行业资讯
小白程序员必看：收藏这份Loop Engineering入门指南，轻松驾驭大模型
本文深入浅出地解读了AI领域新兴的“循环工程”Loop Engineering概念核心在于通过设计自动化系统来替代手动提示词编写提升大模型效率。文章指出该技术并非全新而是将现有自动化、状态管理、门控等组件系统化整合。作者强调Loop Engineering的实践需满足四大条件任务重复性、自动化门控、充足的token预算及可运行环境并建议从封闭循环开始尝试。文章还探讨了循环工程的价值衡量标准及潜在风险如“理解债”和“认知投降”并给出了解决方案。对于想要利用大模型提升工作效率的程序员本文提供了实用的参考和前瞻性建议。经常在X上AI圈冲浪的朋友可能已经发现了最近AI圈又出新名词了Loop Engineering循环工程。Claude Code之父Boris Cherny前阵子在一场访谈时说了句话这两天被翻来覆去地转他这么说的我已经不提示Claude了我有一堆循环在跑它们替我提示Claude。我的工作是写loop。说这话的不止Cherny老哥一个人。OpenClaw作者、现在人在OpenAI的Peter Steinberger几乎同时也在喊别再给Coding Agent写提示词了你该去设计提示它们的循环。紧接着6月7号谷歌的Addy Osmani发了篇长文标题就叫Loop Engineering把这个概念系统性的阐述了一遍。X上跟着出了个14步路线图的帖子也转发刷屏了。Loop Engineering这个词算是正式出圈了。我把原文和几篇衍生帖都读完了第一感觉是词是新词但内容一点都不新。Loop Engineering具体是个啥Osmani老哥给的定义就一句话Loop Engineering是把你自己从给Agent写提示词的岗位上替换下来由你设计的系统顶上。过去两年我们跟Coding Agent的相处方式是打字、等、看diff、再打字工具一直掌握在我们手里。循环工程的意思是搭一个小系统它自己找活、派活、验收、记账、决定下一步。你设计一次之后它来提示Agent。把它拆分开看其实就是六个常见的Agent系统组成部分定时触发的自动化、隔离并行任务的worktree、沉淀项目知识和流程的skills、接通真实工具的MCP连接器、把写代码和验收分开的Subagents外加一个写在磁盘上的状态文件。Osmani有句话说得很准Agent会忘仓库不会这个其实去年Manus那篇关于Context Engineering文章也强调了。这六样其实全是我们熟悉的东西。Loop中最核心的一个模型生成、另一个模型挑错的对抗审查模式其实都是Anthropic在2024年12月那篇Building effective agents里写过的evaluator-optimizer模式。换了个名字然后现在火起来了。上述这六样Claude Code和Codex都满足往回看这已经是AI圈子第四次给怎么用好模型这件事起名字了。2023年叫Prompt Engineering研究怎么把一句话问得漂亮提示词工程师一度成为大模型领域的新职业。2025年年中Andrej Karpathy他们开始讲Context Engineering焦点从怎么问转向动态提供什么上下文窗口被当成稀缺资源来管。今年年初起风向又挪到Harness上模型外面那层壳决定了同一个模型能发挥几成Loop Engineering管的则是这层壳什么时候转起来、运转到什么时候结束。名字一年一换杠杆每次都往上挪一层模型越强人离键盘越远。零件早就齐了真正的变量是模型这半年真的能在循环里自我纠错了。特别是这周Anthropic发布了地表最强模型Claude Fable 5Loop起来越来越丝滑。Anthropic的Lance Martin前几天发了组实验。任务叫Parameter Golf在8张H100上、10分钟内训出一个16MB的最优模型。他给Fable 5一份9条可验收标准的评分细则rubric就是一张可以逐条打勾的checklist再挂一个独立的验收Subagent最长跑了8个小时。结果是Fable 5对训练pipeline的改进幅度大约是Opus 4.7的6倍。改进的方式比改进的幅度更有意思。Opus 4.7第一个实验拿到小赢之后后面几乎全在重复同一个模板调一个常数测一下有正收益就保留。Fable 5敢押架构层面的大改动中间被一次量化回归搞砸了但顶着压力做下去反而做成了最大的单项收益。还有个细节让写代码的模型给自己打分效果不好验收得交给独立上下文里的Subagent。/goal判定干没干完用的就是另一个模型。需要上Loop Engineering的四个条件要是只讲到这这篇跟X上的转发就没什么区别了。原帖里最有价值的其实是泼冷水的那部分。Loop只在四个条件同时成立时才划算任务每周都会重复有测试、构建、linter这类能自动把低质量交付打回去的门控gate)token预算扛得住循环的开销循环会反复读上下文、反复重试这些都烧钱Agent手里有日志和能跑代码的环境上述条件缺任意一条循环的成本就高过收益。说得再直接点就是低于100刀的订阅就别碰重验证循环了根本不够用。同一个帖子里还有个划分方法我觉得比14步路线图还实用开放循环和封闭循环。开放循环是给个目标让Agent自己探路OpenAI那帮人玩的就是这个能做出你没规划过的东西token也烧得最凶封闭循环是人先把路径定死每步带验收、有明确停点普通预算跑得起。作者建议从封闭循环起步质量门搭扎实了再放开。顺带说一句那帖子后半截有点给DeepSeek打广告的感觉但token太贵这个问题对国内读者来说确实最有解。DeepSeek、Kimi、MiniMax这个价位跑封闭循环基本不用太担心token消耗。不过钱只是四个条件里的一个剩下三条国产模型救不了。代码里没有任何自动化验证的照样别上loop没有客观的门控所谓循环就是Agent自己跟自己点头。原帖的说法是一个没有测试兜底、只被要求review一下的二号 Agent无非是第二个乐观主义者。四条都过了起步姿势也有讲究。最小可行循环就四样一个自动化、一个 skill、一个状态文件、一个门控。顺序比配置更重要先把一次手动执行跑稳再固化成skill再包进循环最后才挂上日程。衡量循环值不值指标只有一个每条被接受的变更花了多少钱。接受率低于 50%说明你在替循环干它本该省掉的review活这循环不值当。看到这我坐不住了因为它正好戳在我上个月写的那个状态上。当时我每天token消耗5亿上下人根本跟不上。Code review完全没有diff也懒得翻账面上一天干完半个月的活七成以上的决策和验证没有经过我。Osmani给这个状态起了名字叫理解债。循环交付代码越快仓库里有的和你脑子里懂的距离拉得越大。token账单还是小头真正贵的是哪天你不得不去调试一个全组没人读过的系统。他还提了个更扎心的词认知投降懒得再形成自己的判断Loop说什么就是什么。他给的解法没有一条是技术的。读diff。抽查你的门控看那个测试是不是真能拦住你在乎的低质量交付。别让循环碰架构和支付这类要拍板的活。我目前跑得最稳的Loop一直不在代码仓库里在写作流水线上几个/schedule挂的定时任务每周日晚扫一遍剪藏库每半个月盘一次选题覆盖状态记在Obsidian。写这篇的时候我顺手把它往前推了一步搭了个正经的最小闭环。四件套是这么凑的。门控把稿件自检清单里能机械判断的部分禁用词、破折号、加粗配额、字数写成一个百来行的Python脚本命中即不通过。Skill自己设计的写作工作流。状态文件选题brief。自动化包一层/goal判定干没干完的是读脚本退出码的独立检查者不是写稿的模型自己。每次写作时按四条件测试逐条check。所以回到标题那个问题Loop Engineering到底是什么是杠杆点从写提示词挪到设计系统的一次正式命名所有的组件我们早就有了。要不要现在就上Loop很遗憾实际情况上大多数开发者现在还不需要循环。我的建议是把盯住那四个条件感觉手上的活大差不差的能满足这四个条件了就差不多可以上Loop Engineering了。后面我会专门出一期Loop Engineering的实战案例。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】
郑州网站建设
网页设计
企业官网
