九点，自动化触发。循环读取 TODO.md，知道昨天哪些问题还没处理。制作者 Agent 拉取昨天的 CI 失败日志，在独立的工作树里草拟修复方案。修完了，检查者 Agent 独立跑一遍测试，验证修复有没有引入新问题。如果没问题，连接器帮你开一个 PR，顺手更新 Jira 里对应的 Issue 状态。把已处理的内容写回 TODO.md。明天同一时间，从这里继续。

整个过程，你不需要在场。你甚至不需要醒着。

︱但这件事有三个坑，得说清楚

循环工程不是没有代价的，有三个地方容易出问题。

第一，Token 成本失控。

一个没有退出条件的循环会不断空转。子 Agent 加上检查者加上长时间任务叠加，Token 消耗会以你想象不到的速度增长。

解决方法是在循环启动之前就把退出条件写进去，比如"所有测试通过且 lint 无报错，循环结束"。这个条件必须在开始前决定，不能在运行中临时改。先用慢的触发周期测几天，看清楚成本曲线，再考虑加速。

第二，虚假完成。

无人值守的循环会在没有真正验证的情况下报告"已完成"。这就是为什么独立检查者是必须的，而不是可选的。一个检查者本质上是在问：结果是真的好，还是只是长得像好？

第三，代码库悄悄失控。

这是最隐蔽的风险。循环合并代码的速度比你阅读的速度快得多。几周下来，即使所有检查都显示绿灯，你对自己的代码库里到底有什么可能已经失去了感知。

测试全绿只能说明代码通过了测试，不代表你清楚上线了什么。

让循环保持诚实的方式，不是相信检查通过，而是阅读它合并的内容。这件事不能完全委托出去。

︱这对我们意味着什么

说完技术，聊聊人。

这一波讨论里有一句话我觉得说得很准：未来最高杠杆的工程师，不是写最多代码的人，而是最擅长设计可靠 Agent 系统的人。

这不是说写代码不重要，而是说技能的重心在移动。就像当年从手写 SQL 到用 ORM，从手写 HTML 到用框架，每次抽象层级提升，最有价值的技能也随之迁移。

现在发生的事情是：把"提示 Agent"这件事本身也抽象掉了。

如果你现在还在研究怎么把提示词写得更好，这没有错，提示词永远不会消失，一个烂提示词放进循环里只会更快地产出烂结果。但如果你只停在这一步，你可能已经不在最高杠杆的位置了。

还有一层身份变化值得注意：循环设计需要工程判断力，需要你理解系统的每个环节在做什么，需要你在某些地方主动选择不放手。这不是让人变得可有可无，而是让人的判断力变得更值钱。

最后留一个问题： 你现在的工作里，有哪些重复的、可以写成退出条件的任务？

那可能就是你第一个循环的起点。

[

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。