大家好欢迎来到灵姐说AI
最近有一组概念在硅谷非常的火
叫做Loop l o o p
Loop循环
Openclaw的创始人Peter Steinberger在
6月初发布了一条消息
他是这么说的
他说here is your monthly reminder that you
shouldn't be promoting coding agents anymore
他说提醒大家一下啊
你不应该再主动的去
提示你的coding agent了
你现在要干的事情是什么呢
you should be designing loops that prompts your agents
你应该为你的agent去设计一些循环
这个帖子发布后有830万的观看
另外Boris Cherny
他作为Claude code的
创始人和负责人之一
他是一位资深的软件工程师
他在最近的一次访谈中
他这么说
my job is writing loop
我的工作就是写Loop
另外一位来自谷歌系的工程师Addy
他是长期负责谷歌Chrome的开发者体验
现在主要聚焦于Google cloud AI和agent
开发生态的这么一个工程的领导者
他写了一篇文章叫做Loop engineering
专门阐述了Loop相关的概念
可以说Loop这个概念和思路啊
最近在硅谷非常的火
实际上啊
不谦虚的说
我们在一年前就开始用Loop的
这个思路在进行AI的应用和实践
我正式把Loop这个想法和大家分享
是在2025年的12月
在12月那条视频里面
我教大家怎么用Loop思维进行科研制图
并且在最近4月份的时候
我又给大家去专门讲了这个Loop思维
怎么在组织提效中践行Loop
做到AI first
就仅仅从这个角度来讲
我认为我的频道的很多的实践
思想应用都是走在非常前沿的
这期视频会进一步的和大家
分享Loop思维怎么运用和实践
这里的Loop实际上会涉及两层概念
一层是agent Loop
实际上这是底层的机制
还有一层叫做Loop engineering其实呢
这个就是机制化产品化和工程化
我们这期视频就会一起来结合
这些大佬的一些思想和表达
看看我们自己怎么应用
我之所以把Loop这个
思维反复的拿出来讲
第一个它确实很重要
第二个它最近在硅谷这么火
确实实际的操作的情形和整个的
技术发展又到了一个新的阶段
它最近这么火也是有原因的
它刚好跟几个趋势叠加在了一起
第一个是像Claude code
和Codex这类coding agent
它已经能够做长任务了
第二个模型调用工具的能力日渐增强
你可以看到Codex几乎是每天一更新
它能够它能够调用的插件
调用的API越来越丰富
背后的工具skill越来越多
由于agent的能力
包括整个Harness框架的成熟
这些应用到企业端
企业会慢慢的开始关心这些可重复
可测试可审计的这种agent工作流
怎么在我自己的企业里面去实践
第四个当AI的模型真的跑在
真实的企业任务中时
这时候TOKEN的成本任务的
失败率包含权限风险都会
开始成为一个真实的问题
所以让agent多跑几轮还不够
必须让它升级为可控的一个loop
这是它的一个大的背景
我们再来回过来讲这个Loop的机制
这里讲到的一个核心的概念是agent Loop
这里的agent Loop实际上
是它的底层的机制
之前我给大家讲的Loop的应用啊
可能跟目前的agent阶段不一样
但是它底层的思路
和方法整个的链路闭环是一致的
我们先有目标设定
然后基于设定的目标
规划它的任务步骤
然后进行执行
在执行这个阶段呢
就会输出结果
大部分人就会停到这一步
它不是闭环的
这个时候呢
你应该合适的方式应该
对他的这个执行的结果
包括执行的过程进行observe观察
看看里面有没有值得改进的地方
这里值得改进反思复盘
的过程不只是针对结果
而且针对过程和步骤
最后再基于要达成的目标
不断的循环往进
而agent loop要做的就是
我要设置这么一个循环的机制我经常
跟大家讲的是一种双执行的玩法
比如说让Codex去执行
让另外一个AI可以是CC或者
是让GPT来进行观察反思
这相当于给前面的执行者有
了一个评审的第三方机制
促使他去不断的迭代演进
那未来像Openai也说
他们未来会做一个超级APP
这样的具体的操作层
的方式可能会迭代
可能会演进
但是它底层的核心机制是一致的
就是你要让这个agent有
自我迭代自我演进的
要设计出这么一个Loop
为什么说这个Boris说
我现在的工作是在写Loop
而不是在写提示词写代码
那么整个的这个
工程化产品化的过程呢
其实也经历了几个演进的阶段
一开始我们讲我们用好AI
讲的很多的就是
提示词工程prompt engineering
就是我怎么向AI
提问问好这个问题
这个时候核心的杠杆是我们的表达
怎么精确地让AI去理解
提升模型对单次输入的理解力
然后再往前演进啊
这里写的是workflow engineering
很多人还听的是叫做context engineering
就是上下文工程
实际上这里的底层是一致的
这里解决的是一个
任务流的串联的问题
就是一个整的大的工作和项目背景的
这么一个问题
相当于是用一种确定性的逻辑链条
一个更加完整的上下文背景
去提升AI对项目的理解程度
去提升任务的完成率
而到了第三个阶段
前段时间也非常流行
Openclaw出来之后
这个Harness engineering
就是他解决的是运行层的问题
他需要给这个项目搭建
一个比较好的执行环境
解决工具和反馈的问题
给这个agent去提供合适的权限框架
还有可以验证的信号
现在大家认可度比较高的
CC还有Codex
在Harness engineering这一层
它都是做得比较好的
它的精准执行任务的
能力都是比较强的
现在我们讲这个agent Loop的概念
讲到了这个第四层
叫做Loop engineering
就是设计一个agent
可以自我演进的闭环
让系统替代人去提示
检查和纠偏的agent
就相当于你在工作环境里面
设计了一个比较好的激励机制
一个考核机制
这些员工
当然这里是数字员工
他就可以持续的可靠的可控
的在这个系统里面去运行
在这里呢
我也和大家一起去读
一下Addy写的这篇博客
他的Loop engineering
在这里面
他是怎么定义和理解
这个Loop engineering的
在Addy的博客里面
他把Loop拆成了5个
模块和一个记忆机制
它们刚好对应了一个长期运行的
agent系统必须解决的几个问题
而刚好Claude code与Codex都具备这些组件
只是命名不同
这个就是他博客原文的表达
作为一个谷歌的agent生态的工程师
那他把Codex和CC放在这里来表达
来讲这个Loop engineering的机制
从某种程度上面来说
也是在认可CC和Codex在通用
agent它整个机制的完备性
它包含了这五大要素
自动化工作树技能插件
还有子代理人
还有一层就是它的状态记忆层
我们一个个来看
自动化这个是它的心跳
在Codex里面就是它的心跳机制
在claudecode里面是通过Loop的定时
任务的运行符来进行运行的
Automation本质上是来解决谁来启动循环
就是让agent在特定的条件
或者固定频率下自动醒来
如果没有它
loop只是手工跑了一次
人还是要不断的提示
但是Codex的Automation或者是CC的定时任务
可以让整个的循环去定时的运行
左侧这个边栏的自动化
就是刚刚讲的自动
运行循环机制的地方
第二个板块是Worktree
是隔离仓
它解决的是多个agent
同时工作会不会打架
多个worktree它是共享Git历史
但是它的文本副本是独立的
可以让并行不变成混乱
在你的Codex里面点到设置
再点一下设置
再点到左边的这个工作数
就能够看到你对应的work tree
第三个板块是skill
这个板块其实大家这个
概念目前应该是比较熟悉了
它解决的是agent每次它
都不是从零理解项目
它会有一些固定的沉淀的工作流
有一些封装下的沉淀的能力体系
要搞清楚的是
skill本身它是经验
而Loop是让整个的经验运用起来
循环执行的系统
大家在你的对话框里面
在Codex里面
可以通过斜杠
这样子可以快速的找到
你看我这里封装的非常多的
包括个人的和系统的skill
你也可以通过对话让它给你去列举
你在Codex里面去沉淀的这些skill
可以对skill进行删除合并
各种多种操作
第四个部分是Connector
这里包含了MCP
包含了插件
包含了API的接口
很多时候我们说Codex可以剪辑
实际上Codex本身是不能够剪辑的
它通过接入外部的工具
而让自己这个通用的agent有
了非常多的泛化的能力
包括在这里
我可以通过Codex去收取和回复邮箱
也可以在这里用Codex来剪辑视频生成MV
生成音乐
这些能力本身不是Codex自有的
而是它通过接入插件
接入这些连接器
给它赋能的
把外部的agent接入进来
变成了自己的手脚
第五个模块是SUB agents
他原文是这么写的
SUB agents keep the maker away from the Tracker
就是让这个检查者和制图者
他是分开两个角色
平常我在讲这个Loop的时候
我之前讲的这两个角色
一个可能是一个Codex
另外一个是GPT或者是CC
或者是分开两个窗口
或者是分开两个非常高级别的AI
一个是Gemini
一个是GPT
都是可以的
那么在这里呢
可以通过子角色的
方式来完成这个设定
就相当于一个SUB agent
它是整个的工作的运行者执行者
另外一个SUB agent
它是一个审核者
它们的目标和角色不一样
你看他这里花了比较多
的笔墨来讲这个问题
如果说你的审核的人和
执行者不是分开循环的
有可能会过拟合或出现一些问题
他这里说啊
就是一个要负责探索
负责代码的编排
另一个代理需要负责
对现有规范进行验证
执行本身值得花TOKEN
而审查本身也值得花TOKEN
这两个地方都非常重要
很多人做任务的时候只管创建
但是对应的检查没有做
或者对应的检查者的这个角色
没有和创建者的这个角色分离
把创建者和检查者进行分离
不断地循环迭代
实现他们这个信息的互通共联
是实现这个循环的非常关键的点啊
而这五个模块之外的
就是一个非常重要的状态记忆
一个记忆机制
模型可能会忘了它曾经做过的事
但是如果你把它记在仓库里面
它就不会
所以你要定期的去写入记忆
去更新记忆
定期的复盘
定期的给这个Loop系统升级
如果说没有记忆机制
那么Loop它每一次都是新的
有了这样的记忆机制
它把所有的经验进行沉淀
所有的错误进行规避
所有的工作都是留痕的
那么这个Loop才是真正的Loop
因为它是产生复利的Loop
所以看完Addy的文章啊
实际上这里闭环起来
就是一个控制系统
定时的去启动
然后读取外部的输入
调用agent里面的skill去理解任务
并且创建一个彼此隔离的work tree
让他们不容易污染
不要互相打架
然后组的agent执行
然后有一个单独的分离的
子agent角色审查这些规范
然后再进行工具验证测试
可以通过这个dry run或者
是通过smoke test冒烟测试
然后进行验证
i接着就可以开PR去更新任务
如果有失败就记录原因
然后重试
把所有的原因过程的记录写入memory
然后再到下一轮继续
进入一个闭环
完成一个Loop
Addy讲的5个模块加一
个记忆机制的方式
其实已经很完善了
结合我自己的实操实践
我觉得以下的
四个板块也是非常重要的
第一个是这个验收标准
这个验收标准就是说这个
Loop什么时候是持续执行的
什么时候这个Loop
是应该停止下来的
需要有一个明确的标准给到它
当然这个验收标准可以写在
你一开始启动目标的时候
你在写这个goal的时候就把它写进去
第二个我觉得要重视的
就是一个权限的边界
特别是在企业中
这些企业级的loop一定要有
这个最小权限的原则
到底这些东西是能不能改
能不能删
能不能访问特定的网络
能不能自动地去支付API
啊能不能去发这个呃消息发slack
啊直接创建
直接就合并完成了
这些权限的边界一定要写清楚
当然这个权限的边界的背后
就是带来另外一个点
就是这里的human review human gate
什么时候超出这个
特定的权限边界的时候
人需要观察
而哪些情况下是需要人工去介入
这个loop需要暂停
需要人来协助拍板的
这个我认为也非常的重要
就是权限边界和这个human gate human review
是一个事情的两面
另外一个呢
就是可观察性
这个概念我在其他的
视频里面也讲解到
就是可观察性的重要性在于说
我们不仅要求结果的可观察性
还需要Loop的整个的过程
它是可观察的
整个的loop的记录
包括它的任务的拆解
执行的动作过程都是可观察的
这样它在闭环执行的时候
才是能够基于这个审核
对比的机制来不断的提升
它最后执行任务的有效性的
如果这期视频真的想让大家学到什么
我想就是把Loop的思维
运用到你每一次AI的运用
你的每一个任务中
Loop能够让AI成为你的真正的生产系统
现在真正高级的玩家
不再是写多漂亮多长的prompt
而是把你的任务设计为一个可以循环
可以迭代可以沉淀的生产机制的系统
把你瞬间的灵感变成
一个长效的工作机制
把你单次的对话转向一个
自动化复利的一个过程
如果你觉得你对Loop的理解还不够
可以把我前两期关于Loop的
解读和实战拿出来看一看
如果你是灵姐的粉丝
我希望你能真正的学会Loop思维
关于AI的实操应用
你还有什么想聊的
也欢迎在评论区留下你的想法
如果觉得视频做的还不错
欢迎给我点赞
订阅我的频道
打开你的小铃铛
我们下期再见啦拜拜