小白教程：一文带你搞明白Loop Engineering并快速上手
最近好多人开始讨论 Loop Engineering。
这到底是个啥？AI 圈又出了一个新概念吗？
说实话，AI 发展太快，这两年冒出来的新概念太多了。很多是包装出来的噱头，大部分没必要追。但我看完 Loop Engineering 之后，觉得这个东西不太一样。它不是什么突然降临的新技术，而是一套新的和 AI 共处的规范和框架。
它不是凭空冒出来的。它更像是把过去用 AI 时已经在做的动作，比如给目标、分步执行、检查结果、发现问题后返工、记录状态、设置停止条件、必要时交给人，重新整理成了一套更清楚的工作规则。
过去你用 AI，这些动作其实已经在做了。你让它生成，你看一遍，改一句再丢回去，不满意再让它重来。你就是那个循环发动机。只是这些动作一直靠你手动推进，没人给它取名字。
这套规则最有价值的地方，是它把一件事说清楚了。很多人以为自己在让 AI 干活，其实自己一直在旁边盯流程。
所以这篇文章，我就想讲清三件事。它到底是什么，和普通提示词有什么区别，小白怎么先跑一个小循环。
到底啥是 Loop Engineering？
先把它当成一个普通问题来看。它和我们平时写提示词，到底有什么不一样？
你平时用 AI 的典型场景，应该不陌生。打开对话框，写一段指令，AI 给你结果，你看一看，不满意就再补一句，满意就复制走。每一轮都是从你发起、到你验收结束。
Loop 的思路不一样。你提前设计一套工作规则，不用一轮一轮亲自下指令。这套规则告诉 AI 目标是什么、每一步做什么、做完怎么检查、不合格怎么处理、什么时候停、什么时候找你。
先澄清几个容易误解的说法。
普通提示词更像把一次任务说清楚：你告诉 AI 要做什么，它给你一个回答，这轮就结束了。Loop 是把目标、执行、检查、反馈和停止接成一套工作规则，AI 做完一步之后，按照这套规则自己推进下一步，不用等你给下一句指令。
提示词没有消失。它只是从「全部交互」变成了循环里的一个零件。以前你的提示词就是整个对话。现在你的提示词是给这个循环定的规矩，告诉 AI 什么算合格、什么算失败、失败了怎么办。
还有一个容易搞混的说法，就是 AI 自我察觉。更准确的说法是 AI 按你预设的规则做质量自检。你提前告诉它什么叫合格、什么叫失败、失败之后怎么重试、什么时候必须停下来找人。不是它突然有了意识。
我看完以后，反而觉得它没那么玄。Loop Engineering 更适合理解成 AI Agent 时代一种正在被重新命名、重新规范化的实践方法。不是什么突然冒出来的新技术，也不是成熟学科。
这个词最近被讨论起来，跟 Addy Osmani 今年 6 月写的一篇文章有很大关系。他在文章里把这件事讲得很清楚，你不是自己去一轮轮催 AI，你设计一个系统去替你催。底层技术上，Simon Willison 之前聊 agentic loop 时也讲过类似的意思。LLM 在目标驱动下调用工具、看结果、再行动。只不过 Simon 讲的是 agentic loop，不是直接给 Loop Engineering 命名。
如果非要用一句话说清楚，Loop Engineering 就是给 AI 设计一套能围绕目标反复执行、检查、修正和继续推进的工作循环，而不是让人每一步都亲自提示。
什么任务适合用？
不是所有任务都值得上 Loop。
适合 Loop 的任务，至少得满足三个条件：
第一，重复发生。你每周都要做，或者每次新项目都要做。一次性任务不值得设计一套循环。
第二，结果能检查。你能说清楚什么叫「合格」，并且这个标准可以写成清单或者验证步骤。
第三，失败能反馈。上一轮没做好，下一轮能根据失败原因调整。如果每次失败的原因都不一样、没法形成规律，Loop 也帮不上忙。
比较适合的场景，举几个例子。
个人知识库，把散落资料编译成可追溯、可链接、能继续提问的 wiki 页面。内容生产前期，选题判断、素材拆解、大纲生成、事实校验。代码测试修复，改代码、跑测试、报错再修。
项目状态检查，任务进度、风险项、下一步。学习复盘，把学过的东西结构化、发现盲区。
这些任务的共同点是有明确交付物、有检查标准、需要多轮迭代。
不太适合的，也举几个例子。
纯创意。让 AI 画一幅好画，你没法写清楚什么算「好」。重大价值判断也一样，该不该跳槽、该不该合伙，AI 不能替你拍板。
事实来源不足或者标准模糊的任务，跑 Loop 只会放大不确定。你都不知道对错，怎么让 AI 检查自己对不对？
高权限操作就更不用说了。涉及账号、支付、删除、发布，一旦自动跑了没法撤回。
特别补一句。在知识库整理这个场景里，有一个很容易踩的坑，就是找不到关联时不一定是 AI 做错了。也可能说明这是新概念、孤立节点，或者本来就是低价值噪音。硬连出来的东西，反而会污染你的知识库。Loop 的检查结果不只是「重做」，有时候应该是「标记、停止、交给人判断」。
判断标准不复杂，就是你能不能提前说清楚什么叫「做完了」和什么叫「做好了」。 说不清楚，就别上 Loop。
先搭一个最小 Loop
第一个小 Loop 不需要复杂的工具，也不需要一上来理解所有 Agent 架构。
先准备七件事：目标、输入、执行、检查、反馈、记录、停止。
目标。这轮到底要完成什么。不要写成许愿，要写成能验收的东西。「帮我整理知识库」是许愿。「把这三篇资料编译进一个最小知识库，生成来源摘要、概念页、index 和 log，并标出待核验项」是目标。目标和许愿的区别是做完之后你能不能说清楚自己拿到了什么。
输入。AI 可以看什么素材，不能看什么素材。这一步很多人会跳过，但它是整个 Loop 的边界。AI 不知道什么东西不该用，你得告诉它。比如只依据这三篇资料，不要上网搜，不确定的地方标记出来。
执行。让 AI 做一小步，不要一口吃成胖子。不是「帮我整理整个知识库」，而是「先处理三篇同主题资料，只生成来源摘要、一个概念页、index 和 log」。
检查。用清单、引用核查或人工验收判断合不合格。检查是 Loop 的心脏。没有检查，循环就只是反复跑。 检查项要具体：有没有证据来源？有没有编造？有没有漏掉关键信息？
反馈。不合格以后怎么办。不同的失败要对应不同的处理方式。缺来源就补来源，概念页太散就重写，事实不确定就标记，关键冲突就暂停交给人。
记录。做到哪了，哪里失败了，下一步是什么。不需要复杂的系统，一个简单的状态说明就够了，写清楚当前轮次、已完成项、待处理项、失败项及原因。
停止。成功停止、失败过多停止、低置信度停止、规则冲突停止、需要人判断时停止。Loop 的核心不是多跑几轮，而是知道什么时候该停。 没有停止条件的循环，最后会变成 AI 一直在跑但产出没人看的局面。
这里有一个很多人会搞混的地方：有重复动作，不等于有 Loop。 假设你让 AI 自动遍历 100 个文件每个生成摘要，这件事看起来也在「循环」，但它只是批处理。因为它不会根据上一轮的结果调整下一轮的动作。第一篇摘要写得好不好，不影响第二篇怎么做。真正的 Loop，上一轮的输出会决定下一轮做什么：重做、调整、跳过、还是停。
拿个人知识库跑一遍
接下来用一个具体的例子跑一遍，让你看到一个小白也能试的 Loop 长什么样。
例子选「构建自己的个人知识库」。更准确一点，是借 Karpathy 提过的 LLM Wiki 思路，先跑一个最小版本。
不选高权限工具自动化，就因为两点。第一，它够安全，不会删文件、不会花钱、不会对外发东西。第二，它的价值你马上能感觉到。资料不是被总结完就消失，而是进入一套以后还能继续提问、继续更新的知识库。
LLM Wiki 的核心很简单。原始资料放一层，AI 编译后的 wiki 放一层，再用一份规则文件告诉 AI 怎么维护它。你不需要一上来做完整系统，先把最小闭环跑起来就够了。
任务目标不是让 AI 帮你总结几篇文章。总结用完就扔了。真正的目标是让 AI 把资料编译进知识库：每篇资料有来源摘要，重要概念有独立页面，index 能告诉你库里有什么，log 能记录这次处理了什么，冲突和不确定项会被标出来。
最小流程长这样。
先建一个很小的目录。raw/ 放原始资料，wiki/sources/ 放来源摘要，wiki/concepts/ 放概念页，再准备一个 wiki/index.md 和一个 wiki/log.md。如果你用 Codex，就放一份 AGENTS.md；如果你用 Claude Code，就放一份 CLAUDE.md。这份规则文件只做一件事：告诉 AI 原始资料不能改、每个判断尽量指向来源、更新完要写 index 和 log。
然后只放三到五篇同主题资料进去。不要一上来扔几百篇。先让 AI 读取这些资料，为每篇生成来源摘要，保留原始出处和关键信息。
接着让它提取概念。如果某个概念已经有页面，就更新旧页面；没有，就新建一个概念页。重点不是把原文变短，而是把资料里的信息挂到一个能持续生长的知识网络上。
然后更新 index.md 和 log.md。index.md 让你知道现在这个知识库里有哪些来源、概念和入口。log.md 记录这次新增了什么、改了什么、哪里还需要你判断。
接下来是检查环节，这是整个 Loop 最关键的几步。
让它自己检查一遍。有没有来源摘要缺出处。有没有概念页里的判断找不到来源。有没有把不确定的事实写成确定事实。有没有为了显得知识库很完整，强行把两个不相关的概念连在一起。
根据检查结果决定下一步。如果缺来源，就退回补来源。如果概念页太散，就重写概念页。如果出现冲突，就标记冲突，暂停交给人。如果找不到关联，就标记为孤立节点，不要硬连。如果连续失败或涉及关键判断，停下来交给人。
真正有价值的不是 AI 总结了几篇资料，而是这个知识库以后能不能被你继续使用。 下次你想写文章、做课程、研究一个问题，不是从聊天窗口重新问一遍，而是让 AI 先读 index.md，再从你已经编译好的 wiki 里找答案。
这一步不需要你会写代码。用 Codex、Claude Code 这类能读写本地文件的 AI Agent 就可以。如果只是普通聊天 AI，也可以先把资料和目录结构贴进去模拟一遍。关键是你要当那个验收的人。 AI 输出了一堆字不算过。每一条判断都有来源、没有乱编、没有强行关联，才算过。
给你一段模板
下面是一段可以直接复制的最小 Loop 模板，适用于「个人 LLM Wiki 知识库」。
第一次练习，不要给它账号、付款、删除、发布的权限。先从一个低风险的小任务开始，跑通了再往上加。
怎样才算跑通？
Loop 跑通，不看 AI 回答了几轮，也不看输出了多少内容。
跑通不看轮次，看你能不能回答这几个问题。
目标是不是具体到能验收？「把这三篇资料编译进最小知识库，生成来源摘要、更新概念页、同步 index 和 log，并标出待核实项」是目标。而「帮我整理知识库」是许愿。
你知道 AI 现在在干什么吗？是在生成来源摘要、更新概念页、同步 index，还是在自检。丢进去一片黑，第二轮出来一堆东西你也不知道它是重做了还是继续跑了，那就不算跑通。
你知道哪里不合格吗？得真的知道，比如这条判断缺了来源，这个概念跟已有页面冲突，index 没更新，或者这段强行把两个不相关的东西连在一起了。
下一轮怎么改，你能说出来吗？缺来源就补来源，概念页结构差就重写概念页，index 或 log 漏更新就补更新，出现冲突就暂停让人判断。不是笼统的「再试一次」。
什么情况该停，提前说好了吗？成功通过检查能停、连续失败太多能停、置信度太低能停、规则互相冲突能停、需要你来做价值判断时能停。每种情况都有对应的停止动作，AI 不会自己决定「再跑一轮看看」。
最后，你看过了吗？你确认了，才算完。
特别强调，完成一次编译不等于停止。AI 跑完一轮输出了一堆页面，不等于这些页面能通过你的检查。通过质量检查后的知识库更新，才算停止。
没有人工验收的 Loop，很容易变成 AI 自己给自己发奖状。 它跑了很多轮，输出了一大堆，你一看发现方向早就偏了。
跑通的标准很简单，结果能通过你定的检查。
新手最容易跑偏
最后集中讲几个新手最容易踩的坑。
把长提示词当 Loop。写一大段提示词，里面塞了各种规则，然后每次丢一个任务进去。这看起来很复杂，但本质还是 Prompt Engineering，你给了一个复杂的指令，AI 执行了一次。除非它会自己检查结果、决定重做、遇到不确定性暂停，否则它只是一个复杂提示词，不是 Loop。长提示词不是 Loop，反馈闭环才是 Loop。
目标太大。一上来就想全自动整理整个知识库、全自动写文章、全自动做项目。结果就是一跑就偏，偏了也不知道从哪改。先让 AI 编译三到五篇同主题资料，把来源摘要、概念页、index 和 log 跑通再说。
标准太虚。比如「写得更好一点」「分析得更深一点」。这种标准 AI 没法判断，你自己也没法验收。标准必须能检查，比如有没有证据、有没有漏掉关键信息、有没有编造、来源能不能对上。
没人检查，就没人喊停。让 AI 自己做、自己验、自己宣布完成，这是最容易翻车的地方。执行和检查必须拆开，做的人不能自己给自己批改。最简单的做法就是让 AI 先做一遍，再让它按检查清单自己审一遍。同样，没有停止条件的话它就会一直跑，消耗 token 和时间，最后产出一堆没人看的东西。第一个 Loop 最好先写死上限：最多跑几轮、同一类错误重复出现就停，不要让它无限续杯。
找不到关联还硬连。有些知识点本来就是孤立的，或者本来就是新东西。硬把它们跟已有内容连起来，最后污染整个知识库。Loop 做知识库整理时，标记「未关联」也是有效产出。
权限给太大。把低风险练习变成了高风险事故。第一次跑 Loop，不要给它删除文件、发消息、提交表单、操作账户的权限。
还有一件事。Loop 不是免费的。 它把你在对话框前盯着的时间，换成了 token 消耗和检查成本。低价值任务不值得设计闭环，做之前先算一下账。
没有检查标准的自动化，只是在自动制造垃圾。 能跑起来不难，难的是跑偏时知道停。
写在最后
Loop Engineering 把目标、执行、检查、反馈和停止这些动作规范化了。
对小白来说，先别急着搭复杂系统，也别急着追所有工具名。先选一个低风险、可检查的小任务，试着让 AI 按一个小循环跑起来。
说到底，目标能验收、检查可执行、停的时候有人喊。
人不是从流程里消失了。 人只是从每轮亲自提示的人，变成了设计目标、规则、闸门和最终验收的人。
Build the loop, Stay the engineer.
金尘马｜大厂程序员｜30天X破万粉变现过万｜持续分享 AI 搞钱、程序员转型、OPC 心得｜联系方式见主页介绍：https://x.com/jinchenma_ai
来源：@jinchenma_ai · 原文链接