从"写提示词"到"搭循环"：Claude 官方发文，AI 工程范式正在换道
2026 年 6 月，人工智能圈悄然形成一种新共识。
克劳德（Claude）Code 负责人鲍里斯·切尔尼率先表态："我不再手动给 Claude 写提示词了。我搭的是一套循环流程，让流程自动向 Claude 下发指令、规划后续动作——我的工作，已经变成了搭建自动化执行循环。"紧随其后，OpenClaw 创始人彼得·施坦伯格表达了相近的判断："别再为编程智能体手写提示词，你应该设计循环机制，让机制自动给智能体喂指令。"谷歌工程师艾迪·奥斯曼顺势给这套范式命了名——循环工程（Loop Engineering）。
消息传开，X（原 Twitter）上讨论热烈。《拉尔夫循环》作者杰弗里·亨特利说自己早已不再手动敲代码，更像一个列车司机，"只需盯着进程，防止脱轨"。也有开发者泼冷水，认为这套说法被过度包装，多数人的工程能力还接不住。
争论本身恰恰说明：循环工程还没有公认的定义。
为此 Claude Code 团队亲自下场。7 月初，官方发布长文《Getting Started with Loops》，一次性把概念、分类、适用场景讲清。文章上线不到一天，浏览量突破 300 万。
官方给出的定义很克制：
循环，即智能体一轮接一轮持续执行任务，直至触发终止条件。
关键词是后半句——终止条件。
四类循环，本质对应四种不同的"停法"。换个角度看，事情反而简单了：你不必纠结 AI 怎么干活，只需要设计好什么时候让它停。
一、回合式循环：人机交替的基础节拍
你发一条指令，AI 跑一轮、返结果，你再看结果发下一条。决策权始终在你手里。
多数人其实每天都在用，只是没意识到这也是循环：Claude 读代码、改代码、跑测试、返结果；你审代码、挑毛病、再下发。官方称之为"智能体基础循环"，是所有 Agent 工作的底层节拍。
优点是可管可控，短板是离不开人。
想减少来回交互，有个实用办法：把日常你手动核查的那几步写进 SKILL.md，交给 AI 自己校验。核查标准越量化，AI 越能自己判断"这活干完没"。
二、目标循环 /goal：把验收权交给评估器
这一次，你把控制权交出去。先给定目标，比如："首页 Lighthouse 性能分 90+，最多试 5 轮。"
每一轮结束，独立的评估模型（Judge）按标准对账。不达标就重来，直到达标或次数耗完。
为什么强调"量化指标"？因为 Claude 自己没法判断"代码够不够好"，交给评估模块才客观，避免主观拍脑袋导致早停。
💡 官方给的经验：别写"把代码写得好一点"这种模糊目标，要写可校验的标准——比如"pytest 全绿、lint 零告警"。
三、定时循环 /loop 与 /schedule：像 Cron 一样跑
像闹钟，按固定间隔触发。
适合重复活：目标不动，输入在变。比如每天早间汇总 Slack 消息、盯 CI 报错、查 PR 评审。逻辑和程序员熟悉的 Cron 基本同脉。
本地设备不关、想定期跑 → 用
/loop关了本地设备还想继续执行 → 用
/schedule，把循环挂到云端
四、主动事件循环：自动化程度最高的一档
由外部事件驱动：Git 提交、MR 发起、文件变动……提交后自动测、MR 自动审、配置变更自动重载。
等于把 Agent 编进现有的 DevOps 流水线。从"人发指令"到"事件触发"，人要伸手的地方越来越少。
为什么是现在？
2026 年 6 月那场 AI 工程师大会，Anthropic 做过一场 40 分钟演示：全程没手敲一行代码，搭出一套带规划、构建、评审模块的异步 Agent 循环，从零跑通一个前后端交互项目。X 上看了近 200 万人。
演示里传得最广的一句话是：
最终胜出的，不会是手握最强模型的人，而是拥有最优循环架构的人。
背后两个反直觉的点，值得拆一下。
其一，模型能力的边际收益在递减。 过去两年行业都在等 GPT-5、Claude 4，指望参数变大、代码就能写得更好。但 Anthropic 的实践指向另一个方向——与其等更大的模型，不如搭更完整的循环。现有模型 + 多智能体闭环，产出往往超过单个大模型单打独斗。
其二，"让模型自查"是坑。 Anthropic 在技术工作坊反复提过：神经网络前向计算的特征空间有固有盲区。让"写代码的那位"顺手审自己的代码，边界异常很容易被漏掉。
所以评审模块（Judge）必须独立部署：配对抗性校验提示、配硬评分标准，再挂静态扫描和自动化测试。任一指标不过，打回重做。
一句话收住这段：别让执行者查自己的活。
循环工程到底解决了什么
它不解决"AI 能不能干活"——现在的大模型已经能单兵执行任务了。
它解决的是另一件事：AI 能不能自己判断什么时候接着干、什么时候停、怎么算干对了。
Claude Code 团队特别提醒：不是所有任务都要上复杂循环，能用简单方案就用简单的。真要搭，五样东西不能缺——清晰目标、可验证的验收标准、触发方式、终止条件、失败处理逻辑。缺一环，循环要么失控，要么死循环。
切尔尼自己有个判断：十年以后，循环机制和它的衍生功能，会是他最得意的那部分工作。
从手写提示词，到设计自动化循环——本质是从"给 AI 下指令"，升级成"搭一套能自己转的 AI 系统"。一条提示词换一次答案；一套循环，意味着你合上电脑，它还在替你跑。
程序员这行的定位，也在跟着挪：从"写内容的人"，慢慢变成"设计系统的人"。
延伸：跑循环，模型接入得跟上
循环工程一铺开，对模型侧的要求其实悄悄变了——不是要单点最强，而是要稳定、可切换、能扛住多轮高频调用。
这也是为什么最近不少团队在重新看接入层：Claude 4/5 系列、GPT−5 全家桶、Gemini 2.5/3.1、DeepSeek 这些最新模型最好能一站式拿到，企业侧还要能按自己的 DevOps 节奏做定制封装，价格上最好别让"高频循环 + 长时间跑"把预算烧穿。
像 UseAIAPI 这类聚合接入服务，近期在开发者圈提得比较多——把上面这几家主流模型打包在一起，省掉逐个签约、逐个适配的麻烦；企业级定制可以直接嵌入自有流水线；价格层面，官方定价的 5 折起，对跑循环这种"token 消耗是细水长流"的场景，账比较好算。
循环是新范式，但范式要落地，模型接入、成本控制、稳定性这几样，还是得一起看。