提示词工程师的时代转折点

2026 年 6 月，人工智能行业发生了一件耐人寻味的事。

克劳德代码（Claude Code）的缔造者鲍里斯·切尔尼在采访中说："我不再手动为 Claude 写提示词了。我搭了一批自动运行的循环流程，让流程自己给 Claude 下发指令、决定下一步做什么——我的工作，变成了搭循环体系。"

几天后，OpenClaw 创始人彼得·施坦伯格给出相近判断："别再为编程智能体手写提示词，你应该设计循环机制，靠循环去驱动智能体。"

紧接着，谷歌工程师艾迪·奥斯曼给这股趋势定了正式名字——循环工程（Loop Engineering）。

三家企业、三位核心人物，同一周内得出一致结论，这不是巧合。

你可能觉得，又是 AI 圈一轮新造词。提示词工程热度未退，上下文工程刚兴起，任务编排工程还没被行业消化完，循环工程又来了。但这次不太一样——把这套理念抛出来的人，恰恰是 Claude Code 的开创者本人。而且他不只说，还身体力行：去年 11 月，他卸掉了自己的代码编辑器，一个月提了 259 个 MR，全程没手敲一行代码。

问题到底出在哪

过去两年，我们和编程智能体协作的本质，是回合制：你输一段提示词，AI 跑一轮，你看结果；不满意，再输下一段。在这套模式里，人既是调度员，也是质检员——说白了，人本身就是那个循环。

这哪算"人工智能"，顶多是"人工 + 智能"。每一轮对话，都得你亲手点火。

提示词工程师的位置，像一直坐在驾驶座上踩油门的人。你反复打磨提示文本，补示例、调语气、搭思维链，指望模型一次出完美结果。但短板很明显：提示词靠人写，又绑死在特定模型版本上；模型一升级，前面调好的提示词就失灵——业内叫它提示漂移（Prompt Drift）。

更要命的是另一点：就算给模型补足上下文，首轮答错了，它也察觉不到，更不会主动回头核验。整套流程里，没有二次复核的机制。

循环工程补上的，就是这块短板

艾迪·奥斯曼给的定义挺准：循环工程，就是你不再一遍遍手动给智能体发指令，转而搭一套能自己驱动智能体跑的系统。

打个比方：提示词工程是棋盘上一步步落子；循环工程，是定规则和裁判机制，让 AI 按规则自己下完一整盘。

随后 Claude Code 团队发了官方长文，把循环拆成四类。理解它们的关键只有一个——四类循环，对应四种不同的"停法"。你不用纠结 AI 怎么干，只要设计好"什么时候让它停"。

🟢 回合式循环：就是眼下大多数人正在用的模式。你发提示，AI 跑一轮返结果，你审，再发下一条。控制权始终在你手上。想少来回几次？把日常你手动核查的几步写进 SKILL.md，让 AI 自己校验。

🟢 目标循环 /goal：这次把控制权彻底交出去。先给定目标，比如"首页 Lighthouse 性能分 90+，最多 5 轮"。每轮结束，独立评估模型（Judge）按标准对账；不达标就重来。别设"优化代码质量"这种模糊目标，要设可校验的标准——比如"pytest 全绿、lint 零告警"。

🟢 定时循环 /loop 与 /schedule：像闹钟，按固定间隔触发。适合重复活——比如每日晨间汇总 Slack 消息、盯 CI 报错。/loop 本地定期跑；关电脑还想接着跑，用 /schedule 挂云端，逻辑和 Cron 基本同脉。

🟢 事件主动循环：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，都能 trigger。提交后自动测、MR 自动审、配置变更自动重载，等于把 Agent 编进 DevOps 流水线。人要伸手的地方，越来越少。

提示词工程师，正站在转型拐点上

这不意味着提示词没用了。提示词没消亡，只是不再由你逐句手写，而是被嵌进 /goal 和 /loop 里反复调用。你之前磨的那批提示，价值反而往上走——它们成了循环里的"执行单元"。

真正变的，是人的角色。切尔尼把自己这段路分成三个阶段：

• 第一阶段：人写代码，AI 补完；

• 第二阶段：人调度多个 AI 实例，同时开 5–10 个 Claude 会话，挨个发提示；

• 第三阶段：人不再直接操作 AI，转而搭一套能让 AI 自己跑的系统。

循环工程的本质，是从"AI 使用者"到"AI 系统设计者"的那一步。

以前你是"提问的人"，现在你得是"定规则的人"——什么结果算干完、用什么校验、失败怎么处理、什么场景要人介入。你不在循环里当执行者，而在循环外当设计者。

今年 6 月那场 AI 工程师大会，Anthropic 做了场 40 分钟演示：全程没手敲一行代码，搭出一套带规划器、构建器、评审器的异步 Agent 循环，从零跑通一个前后端交互项目。里面传得最广的一句话是：

最后跑出来的赢家，不会是握着最强模型的人，而是有最优循环架构的人。

切尔尼自己有个判断：十年后回头看，循环机制和它的衍生功能，会是他最得意的那部分。

一条提示词，换一次答案；一套循环，合上电脑也还在替你跑。

程序员的位置，也正从"写内容的人"，往"设计系统的人"挪。

循环跑起来之后，模型侧的事也得跟上

循环工程一铺开，对模型接入的要求其实是悄悄抬高的——不一定非要单点最强，但得稳、能切换、扛得住多轮高频调用。尤其跑 /loop 或 /schedule 这类长时间、多轮次的任务，token 消耗是细水长流地烧，模型 availability、账单、能不能在多模型之间灵活切，都会变成实际问题。

这也是最近开发者圈里聊得多的一类解法：像 UseAIAPI​ 这种把 Gemini、Claude、ChatGPT、DeepSeek 等最新主流模型聚在一起的接入服务，省掉逐个签约、逐个适配的麻烦；企业侧可以按自己 DevOps 节奏做定制封装，直接嵌进流水线；价格层面，官方定价 5 折起，对"循环常开、token 细水长流"的场景，账比较好算。

范式在换道，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。