Loop Engineering 的定义很朴素：你设定一个目标，AI 进入循环，反复执行「思考→行动→观察→调整」，直到任务完成。你不需要盯着它，不需要逐步下指令，你只管定义「什么算完成」，剩下的交给循环。听起来很前沿，但仔细想想——这不就是一个 while 循环吗？

最原始的代码，跑着最高级的智能

把 Loop Engineering 的核心逻辑写成伪代码，大概是这样：

while not done:
    plan = think(goal, context)
    result = act(plan)
    context = observe(result)
    done = evaluate(context, goal)

五行。用到的编程概念：一个循环、几个函数调用、一个布尔判断。学过两周编程的人都能看懂。但就是这五行，正在驱动当今最强大的 AI 智能体。

Claude Code 的核心机制是一个循环——读代码、改代码、跑测试、看报错、再改，直到测试通过。Devin 号称「AI 软件工程师」，拆开来看，是同一个循环套了不同的工具。Cursor 的 Agent 模式、Windsurf 的自主编程，底层逻辑没有本质区别。

这件事值得停下来想一想。人类花了七十年发展计算机科学，从机器码到汇编到高级语言，从面向过程到面向对象再到函数式，造出了无数精巧的抽象层。结果到了 AI 智能体时代，真正让系统「活」起来的核心结构，是一个 while 循环加一段自然语言。不是微服务架构，不是分布式共识算法，也不是某个精妙的设计模式。就是循环。

为什么「循环」如此强大

这不是巧合。回溯智能研究的历史，「循环」一直是核心隐喻。

1948 年，诺伯特·维纳出版《控制论》，提出了一个改变科学范式的概念：反馈回路（feedback loop）。他的洞察是——任何能表现出「目标导向行为」的系统，无论是恒温器、导弹制导还是人类大脑，底层都运行着同一种结构：感知当前状态，与目标状态对比，产生纠正动作，再感知，再对比，再纠正。循环。

约翰·杜威在维纳之前半个世纪就描述过类似结构。他把人类思维定义为一个「探究循环」：从困惑出发，提出假设，验证假设，形成判断，遇到新的困惑，继续循环。在他看来，思考不是线性过程，而是一个不断自我修正的螺旋。

再往前推。苏格拉底的「诘问法」是什么？提问→回答→发现矛盾→再提问。一个对话循环。

人类理解「智能」的每一次重大突破，最终都指向同一个结构：一个带反馈的循环。这就解释了为什么 Loop Engineering 能用最原始的代码实现最高级的智能——因为循环本身就是智能的底层架构。不是某种编程语言赋予了 AI 智能，而是循环这个抽象结构，天然承载着智能的基本形式。

Prompt 是目标函数，也是哲学立场

Loop Engineering 的另一半是 Prompt。循环提供了动力学结构，但「循环什么」「循环到什么时候停」「怎么判断好不好」——全由 Prompt 定义。换句话说，写 Prompt 的人定义的不是执行步骤，而是目标、约束和价值判断。

「帮我重构这段代码，保持 API 兼容，提高可读性。」这句话里包含一个目标（重构）、一个硬约束（API 兼容）、一个软约束（可读性）。AI 在循环中所做的一切决策，都在这三个条件围成的空间里搜索。

这像什么？像哲学家定义伦理框架的方式。亚里士多德说，好的行动需要三个要素：目的因（你想达到什么）、形式因（用什么方式达到）、质料因（在什么约束下）。一条好的 Prompt，恰好就是在定义这三个因。

我们正在做的事情，本质上是用自然语言编写目标函数，然后让循环去优化它。这不是传统意义上的编程。传统编程告诉计算机每一步怎么走；Loop Engineering 告诉计算机「你要到哪里去」，然后信任它自己找路。前者是过程控制，后者是目标治理。

从过程控制到目标治理——这个转变的意义远比多数技术博客讨论的要深。它意味着，对「好目标」的定义能力，正在取代对「好代码」的编写能力，成为工程领域最稀缺的技能。

哲学家与工程师的合流

历史上，伟大的工程突破几乎都有哲学基因。

图灵在发明「图灵机」之前，思考的是一个纯哲学问题：什么是「可计算的」？他不是在试图造一台机器，而是在试图理解计算的本质。图灵机的伟大之处不在工程实现——它甚至从未被物理建造——而在于它用一个极简的抽象模型，划定了「机器能做什么」和「机器不能做什么」的边界。

香农创立信息论时，回答的也是一个哲学问题：什么是「信息」？他的答案——信息是不确定性的减少——改变了整个通信工程。冯·诺依曼设计计算机架构时，借用的是逻辑学家哥德尔的思路。

这些人不是先学了工程再去想哲学，而是先想清楚了「这个东西的本质是什么」，工程方案自然就浮现了。

现在轮到 AI 了。当我们用 while 循环加自然语言 Prompt 构建智能体时，实际上在回答一系列哲学问题：

  • 什么是「完成」？ 这是目的论问题。一个任务在什么条件下算完成，直接决定了循环的终止条件。定义不清，AI 要么停得太早，要么永远不停。
  • 什么是「好」？ 这是价值论问题。当 AI 在循环中面临多个可选方案，它用什么标准选择？这个标准藏在你的 Prompt 里。
  • 什么可以「自主决定」，什么必须「交回人类」？ 这是权限边界问题，也是一个关于自主性和责任的伦理问题。

写一个好的 Loop Engineering 系统，不是在写代码，是在回答这些问题。而回答这些问题的能力，传统上属于哲学训练的范畴。

伟大的工程，可能从伟大的哲学家中诞生

今天的技术讨论有一个危险的偏向：过度关注「怎么实现」，忽略「实现的是什么」。

Loop Engineering 的技术门槛很低。一个 while 循环，几个 API 调用，一套工具注册机制——任何一个中级工程师都能在一天内搭出来。但搭出来不等于搭得好。好的循环和烂的循环之间的差距，不在于代码质量，而在于目标定义的质量。

这就是为什么我认为，AI 工程的下一波真正突破，可能不会来自技术社区，而是来自那些能把「目标」「约束」「价值」想得足够清楚的人。他们可能受过系统思维训练，可能长期做战略规划，可能受过哲学训练，也可能是那些不写代码、但能精确定义「什么是好结果」的人。

当代码的门槛降到接近零，思考的深度就成了唯一的护城河。

维纳在《控制论》序言里写过一句话：「The thought of every age is reflected in its technique.」每个时代的思想，都映射在那个时代的技术中。Loop Engineering 映射的，是我们这个时代对「智能」的理解——它不是一个静态知识库，不是一次性推理，而是一个不断感知、判断、修正的动态过程。一个循环。这个理解本身就是哲学性的；而把这个理解变成可运行的系统，才是工程。

技术圈每隔几个月就造一个新词，大多数新词活不过一个季度。但 Loop Engineering 背后指向的东西不会过时——用最简单的结构承载最复杂的智能，用自然语言定义目标而非过程，让循环代替人类完成探索。

代码在变简单，思考在变重要。也许有一天我们会发现，AI 时代最厉害的工程师，书架上摆的不是《设计模式》，而是《控制论》和《谈谈方法》。