Loop 工程的核心在判定与地基

来源：X @dashen_wang

Loop Engineering（循环工程）是 2026 年 AI 编程圈讨论较多的新词之一。它主张设计一个系统，让 agent 自己找活、自己干、自己检查、自己迭代到完成，而不是一条条写提示词 ^[8,35,43]。这个词由谷歌的 Addy Osmani 在 2026 年 6 月命名，核心定义是“设计一个系统来替代你 prompt agent” ^[8,13,15]。它传播很快：几天内有了名字，几周内有了课程和“取代提示词”的讨论，也招来了“不过是穿帽衫的 cron job”式的工程师反弹 ^[16]。但拆开看，这套被包装成新范式的机制，骨架是古老的闭环控制；真正稀缺并决定成败的是循环脚下的地基——“什么算对”。

一个 loop，就是一台恒温器

“自己迭代到完成”并不神秘。家里空调、暖气、电热水器上的恒温器就是同一件事：设一个目标（设定值），有执行机构干活，有传感器反馈状态，有控制器决定“低了开、到了停” ^[0]。所谓“AI 自己找活、自己干、自己检查、自己迭代到完成”，与这张表逐格对应：写下的意图和完成条件是设定值，写代码的 agent 是执行机构，判定“算不算完成”的独立小模型是传感器，决定要不要再来一轮的循环是控制器，磁盘上记着“干到哪了”的记忆是系统状态 ^[0]。一个 loop，就是闭环控制系统（closed-loop control）搬到了写代码这件事上 ^[0]。

闭环反馈的历史远早于计算机。1788 年，瓦特应合伙人博尔顿的建议，把离心调速器装到蒸汽机上，用飞球的离心位移调节进汽阀，让蒸汽机自己稳住转速 ^{[25,26,31,34]}。严格说，这并非“人类第一个”自动反馈装置——离心调速器自 17 世纪惠更斯时代就用于风车和水车调速，瓦特只是把它改装到蒸汽机上 ^[25,31]。素材中 1885 年的电恒温器、1948 年维纳的《控制论》，乃至人体里血糖体温的自我调节，都是同一个结构 ^[0]。

这张表五格里，设定值、传感器、控制器、状态四格，一百多年前就齐了；唯一真正变了的是执行机构那一格——从“专用”变成了“通用且便宜” ^[0]。一样东西变得极度充裕，价格就归零，与它互补的稀缺品则涨到天上：执行接近免费，“什么算对”——设定值和读它的传感器——成了唯一的稀缺 ^[0]。这正是“Loop Engineering”这个名字起错的地方：它把注意力引向那个最古老、最不重要的部件，而真正的活，在它脚下的地基里 ^[0]。

五个零件，只有判定是活

任何一个 loop 剥到底，只有五个零件：意图（设定值）、执行（执行机构）、判定（传感器）、记忆（状态）、控制（控制器）^[0]；Osmani 的拆法也类似，五个组件加一个状态层 ^[8,13]。其中执行、控制、触发、记忆四样，已经内置在成熟工具里——Claude Code、Codex 等自带自动发现任务的 Automations、隔离并行的 worktree、沉淀知识的 Skills、跨会话的状态 ^[35,46]。记忆尤其朴素：素材说它“说穿了就是往一个文件里 append 几行字”；Anthropic 方案里对应的 claude-progress.txt，就是一个明文进度文件，记录完成哪些功能、当前在做什么、遇到什么问题，新会话不必重读全部历史，中断后断点续跑 ^[0,17,18]。

真正替不了的那一个零件，是判定——那个读“算不算对”的传感器，以及它读的那条标准 ^[0]。前四个零件是通用的，任何 loop 长得都一样，所以能内置；而“什么算对”每个项目都不一样，必须由懂这件事的人亲手定 ^[0]。有工程实践文章直接写道“Loop Engineering 的核心不是’循环’，而是’验证’” ^[47]，并非只有素材这么说。素材用法律 AI 公司 Harvey 做例证：它估值 110 亿美元 ^{[1,2,3,5,6,7]}，做法不是训练新模型，而是整合 OpenAI、Anthropic、Google 的基础模型，配上专有法律数据与全球案例库 ^[2]——用素材的话说，改的是“笼子”不是“马” ^[0]。素材转述 Harvey 应用研究主任的结论：“当评判标准（rubric）质量高时，Agent 可以令人惊讶地沿着正确方向不断攀升”——你花多少心思定义“什么算好”，agent 就能走多远 ^[0]。

判定这条线还有两条硬规矩。第一，干活的不能给自己打分 ^[0]。模型是评判自己作业最差的人——Anthropic 的 agent 设计指南明确写道，agent“倾向于自信地夸赞自己的工作”，哪怕质量平庸，这正是“生成与评估必须分离”的动机 ^[20]。工具层面已经如此：Claude Code 和 Codex 的 /goal 原语，每一轮之后由独立的小模型检查是否完成，写代码的 agent 不给自己打分 ^[9]；让实现者自己判断是否合格，容易放过问题，独立验证者按验收标准检查才能形成制衡 ^[48]。第二，光独立还不够，判定必须能证伪 ^[0]。正面检验“能不能跑、过不过测试”，本质是找“看起来对了”的表面证据；成熟的安全审计派出的是一支从不同角度进攻的队伍，外加专门复现、证伪结论的角色 ^[0]。落到工程上就是“不要接受’我跑过测试了’的一面之词，要看退出码和实际输出”的零信任姿态 ^[45]。没有证据路径，就没有判定——判定器说“完成了”，它检查了什么、怎么检查的、检查到什么粒度，必须拿得出来 ^[0]。

颗粒度：盲循环是采样不足的混叠

判定不是有没有的问题，是粗细的问题；颗粒度是业余 loop 和职业 loop 的分水岭 ^[0]。最常见的业余 loop：意图很大（“把整个用户中心模块重写一遍”），判定很粗（“能跑起来不报错就算完成”），于是它高效地、信誓旦旦地交付一颗定时炸弹——把余额字段从分算成元、删掉边界条件、重写掉并发保护，这些“能跑”统统看不见 ^[0]。素材管这叫盲循环（Blind Loop）：它在高效地奔向一个没定义清楚的地方 ^[0]。

loop 里有三种颗粒度，必须对齐：任务颗粒度（一轮改多大一块）、验证颗粒度（判定能把失败定位到多细）、记忆颗粒度（往磁盘里记多细）^[0]。第一定律是：验证颗粒度必须细于任务颗粒度，否则就是一个动作幅度大于视力范围的系统 ^[0]。这与奈奎斯特采样定理同构——反馈的频率与精度必须高于变更的频率与幅度，否则 bug 会“混叠”进“完成”里，盲循环就是采样不足导致的混叠 ^[0]。两条路任选或并用：把任务切细——一次只实现一个函数、修一个 bug，而不是要一整块大输出，这也是 Osmani 自己工作流的经验 ^[44]；把验证调细——而这第二条路的成本，决定了整件事的经济性 ^[0]。

于是类型登场。类型系统能把验证颗粒度调到最细，且边际成本几乎为零：tsc 判一行和判一万行一样快、一样冷、不会拍马屁 ^[0]。一个 any 满天飞的代码库，等于给 loop 戴上眼罩，验证颗粒度被砸成零；精确的类型定义让 tsc —noEmit 当场指出第几行、哪个值、期望什么 ^[0]。行业里已有共识：把验收标准转成测试、lint、类型、schema、脚本、CI 和检查清单这类硬门禁，专门解决 AI 输出不可验证的问题 ^[36]；软件开发恰好拥有一排机器可读的天然反馈——编译器、单元测试、集成测试、Lint、类型检查、性能测试、浏览器截图、安全扫描、CI/CD ^[47]。

但类型不是万能传感器 ^[0]。tsc 看不见的至少有三层：语义关系（谁调用谁、改名会炸掉哪些文件）、运行时行为（真实请求的 payload、并发下的竞态）、人类视觉（布局歪了、暗色模式下字和背景同色）^[0]。不同的 bug 住在不同的层，必须为每一层配上对应的传感器——职业 loop 的判定层是一张多层传感网，省掉哪一层，那一层的 bug 就集体变成隐形的盲循环 ^[0]。记忆的颗粒度同理：记太粗，重跑会忘细节；记太细，是噪声。正确的做法是存事件——谁、什么时候、做了什么、结果是什么——一条条 append 上去，只增不改 ^[0]。claude-progress.txt 就是这种逐阶段追加的明文流水 ^[17,18]；OpenTSC 的事件流引擎（K3）同样规定 append-only、软删除、当前状态从事件推导 ^[24]。

系统化：从戏法到器官

一个 loop 是戏法，一群 loop 互相喂、互相验、互相记，才是能自己运转的系统 ^[0]。组织怎么搭，控制论里有现成答案——可生存系统模型（VSM）指出，任何能活下去的系统都有五样东西：操作（干活的）、协调（别互相踩）、控制（验收的）、情报（发现该干嘛）、政策（定方向）^[0]。越往下越没法外包：操作和协调工具白送，控制、情报、政策越来越是你一个人的事，政策那一行只能是你 ^[0]。这与外层循环的判断一致：agent 在内部循环里调查、实现、验证，人类拥有边界上的决策权——选择什么值得做、定义约束、判断证据是否足够、对结果负责，这是只有人能守住的一侧 ^[11,14]；开发者的角色从监督每一步，变成验收成品 ^[41]。

系统化之后有两件事必须盯住。一是判定标准会漂移——素材举自己量化的例子：三个月里“可靠信号”的门槛被悄悄放低了三次，每次都有理由，全程毫无察觉 ^[0]。治法是把校准写进系统：每一条预测强制带到期日、强制回填实际结果——OpenTSC 的 K4 反馈契约正是“预测带到期日+推理链” ^[0,24]；睡梦中则让系统回放过去的判断、提炼模式，再用一批没见过的新任务验证——任何编入法典的判定都必须通过留出集验证，变更先 stage、验证通过再 adopt、adopt 前先备份 ^[0]。二是理解债（Comprehension Debt）：loop 越快交付你没写的代码，你的理解和代码库现实之间的差距就越大 ^[8,9]。舒适的姿势是危险的——loop 自己跑时，人很容易停止有自己的意见，接受它给回的任何东西，Osmani 把这叫认知投降（cognitive surrender）：带着判断力设计 loop 是加速器，为了逃避思考而设计 loop 则是毒药 ^[9,12,16]。两个人的 loop 可以一模一样，结果完全相反：一个用它在自己吃透的事上跑得更快，另一个用它逃避吃透 ^[9,12,15]。系统化的验收标准因此是“能复盘”——每条判断留推理痕迹、每条情报带来源可信度 ^[0]；OpenTSC 的 K7 判断引擎每来新事件，就按 judgment_codex 更新相关实体的属性并留下推理痕迹 ^[24]。

判定下沉：把“什么算对”压进最便宜的执法官

把上面串起来，loop 时代的核心工程动作就一句话：判定下沉（Judgment Descent）——把“什么算对”从最贵、最慢、最不可靠的层，一层层压到最便宜、最快、最确定的层 ^[0]。判断的优先级从低到高是类型检查器、测试、大模型裁判、人，能用前一个就不用后一个 ^[0]。软件开发恰好有一排现成的廉价执法官——编译器、类型检查、测试、lint、截图对比、CI/CD ^[36,47]；那些压不下去的判断——品味、取舍、要不要做这件事——才留给人的脑子 ^[0]。

与之配套的是作用域纪律：把笼子做小 ^[0]。素材举例，Vercel 给 v0 砍掉 80% 的工具后结果反而更好——能力更少，可靠性更强 ^[0]；行业共识同样是权限按最小原则配置，接入代码仓库、数据库、生产环境时，不能让 agent 拥有超出任务所需的权限 ^[48]。对不可逆操作默认不执行、必须人工确认，是最基本的一条——素材提到 Antigravity 删掉一个希腊摄影师整个 D 盘、Replit 删掉客户生产数据库，缺的就是这一圈箍里最基本的常识 ^[0]。而“先声明，后使用”把这条纪律变成立法动作：loop 启动之前，就显式声明这一轮只准读哪些目录、写哪些文件、调哪些命令，没声明的，一律拒绝 ^[0]。

立法层：开发劈成两半

素材把这一切收束成一个双关：两个 TSC——命令行里那条 TypeScript 类型检查器，和作者自己的理念（TSC，魂、判断本身）^[0]。一个类型就是一条冻结的判断：interface Account { balance: Cents } 立的法，是“在我这个世界里，账户余额必须是分”；tsc 是那个不眠不休、一秒执行一万次、从不讲情面的执法官 ^[0]。类型是立法者思维的最小可执行版本，约束函数是它的数学版本——把任何输入钳制在 0 到 100 之间，任何输入经过它都被强制合法；两者合起来，就把“什么算对”从编译期和运行时两个时间维度同时焊死 ^[0]。

于是开发这件事，沿着一条线劈成两半 ^[0]。执行层：把一个已经定义清楚、铺好类型、装好判定、对齐颗粒度的活，让 loop 跑出来——这一半便宜到“拉条狗都能按开始”，该尽情交出去 ^[0]。立法层：让“按开始”变得拉条狗都能干的那一切——盖地基、定“什么算对”、铺传感网、守住校准、还清理解债——这一半一寸都不能交 ^[0]。Osmani 那句“Build the loop. Stay the engineer.”（搭你的 loop，但继续当那个工程师）说的正是同一件事 ^[9,12]。素材把这套东西命名为“地基工程”（Foundation Engineering）：所有的开发，从瓦特那台调速器到今天，从来都是打地基，AI 只是把地基之上的楼盖得快到拉条狗都能盖，于是地基本身第一次变成了唯一要紧的东西 ^[0]。

至于三年后的预判——判定覆盖率会成为衡量代码质量与估值的新指标、反馈基础设施会成为一个新品类、会有一场被追溯到“盲循环”的暴雷、护城河会从模型搬到记忆——都是作者自己的赌注，留给时间验证 ^[0]。能带走的只有一句话：loop、地基和 tsc 各司其职，而那句“什么算对”——从来只能是你 ^[0]。

原文更正：素材称瓦特1788年给蒸汽机装的离心调速器是“人类第一个”自动反馈装置，但离心调速器自17世纪（惠更斯）就用于风车与水车，瓦特只是把它改装到蒸汽机上。 ^[31]