[AI 分享] Loop Engineering：AI程式設計的新範式

 [AI 分享] Loop Engineering：AI程式設計的新範式

摘要：Loop Engineering強調用自動化閉環指揮AI工作，正逐步取代單純提示詞與harness思維。

內容:

近來矽谷AI圈開始出現一個新名詞：Loop Engineering。相較於過去大家熟悉的 prompt、context，甚至是近年熱門的 harness engineering，loop 更強調的是讓AI不只是被動執行指令，而是能在一個自動化閉環中持續工作、分派任務、檢查結果與自主改進。

從演進脈絡來看，Prompt 解決的是「如何一次把需求說清楚」；Context 解決的是「要提供AI哪些背景資訊」；Harness 則是替 agent 建立執行環境。如果說 harness 是為AI打造一台能開的車，那 loop engineering 就像是幫這台車裝上自動駕駛系統，讓它知道何時啟動、如何行動，以及怎麼驗收成果。

真正的 loop，不只是反覆執行而已，而是一套由「目標、度量、決策、行動」構成的自主改進閉環。它能根據當前觀察到的狀態，自行決定下一步該做什麼，甚至安排下一次何時再啟動。這也是它與一般自動化腳本最大的不同。

要搭建一個有效的 loop，需要五個核心元件，再加上一個記憶底座。第一是自動化，它是整個系統的心跳，不只能定時執行，更重要的是能依條件觸發，例如直到測試全數通過、程式碼規範檢查完成才停止。第二是 WorkTree，用來為多個AI提供各自獨立的工作目錄與分支，避免並行開發時發生檔案衝突。

第三是技能。由於AI每次啟動時都像重新開始，如果沒有事先定義的技能與規範，它每輪都可能重複摸索專案規則。技能就像是一份外掛式的員工手冊，能清楚寫出專案約定、建置步驟與操作方式。第四是聯結器，透過像 MCP 這樣的協議，AI得以接入資料庫、外部工具與通知系統，從只能處理本地檔案，升級為可以串連真實工作流程。

第五是 subagents，也就是將不同角色拆開處理。在無人值守的環境中，不能讓同一個AI既負責寫程式又負責審查，否則容易失去客觀性。較好的做法是由一個AI負責生成內容，另一個AI負責依照規格驗證與審核。第六個要素則是狀態記憶，這份記憶通常需要落在磁碟上，例如以 markdown 文件記錄待辦與已完成事項，讓系統在中斷後仍能無縫接續。

不過，loop engineering 並非萬能，最大的風險在於失控。如果你的系統缺少能夠對AI說「停止」的硬性機制，它就可能變成一座無情的 token 焚燒爐，在無限迴圈中持續產出看似合理、實則品質低落的垃圾程式碼。無人職守的系統，也可能無人職守地犯錯。

另一個值得警惕的問題是認知降級。當AI交付成果的速度越來越快，人類對程式碼實際狀態的理解卻可能逐漸落後。如果開發者只是全盤接受AI產出，卻不持續檢驗與思考，最終很可能導致程式碼品質惡化。無論流程多自動化，驗證責任始終還是在人的身上。

在實務上，最適合導入 loop 的任務，通常是 bug 修復或需求邊界明確的新功能開發。這類工作有清楚的驗收標準，適合形成可控的小閉環。相反地，像是「幫我優化整體系統架構」這類過於抽象的任務，若直接交給 loop 處理，往往只會讓專案快速失控。

總結來說，harness 是讓AI有工具可用，而 loop 則是讓AI工作流程真正自動運轉。未來AI程式設計的競爭力，可能不再只是誰更會下提示詞，而是誰更懂得設計高品質、可驗證、可持續運作的迴圈系統。與其當AI的打字員，不如成為 loop 的架構師。