企业官网建设流程全解析

OpenClaw和Anthropic的言论引爆AI圈，Google工程师命名“循环工程”（Loop Engineering）。本文详细解析Loop Engineering的概念，将其定位为AI编程范式的跃迁，区别于Prompt、Context等工程，强调自动化系统设计，使AI自主运行。文章阐述Loop的六大核心组成部分：自动化调度、Worktrees、Skills、Sub-Agents、Plugins & Connectors、Memory，并指出其价值在于将重复性工作自动化，让人从操作员转变为系统架构师。同时，文章也提醒初学者注意Token成本和错误管理，强调Prompt Engineering的重要性。

一句话让整个AI圈炸锅

2026年6月8日，OpenClaw的创始人 Peter Steinberger发了一条消息：

同一时间，Anthropic Claude Code 的负责人 Boris Cherny 在公开演讲中说：

“I don’t prompt Claude anymore. I have loops running. My job is to write loops.”

这两句话加起来，阅读量破千万。

然后 Google 工程总监 Addy Osmani 给这个概念正式命名：Loop Engineering（循环工程）。

小编第一次看到这个词的时候，一头雾水。又一个新词？和 Prompt Engineering、Context Engineering 有什么区别？为什么突然所有人都在聊这个？

花了三天时间读完所有相关文章后，小编可以很负责任地告诉你：这不是炒概念，这是 AI 编程范式的跃迁。如果还停留在逐条手动提示 Claude Code，效率会被那些懂 Loop Engineering 的人远远甩开。

小编会带小伙伴把需要知道的所有东西讲清楚，掌握Loop Engineering，甩开一大批人。

先讲清楚四个概念

在讲Loop Engineering之前，小编先把 Prompt Engineering，Context Engineering， Harness Engineering， Loop Engineering 这四个词梳理清楚。

🧱 四层递进结构图

这四层不是竞争关系，是嵌套关系，每一层都建立在上一个基础之上。

📌 第一层：Prompt Engineering（提示工程）2022-2024

控制你发给AI的那条消息本身——措辞、格式、示例、指令。

作用：“怎么问，AI才能给出更好的答案”

做什么：加"请一步步思考"、用XML标签分隔内容、提供少量示例、限制输出格式

局限：只作用于单条消息，任务一旦需要多步骤、需要工具调用、需要迭代修正，单条Prompt的天花板就到了。

📌 第二层：Context Engineering（上下文工程）2025

控制 AI 能看到什么——管理整个上下文窗口里的信息。

作用：“给 AI 喂什么信息，它才能做出正确判断”

做什么：RAG检索增强、管理对话历史、整理代码库相关文件、控制Token使用、对信息按优先级排序

局限：仍然把AI当"读者"而非"执行者"，解决的是Agent上下文读取知识的问题，解决不了Agent执行问题。

📌 第三层：Harness Engineering（驾驭工程）2026 初

设计让AI Agent稳定运行的完整环境——工具、内存、约束、反馈回路、编排逻辑。

作用：“怎么让单个 Agent 在真实环境中稳定运行，而不出乎意料”

做什么：配置 CLAUDE.md 规则文件、设置权限边界、添加验证门控、设计错误重试机制、连接 MCP工具

和 Loop 的区别：Harness解决的是单个Agent单次运行的可靠性。它是管理一名士兵；Loop是指挥整个作战系统持续运转。

一句话区别：Harness保证单个Agent任务的可靠性；Loop是让这些Agent按计划持续跑、互相配合、自我纠错。

📌 第四层：Loop Engineering（循环工程）2026 中 ← 我们今天的主角

设计一套自动化系统，让这个系统来发现任务、分配任务给 Agent、验证结果、存储执行状态、决定下一步——不需要人一直坐在那里发指令。

作用：“怎么让AI系统自己运转，我去睡觉它还在干活”

做什么：写/goal条件让AI自主运行直到结束、用/loop定时扫描CI/PR、启动多个并行Sub-Agent做实现+验证、用 SKILL.md存储项目知识和结果

• •CI（持续集成 Continuous Integration）：是一套自动化开发流程。例如GitHub中，每当开发者提交代码，系统会自动运行构建和测试，确保新代码没有破坏原有功能。
• •PR（拉取请求 Pull Request）：是代码托管平台（如 GitHub 或 GitLab）上的一个动作。当开发者完成新功能后，会提交一个 PR，请求团队其他成员审查代码并合并到主分支中。

Loop Engineering 到底是什么？

小编的理解是：

Loop Engineering = 你不再是那个发Prompt的人，而是设计"发Prompt的系统"的人。

旧工作流：写 Prompt → 读输出 → 写下一条 Prompt → 读输出 → ...（你是发令员）

新工作流：你设计系统 → 系统发现任务 → 系统调用 Agent → Agent 执行 → 系统验证 → 系统决定下一步（你是系统架构师）

Addy Osmani 的定义是：

“Loop Engineering是不需要再人为提示Agent了，设计一个系统来代替你做这件事。一个 Loop 可以理解为一个递归目标——你定义一个最终目的，AI不断迭代直到完成。”

Loop Engineering解决的问题

让小编举个例子。

没有Loop：

维护一个项目，每天要做的事情是：打开 GitHub 看有没有新 Issue → 看CI有没有挂 → 看有没有 PR 需要 review → 看 Slack 有没有 bug 反馈 → 然后一条条手动让 Claude Code 处理。

这整个过程每天花 1-2 小时，还容易漏掉。

Slack：一款流行的团队沟通协作软件（常用于外企或互联网公司）

有了Loop之后：

一个 Loop 每 30 分钟自动扫描 GitHub Issues 和 CI 状态 → 判断优先级 → 对于简单 bug 直接派一个 Agent 去修 → 修完派另一个 Agent 验证 → 验证通过自动开 PR → 需要人决策的推送通知给我。

只需要早上起来看 PR，点 Merge 或者 Close。

Loop Engineering的价值所在：把重复性的、有规律的AI交互架构成自动化系统，从"我用 AI"变成"AI为我工作"。

什么时候用Loop Engineering？

不是所有任务都需要 Loop，按小编理解的就是那些固定、重复的生产流水线工作，例如下面这些需求：

✅ 强烈建议用 Loop 的任务

❌ 不适合用 Loop 的任务

Loop Engineering 的六大核心组成部分

一个能真正无人值守运行的Loop，是由六个部件组成的系统。这六个部分各司其职、彼此依赖，缺少任何一个，系统都会运转不起来。

理解它们是什么、什么功能、它们如何配合，是掌握Loop Engineering的前提。

🔩 组件一：自动化调度（Automations / Scheduling）——Loop的起搏器

决定 Loop 什么时候启动、以什么频率运行。可以是基于时间的（每 5 分钟）、基于事件的（有新 PR 时触发）、或者基于目标的（跑到条件满足为止）。

功能：把"我定期检查X"这件事交给“自动化调度”。没有自动化调度，loop只是一次的Agent会话，有了它loop才是一个持续工作的自动化系统。

调度频率直接影响系统的响应速度和 Token 成本。调度太稀疏，问题发现得晚；调度太密集，成本爆炸。

主要问题：

• •成本失控：高频调度 × 每次调用的 Token 消耗，很容易在不知情的情况下产生巨额账单
• •无限循环：如果停止条件设计不好，Loop可能永远跑不完，直到你的token耗尽
• •静默失败：调度看起来在运行，但实际上每次都因为某个错误悄悄退出了，而你没有收到任何通知

与其他组件的关系：调度是起搏器，决定系统的节奏。需要依赖**状态（Memory）来知道"上次跑到哪了"，依赖验证逻辑（Sub-Agents）**来判断"这次跑完了没有"。

小编特别提醒：调度频率必须考虑成本，否则可能会收到token账单爆炸

🔩 组件二：Worktrees（工作树）——安全并行执行的隔离层

为每个并行运行的Agent提供独立工作目录。技术上基于Git Worktree实现——多个目录共享同一个仓库历史，但各自的文件修改互不干扰。

功能：解决"多个 Agent 同时干活会不会打架"的问题。没有Worktree，两个Agent同时修改同一个文件，结果就会错乱；有了 Worktree，每个Agent在自己的沙盒里干活，完成后再合并，就像多个开发者各自在自己的分支上工作一样。

Worktree是并行能力的基础保障。有了它，你可以同时处理 10 个 bug、同时跑 编程Agent 和 验证Agent、批量重构大量文件——这些场景在没有隔离保护的情况下都是高危操作。

主要问题：

• •烂尾Worktree：Agent任务失败或中断，留下没有清理的Worktree，久了会占磁盘空间
• •合并问题积压：并行 Agent 各自完成没问题，但最终合并时才发现改了同一段逻辑，这时候需要人为参与，如果长期不处理会导致问题累积
• •隔离过度：每次都创建新的Worktree而不重复使用，导致Agent每次都重新理解项目上下文，浪费 Token

与其他组件的关系：Worktree服务于并行执行，本质上是为Sub-Agents的分工协作提供物理隔离。它需要状态（Memory）来追踪哪些Worktree 正在运行、对应哪些任务。需要全面正确的配置Skills（技能文件），让每个进入新Worktree的Agent都能全面了解项目规范，否则隔离会造成信息不全面。

🔩 组件三：Skills & 持久知识（Skills / CLAUDE.md）——项目的知识技能库

把项目知识、编码规范、历史教训、操作约定，以文件形式固化下来，让每次启动的Agent都能读取——而不是每次都从零开始重新理解项目。

功能：解决"Agent 没有记忆"这个根本性问题。每个Agent会话默认是无记忆和知识储备的，它不知道项目上周改了什么规范、上个月踩了什么坑、哪个目录不能随便动。Skills和CLAUDE.md把这些知识固定化。没有 Skills，每次 Loop 运行都是第一天上班。

Skills的质量直接决定Loop运行结果的质量下限。一个好的CLAUDE.md和Skills能让Agent第一次运行就符合项目规范，避免Loop不断重复同样的错误。

主要问题：

• •Skills未更新：项目开发往前推进，但CLAUDE.md没有同步更新，Agent按旧规范干活
• •Skills过于冗长：把所有细节都塞进一个文件，Agent反而抓不住重点，或者Token消耗大增
• •知识孤岛：不同Sub-Agent读取不同版本的 Skills，导致彼此产出的代码风格和约定不一致

与其他组件的关系：Skills是整个系统的"知识库"，每个组件都依赖它。Sub-Agents靠它知道"做到什么标准才算合格"；Checker Agent靠它知道"用什么标准来验证"；Worktree里隔离的Agent靠它快速同步项目背景。Skills写得好，所有组件的输出质量都会上一个台阶。

🔩 组件四：Sub-Agents（子代理）——球员与裁判的隔离

在主Loop控制下，各自承担不同职责的独立Agent实例。最核心的分工模式是"Maker/Checker"——一个Agent负责实现，另一个独立的Agent负责验证。

功能：解决"让同一个Agent既当球员又当裁判"这个结构性缺陷，写代码的人天然倾向于认为自己写的代码是对的。独立的Checker Agent用不同的视角、独立的指令来验证结果，才能真正发现问题。

Sub-Agent的设计直接决定系统的可靠性，有了Maker/Checker的分工，Loop才能在无人值守的情况下放心运行。

主要问题：

• •Checker失职：Checker Agent 的指令写得太模糊，它只是"看了一眼"就说通过，没有真正验证关键条件
• •Sub-Agent成本：每个Sub-Agent都需要消耗Token，一个loop生成3个Sub-Agent，成本就是3倍
• •Maker和Checker分工合作不清晰：Maker和Checker之间没有清晰的交接机制，Checker不知道要验证什么，或者验证标准和实现标准不匹配

与其他组件的关系：按小编的理解，Sub-Agents是Loop中真正干活的角色，但它们只知道当前任务，不知道历史上发生了什么。Memory（状态）给它们提供上下文；Skills给它们提供标准；Worktrees给它们提供安全的执行环境；Connectors给它们提供与外部世界交互的能力。

🔩 组件五：Plugins & Connectors（插件与连接器）——从"项目内部"到"外部任务执行"

让Loop能够与外部世界交互的工具层。基于MCP（Model Context Protocol，Anthropic 推出的工具调用标准协议），Agent可以读写GitHub、发 Slack 消息、更新Linear工单、查询数据库、触发CI/CD 流程等。

功能：解决"Loop只能开展本地文件读写工作"的局限，让它可以自己开PR、自己关Issue、自己发通知、自己触发部署。

Connectors决定了Loop能胜任的工作。有了Connectors，Loop做完的事情不需要人为"搬运"到真实系统里，Loop的结果直接发布到团队协作工具、CI系统、监控平台里，形成真正的闭环自动化。

主要问题：

• •权限过大：Loop出错时会直接在生产系统里产生影响，而不只是在本地文件里留下错误
• •外部依赖：Connector对应的服务挂了或者API变了，Loop的整个执行闭环都会中断
• •其他问题：Loop跑了100轮，每轮都调用Slack发送群通知，群通知被你刷屏

与其他组件的关系：Connectors是Loop链接项目内部和外部世界的桥梁。它的每次调用结果都应该写入Memory（状态），让系统知道"这个PR已经创建了，不要重复创建"。Sub-Agents通过 Connectors获取外部信息（读 GitHub Issues）和推送结果（开 PR），是 Sub-Agent能力的外挂。调度决定了Connectors被触发的频率，务必要考虑高频调度 + 高成本API调用的成本。

🔩 组件六：Memory / State（记忆与状态）——跨越单次会话的基础

Loop在每次运行之间用来存储和读取状态的记忆存储机制。可以是一个STATE.md文件、一个 LOOP-STATE.json、一个Linear看板列、或者一个GitHub Project视图。

功能：解决"每次Agent启动都是新手"这个根本性问题，让Loop每次运行都知道自己上次做了什么、哪些任务正在进行、哪些已经完成、哪些需要人介入。

一个好的状态文件要能回答三个问题：

• •我们现在在做什么？
• •上次尝试了什么？结果如何？
• •哪些事情在等待人类决策？

状态管理的质量决定了Loop能运行多久、多复杂，它甚至比Loop生成代码还重要，因为它是整个系统的账本和日志。状态写得混乱，会导致Loop重复处理同一个任务、跳过已完成的工作、或者在不该停止的地方停下来。

主要问题：

• •状态记录错误：Loop写入了过时或错误的状态，后续所有运行都基于错误的前提做判断
• •状态内容过于冗长：每次运行都往状态文件里追加内容，不清理的话文件越来越大，最终Agent读取状态消耗大量Token
• •状态记录与真实情况不符：状态记录"Issue #123 已修复"，但实际上 PR 被 reject 了，状态没有同步更新，导致这个 Issue 永远被跳过

与其他组件的关系：Memory 是整个Loop系统的记忆，是唯一一个所有其他组件都依赖的部件。调度读取状态决定"这次要干什么"；Sub-Agents读取状态了解历史，记录状态结果；Connectors每次外部操作都应该有对应的状态记录；Skills保存的是"怎么干"的知识，Memory 保存的是"干了什么"的记录。两者共同构成 Loop 的长期记忆。

进入Loop Engineering之前需要知道的事情

1. Loop Engineering 目前还很早期

工具还在快速演进，最佳实践方案和流程还没有定型，随时追踪最新动态。

2. Token成本是设计时必须考虑的事情

一个每 5 分钟运行、每次生成两个 Sub-Agent 的 Loop，一天是576次Agent调用。设计Loop的第一步就应该考虑控制成本，和设计功能同等重要。

原则：慎重决策— 先判断"有没有真正值得处理的任务"，只有确认存在必要任务时，才生成Sub-Agent。

3. 无人值守 = 未发现的错误在无限地扩散

Loop跑得越顺畅，出了问题你发现得越晚。一个验证条件写得不够严格的Loop，可能在你睡觉的时候把有问题的代码推进了20个PR。所以，Checker的设计是 Loop 最重要的设计之一，不亚于调度和执行本身。

4. 开发人员对项目代码的认知越来越落后

这是 Addy Osmani 最尖锐的警告：

“Loop出货的速度会超过你理解代码的速度。代码会在你不理解它的情况下，存在于生产环境中。”

5. Prompt Engineering没有消亡，而是上移了

Loop Engineering没有让Prompt Engineering消失，而是把它提升到了一个新的层面。在Skills文件里怎么描述规范、给Checker Agent的验证指令怎么写、定义/goal的条件怎么措辞——这些都是Prompt Engineering，只不过它们的作用范围从"一次对话"扩大到了"整个自动化系统的每次运行"。好的Prompt Engineering能力在Loop里被放大；差的Prompt Engineering能力也会被放大。

传统产品经理，正在成为下个被淘汰的“传统岗位”。

过去画原型、写 PRD、跟进度的“传统技能包”，在AI时代正迅速贬值。63% 的企业转型做 AI 产品！当下的问题不再是“要不要学 AI ”，而是“如何构建 AI 产品”。

前段时间还跟字节、腾讯的资深 AI 产品经理沟通，他们反馈：在大量招人，只要有 AI 相关的项目经验，基本都能拿到面试机会，而且领导很舍得给钱，涨薪 40-60% 很正常！

01

接下来的产品人，得卷AI能力了！

如今AI大火，行业极速发展的背后，懂AI 产品人才却严重稀缺。这不是要你转技术岗，而是要掌握构建 AI 产品的核心方法：

• 如何将你的领域知识，转化为 AI 产品的核心竞争力？
• 如何用 AI 技术实现你的产品需求？
• 如何设计真正懂用户的 AI 交互体验？
• ……

懂AI，就是产品经理的“救命稻草”！

风口之下，与其焦虑被行业淘汰

不如先人一步享受AI技术带来的红利！

我把AI产品经理的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】

（不限年龄！不限岗位！没有代码基础也能学！）

🎁现在扫码，完课还送：

《AI产品面试题库》《AI大模型应用案例集》

02

掌握技术+实战，快速转型！

想成为一名卓越的AI大模型产品经理，需要从技术、到项目实战的全方位转型指南！

**1）**AI产品应用原理解析，产品经理也能听懂！

对于产品经理来说，如果你不懂技术，做不了业务和AI大模型技术衔接、定义不了数据需求，是没法完整的落地一个产品的！

本次课程，专门面向产品经理人群，解析当下最热门的AI产品应用的必备的「大模型」、「多模态」的实际应用和算法原理！解析AI产品应用技术，积累大模型能力！简单易懂，不需要会代码，小白也能掌握！

• 大模型微调：掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。学习如何利用领域数据（如制造、医药、金融等）进行模型定制
• AI Agent智能体搭建：学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手产品（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）

2）超全行业案例解析！

课程详细讲解现阶段，大模型在各个行业和领域的应用现状！包括：零售与电商、教育、医疗、泛娱乐、法律等等10大行业！

详细讲解案例的思路、应用场景，以及背后的技术原理、核心技术！揭秘各个行业、场景的真实现状，和未来产品的发展与机遇！

可以说，讲解完一个案例，就能积累一个AI产品实践的经验！

课程中所涉及到的实战项目，都可以直接在自己的工作中使用，让自己的产品/项目有可借鉴的成功案例！

3）AI产品经理求职专项辅导

课程中会系统的帮助大家拆解字节、腾讯、百度等大厂AI PM岗位JD关键词，掌握AI PM高频面试题型与回答框架；展示 AI 相关能力的关键技巧：Prompt设计、模型评估、A/B测试、成本意识、与算法/工程协作经验；

• To B类AI产品经理：突出“行业理解 + 技术落地 + 商业闭环”能力的简历结构设计，展示项目成果；从客户需求洞察到技术方案设计，展现端到产品思维；如何评估To B AI产品的可行性、客户付费意愿与实施成本
• To C类AI产品经理：拆解头部公司岗位JD，将过往尽力转化为AI产品叙事逻辑；从行业趋势、产品设计题、案例分析&数据分析题、技术理解边界等全流程辅导面试；避免无效海投、锁定最适合的AI产品岗位；

03

本次课程，全程直播讲解，能直接对话大佬和专业助教，不懂就问，超详细的案例，小白也能轻松get！

完课后，还赠送《AI产品经理面试题库》、《AI大模型应用案例集》！不断更新中……

适合人群：

• 想转型AI产品经理、AI项目管理专家、AI产品解决方案等岗位
• 想进行AI产品创业的创业者
• 想成为制作AI产品的程序员
• 想利用AI解决企业问题的管理岗
• 想在AI方向寻找就业方向的毕业生
• AI方向前景广阔、待遇好！

目前，很多产品人已经通过完整学习拿到大厂高薪offer，收入嗷嗷涨！

我把AI产品经理的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】