# 影片筆記：Loop Engineering 火了：AI Agent 的杠杆，正在从 Prompt 移到 Loop

## 一句話總結

隨著 AI Coding Agent（如 Claude Code、Codex）能力的提升，開發重點正從單次的「提示詞工程（Prompt Engineering）」轉向設計自我迭代與可審計的「Loop 工程（Loop Engineering）」，透過雙執行機制、模組化架構及人工閘口，實現 Agent 的企業級可控與自動化複利。

## 核心重點

1.  **趨勢轉變**：矽谷熱門趨勢顯示，開發者應從主動提示 Coding Agent 轉向設計引導 Agent 的循環（Loop）。這是由於 Agent 具備長任務執行能力、工具調用增強，以及企業對可重複、可審計工作流的需求。
2.  **Loop 的核心機制**：
    *   強調「執行者」與「觀察/反思者」分離的雙執行玩法（Double Execution）。
    *   形成自我迭代的閉環，不僅觀察結果，更觀察過程與步驟，基於目標進行反思與改進。
3.  **Loop Engineering 架構**：
    *   引用 Google 工程師 Addy 的博客，將 Loop 拆解為五大模組：**自動化（Automation）**、**工作樹（Worktree）**、**技能（Skill）**、**連接器（Connector）**、**子代理（Sub Agents）**，以及一個**記憶機制（Memory）**。
4.  **實戰關鍵要素**：
    *   **驗收標準**：明確 Loop 何時持續執行、何時停止。
    *   **權限邊界**：遵循最小權限原則，明確修改、刪除、訪問及自動支付等權限。
    *   **人工審查閘口（Human Gate）**：超出權限邊界時需人工介入，決定 Loop 暫停或協助拍板。
    *   **可觀察性**：不僅結果可觀察，Loop 整個過程（任務拆解、執行動作）均需可觀察。

## 詳細大綱

### I. Loop 概念的興起與背景
*   **矽谷熱門趨勢**：
    *   OpenClaw 創始人 Peter Steinberger 提醒：不應再主動提示 Coding Agent，而應設計引導 Agent 的循環（Loop）。
    *   Claude Code 負責人 Boris Cherny 表示：其工作本質是「寫 Loop」。
    *   Google 工程師 Addy 發表文章闡述「Loop Engineering」。
*   **講者觀點**：
    *   講者自稱一年前已開始實踐 Loop 思維（提及 2025年12月分享科研製圖，4月分享組織提效）。
    *   認為當前技術階段適合推廣此概念。
*   **推動 Loop 火的四大趨勢**：
    1.  Coding Agent（如 Claude Code, Codex）具備處理長任務能力。
    2.  模型調用工具（插件、API）能力增強，更新頻繁。
    3.  企業端關注可重複、可測試、可審計的 Agent 工作流。
    4.  真實企業任務中，Token 成本、失敗率及權限風險成為問題，需將 Agent 升級為可控的 Loop。

### II. Agent Loop 的核心機制
*   **定義**：底層機制，涉及目標設定、任務規劃、執行、結果輸出。
*   **閉環關鍵**：
    *   不僅觀察結果，還要觀察過程與步驟。
    *   基於目標進行反思、復盤與改進。
*   **雙執行玩法（Double Execution）**：
    *   一個 Agent 負責執行（如 Codex）。
    *   另一個 Agent（如 CC 或 GPT）負責觀察與反思。
    *   引入第三方評審機制，促使執行者不斷迭代演進。
*   **演進階段**：
    1.  **提示詞工程（Prompt Engineering）**：提升模型對單次輸入的理解力。
    2.  **工作流工程（Workflow Engineering）** / 上下文工程（Context Engineering）：解決任務流串聯與大項目背景理解。
    3.  **Harness 工程（Harness Engineering）**：解決運行層問題，搭建執行環境、工具反饋、權限框架與驗證信號（CC 與 Codex 在此層表現較好）。
    4.  **Loop 工程（Loop Engineering）**：設計 Agent 自我演進的閉環，系統替代人工進行提示、檢查與糾偏。

### III. Loop Engineering 的架構解析（基於 Addy 博客）
*   **五大模組 + 記憶機制**：
    1.  **自動化（Automation）**：
        *   作用：解決「誰啟動循環」，讓 Agent 在特定條件或固定頻率下自動醒來。
        *   實現：Codex 的心跳機制；CC 的定時任務運行符。
    2.  **工作樹（Worktree）**：
        *   作用：隔離倉，解決多個 Agent 同時工作衝突問題。
        *   特性：共享 Git 歷史，但文本副本獨立，讓並行不變成混亂。
    3.  **技能（Skill）**：
        *   作用：解決 Agent 非從零理解項目，提供固定的沉澱工作流與封裝能力。
        *   區別：Skill 是經驗，Loop 是讓經驗循環執行的系統。
        *   操作：可通過斜杠命令查找、刪除、合併 Skill。
    4.  **連接器（Connector）**：
        *   作用：包含 MCP、插件、API 接口，賦予通用 Agent 泛化能力。
        *   範例：Codex 本身不能剪輯，但通過接入外部工具可實現剪輯、收發郵件、生成 MV/音樂。
    5.  **子代理（Sub Agents）**：
        *   作用：分離「檢查者」與「製圖者/執行者」角色。
        *   原則：一個負責探索與代碼編排，另一個負責驗證現有規範。
        *   重要性：避免過擬合，確保創建者與檢查者分離，實現信息互通共聯。
    6.  **狀態記憶（Memory）**：
        *   作用：解決模型遺忘問題，將經驗沉澱、錯誤規避、工作留痕。
        *   價值：產生複利，使 Loop 成為真正的循環。

### IV. 講者補充的實戰關鍵要素
*   **驗收標準（Acceptance Criteria）**：
    *   明確 Loop 何時持續執行、何時停止。
    *   應在啟動目標（Goal）時寫入。
*   **權限邊界（Permission Boundaries）**：
    *   企業級 Loop 需遵循「最小權限原則」。
    *   明確能否修改、刪除、訪問特定網絡、自動支付 API、發送消息（如 Slack）或合併代碼。
*   **人工審查閘口（Human Gate / Human Review）**：
    *   當超出特定權限邊界時，需人工觀察介入。
    *   決定 Loop 何時暫停及需要人類協助拍板的情況。
*   **可觀察性（Observability）**：
    *   不僅結果可觀察，Loop 整個過程（任務拆解、執行動作）均需可觀察。
    *   基於審核對比機制不斷提升任務有效性。

### V. 總結與呼籲
*   **Loop 思維的價值**：
    *   將 AI 轉為真正的生產系統。
    *   高級玩家不再追求長 Prompt，而是設計可循環、迭代、沉澱的生產機制。
    *   將瞬間靈感轉為長效工作機制，將單次對話轉為自動化複利過程。
*   **行動呼籲**：
    *   回顧講者前期關於 Loop 的視頻。
    *   歡迎在評論區交流，點讚訂閱。

## 工具 / 模型 / 名詞整理

*   **OpenClaw**：提及的項目/公司。
*   **Peter Steinberger**：OpenClaw 創始人。
*   **Boris Cherny**：Claude Code 負責人。
*   **Claude Code (CC)**：AI 編碼工具。
*   **Addy**：Google 工程師，發表關於 Loop Engineering 的文章。
*   **Google Chrome / Google Cloud AI**：提及的 Google 產品。
*   **Codex**：OpenAI 的編碼 Agent。
*   **OpenAI**：公司名稱。
*   **GPT**：模型系列。
*   **Gemini**：Google 的模型系列。
*   **MCP**：Model Context Protocol，連接器的一部分。
*   **Slack**：通訊工具，提及發送消息的權限。
*   **Git**：版本控制系統，提及共享歷史。
*   **PR (Pull Request)**：代碼合併請求。
*   **Dry run**：術語，指模擬運行。
*   **Smoke test**：術語，指冒煙測試。
*   **Loop Engineering**：影片核心概念，指設計 Agent 自我演進閉環的工程方法。
*   **Double Execution**：雙執行玩法，執行者與觀察者分離。
*   **Worktree**：隔離倉，用於解決多 Agent 衝突。
*   **Skill**：封裝的工作流與經驗。
*   **Connector**：連接外部工具與 API 的接口。
*   **Sub Agents**：子代理，用於分離檢查與執行角色。
*   **Memory**：狀態記憶，用於沉澱經驗與避免遺忘。
*   **Human Gate**：人工審查閘口。
*   **Observability**：可觀察性，涵蓋過程與結果。

## 操作流程整理

1.  **啟動與自動化**：
    *   設定自動化觸發條件（如特定條件或固定頻率）。
    *   利用工具（如 Codex 心跳機制、CC 定時任務）讓 Agent 自動醒來啟動循環。
2.  **環境隔離與準備**：
    *   使用 Worktree 建立隔離倉，確保多個 Agent 並行工作時不產生衝突。
    *   共享 Git 歷史，但保持文本副本獨立。
3.  **執行與工具調用**：
    *   執行 Agent（Maker）根據目標進行任務規劃與代碼編排。
    *   通過 Connector（MCP、插件、API）調用外部工具（如剪輯、郵件、生成內容）。
    *   若無特定技能，可通過 Skill 調用封裝好的工作流。
4.  **雙執行與反思**：
    *   觀察/反思 Agent（Tracker）監控執行過程與結果。
    *   引入第三方評審或子代理機制，對比執行者與檢查者的輸出。
    *   基於目標進行反思、復盤，識別偏差。
5.  **權限檢查與人工介入**：
    *   檢查當前操作是否在預設的權限邊界內（最小權限原則）。
    *   若涉及敏感操作（如自動支付、合併代碼、發送消息）或超出邊界，觸發 Human Gate。
    *   人工審查並決定是否暫停 Loop 或協助拍板。
6.  **記憶沉澱與迭代**：
    *   將本次循環的經驗、錯誤規避方法、工作留痕存入 Memory。
    *   更新 Skill 或調整 Loop 參數，實現經驗複利。
    *   根據驗收標準判斷是否繼續循環或停止。
7.  **可觀察性監控**：
    *   全程記錄任務拆解、執行動作及結果。
    *   基於審核對比機制，持續提升任務有效性與系統穩定性。

## 值得注意的限制或風險

*   **Token 成本與失敗率**：真實企業任務中，Loop 的持續運行可能帶來高昂的 Token 成本及較高的失敗率。
*   **權限風險**：若權限邊界設定不當，Agent 可能執行未經授權的操作（如修改代碼、發送消息、自動支付）。
*   **過擬合風險**：若創建者與檢查者未有效分離，可能導致過擬合，影響系統泛化能力。
*   **模型遺忘問題**：若缺乏有效的 Memory 機制，Agent 可能在長任務中遺忘關鍵經驗或上下文。
*   **並行衝突**：多個 Agent 同時工作若無 Worktree 等隔離機制，可能導致混亂。

## 逐字稿辨識疑點

*   **Loop l o o p**：逐字稿中出現此拼寫，疑為口語強調或聽寫特徵。
*   **Openclaw**：通常知名項目為 OpenClaw 或類似拼寫，此處依逐字稿保留。
*   **Peter Steinberger**：OpenClaw 創始人，名稱依逐字稿保留。
*   **Boris Cherny**：Claude Code 負責人，名稱依逐字稿保留。
*   **Addy**：Google 工程師，僅提及名字，疑為暱稱或簡稱。
*   **CC**：在文中多次出現，指代 Claude Code，依逐字稿保留。
*   **Harness 框架**：文中提及「Harness 框架的成熟」及「Harness engineering」，疑為特定技術術語或聽寫，依逐字稿保留。
*   **2025年的12月**：時間點為未來時間，依逐字稿保留，疑為口誤或特定時間線敘述。
*   **4月份**：與 2025年12月 的時間順序邏輯需查證，依逐字稿保留。
*   **Worktree**：文中解釋為「隔離倉」，並提到在 Codex 設置中可見，依逐字稿保留。
*   **Sub agents**：原文引用為「SUB agents keep the maker away from the Tracker」，依逐字稿保留。
*   **Tracker**：在 Sub agents 描述中出現，指代檢查者角色，依逐字稿保留。
*   **Maker**：在 Sub agents 描述中出現，指代執行者角色，依逐字稿保留。
*   **Dry run**：術語，依逐字稿保留。
*   **Smoke test**：術語，依逐字稿保留。

## 可延伸追問

*   如何在實際企業環境中平衡 Loop 的自動化效率與人工審查（Human Gate）的成本？
*   對於不同規模的團隊，Worktree 和 Skill 的最佳實踐配置是什麼？
*   如何量化 Loop Engineering 帶來的 Token 成本節省與效率提升？
*   在缺乏成熟 Memory 機制的當前模型下，如何有效實現經驗的長期沉澱？
*   Addy 提出的 Loop Engineering 五大模組在主流 AI 編碼工具（如 Claude Code, Codex）中的具體實現差異為何？