OpenClaw 的创建者 Peter Steinberger 的一条评论获得了超过 250 万次观看。
"不要手动输入提示词给编码 AI。相反，设计一个'循环'，让它自己向 AI 输入提示词。"这就是他的核心意思。
此外，Peter 回复道："别担心，三个月后，循环工程就会到来。"
这半是玩笑。然而，这个方向非常准确。
我在一家名为 YourBright 的公司工作，我们致力于将 AI 融入业务运营。我每天亲眼所见的正是这一点：那些能够构建系统让 AI 自行尝试和修复的人，其成长速度远快于那些仅仅擅长向 AI 提问的人。
AI 的使用经历了四个阶段
在深入思考之前，我想分享一张图。在英语世界中，AI 的使用演变通常被归纳如下：
- 提示工程：写好一条指令（2023–2024 年的明星）
- 上下文工程：组织展示给 AI 的信息
- 工具工程：构建 AI 周围的工具、护栏和环境
- 循环工程：设计一个系统，让 AI 反复经历发现、执行、验证和修正的循环（当下）
粗略来说，焦点已经一步步从"写好一句话"向外转移到"构建一个好系统"。
循环工程正处于这一转变的前沿。
循环工程的组成部分——6 个部分
虽然这个术语很新，但内容很具体。Google 的 Addy Osmani 清晰地列出了有效循环的组成部分。这与我在实际工作中的经验几乎完全吻合。
- 自动化：定期触发循环的触发器，例如"每天早上检查 CI 失败情况。"
- 工作树：分离工作空间，以便多个 AI 可以并行工作而不冲突。
- 子代理：将创造者与审查者的角色分开。不要让 AI 对自己给出的答案评分过于宽松。
- 技能：将项目特定知识写入外部文件（如 SKILL.md）以便复用。
- 记忆：AI 会忘记对话。因此，进度应保存在外部，如 Markdown 或 Linear 中。
- /goal：在 Claude Code 或 Codex 中，一旦你声明"什么算完成"，AI 就会持续迭代直到满足条件。
简而言之，就是将人类过去手动提供的"下一步做什么"指令，转移到系统自身之中。
人类不再向 AI 输入提示词。"系统向 AI 输入提示词。"我认为这种主从关系的颠倒才是循环工程的真正本质。
我现在通过运行循环来委派工作给 AI。
以下是我自己的一个例子。
在 YourBright 运营的媒体网站 "Mikata for Foreign Talent" 上，文章列表页面很沉重。于是，我将一个用于反复测量和改进的循环交给了 Claude Code 的 /loop，并让它基本无人值守地运行。
在 5 小时内，自动实施了 9 项改进。文章列表的传输量下降了超过 90%，从 2,723KB 降至 101KB。LCP 也从 6.4 秒降至 1.8 秒。在一轮中，一张图片从 957KB 的 PNG 变成了 11KB 的 AVIF。
AI 处理了一切。我所做的只是在分支点做出决策：修正生产环境的 URL，决定添加图片转换层，以及选择方向。
有趣的是：九项改进中有一项是失败的。AI 实施的一个修复实际上恶化了另一个指标。AI 自己判断出这是"恶化"，回退了更改，并留下了失败记录。
PR 数量高达 20 个。循环次数为 23 次。只要评估标准正确，AI 就会无需人工干预持续运行。
我认为这就是循环工程的实在感受。AI 运行它。它运行它，包括失败。人类决定何时停止以及信任什么标准。
为什么是现在，为什么是 3 个月？
"3 个月"当然具有挑衅意味。并不是每个人都会在三个月内被取代。
然而，数据支持这一方向。Anthropic 宣布，截至 2026 年 5 月，Claude 编写了合并到生产环境代码的 80% 以上。Claude Code 于 2025 年 2 月发布时，这一比例只有几个百分点，所以它在一年多一点的时间里达到了这一水平。据称每位工程师合并的代码量也是 2024 年的八倍。
这里发生的故事并不是"人类写的量减少了"，而是人类的工作从"写"转向了"设计循环并做出最终判断"。
即便是同样的工作，思维方式也会改变。一次性请求的人思考的是"如何提问才能得到正确结果"。构建循环的人思考的是"检查什么来确认完成，如果错过该回到哪里，以及在哪里停止危险操作"。
这种差异最快在三个月内就会显现出来。这是我的感受。
便利的另一面——难以理解的代码与放弃思考
并非全是好消息。循环也有问题。
其一是成本。如果循环运行过多，Token 成本会飙升。因此，必须在开始时就决定停止条件和限制。
另一个是对代码的理解，这是最近争论的话题。AI 写了它，AI 修复了它，测试通过了。它能运行。然而，没有人理解其内容。人类检查所有代码将变得遥不可及。
此外，执行型 AI 可以发送邮件、运行 shell 命令、使用浏览器。虽然它们很方便，但权限范围越大，事故面也就越大。
循环工程不是一种信任 AI 的技术。它是一种基于 AI 会犯错前提的技术，即使失败也创建了返回的路径。
结论
那些手动输入提示词的工程师明天不会突然变得多余。
但价值的重心无疑在移动。未来强大的人不是那些能向 AI 提出好问题的人，而是那些能创建循环让 AI 尝试、失败、修复，而人类能做出最终判断的人。
只要你满足于输入一行提示词，你很可能就会一点点被落下。从今天开始，让我们构建让 AI 持续运行的环境。
我们正在创建一个 AI 应用社区！
我们开设了一个名为"AI Business Labs"的 Discord 社区，专门研究如何在商业中使用 AI。任何人都可以提问或咨询 AI 相关问题。我们希望与社区成员合作、深化学习，欢迎加入我们。
