循环工程：设计 AI 的自我驱动系统

什么是循环工程？

定义（Addy Osmani, 2026年6月）：循环工程就是取代你自己作为提示智能体的人。你设计系统来做这件事。循环是一个递归目标，你定义一个目的，AI 不断迭代直到完成。

简单来说：循环工程 = 让系统自己启动工作流。

例子：

• 传统方式：你发现 bug → 你说"修复这个 bug" → AI 修复
• 循环工程：系统自动发现 bug → 系统说"修复这个 bug" → AI 修复

起源

这个概念的演进过程：

ReAct（基础）

• Yao et al. 2022, ICLR 2023
• 推理+行动的框架，奠定了循环思维的基础

Peter Steinberger 的病毒式推文

• 2026年6月5日，500万+浏览
• 第一次明确指出"应该设计循环，而不是提示智能体"

Addy Osmani 的博客文章

• 2026年6月7日，addyosmani.com
• 正式命名并构建这个概念的完整框架

工具生态成熟

• Claude Code 2.0（Boris，2026年6月）
• OpenHands
• 其他循环工程工具

五大模块（Addy Osmani 的框架）

1. 自动化发现（Automations）

作用：计划的发现和分类 核心：/loop、/goal 原语 示例：定时扫描 GitHub issues，按优先级分类

为什么重要：

• 自动发现问题是循环的开始
• 没有自动发现，人就依然需要"寻找工作"

2. 工作树隔离（Worktrees）

作用：并行智能体隔离 核心：使用 git worktrees 实现并行 示例：同时处理 3 个不同的 bug，每个都有独立环境

为什么重要：

• 避免 AI “污染"彼此的上下文
• 真正的并行处理，不是模拟的

3. 技能编码（Skills）

作用：项目知识编码化 核心：SKILL.md 文件 示例：每个项目都有自己的技能文档，告诉 AI 该项目的规则

为什么重要：

• 项目知识不丢失，即使对话结束
• AI 能理解项目特定的规则和约定

4. 连接器（Plugins/Connectors）

作用：外部世界连接 核心：MCP 协议、问题跟踪器、CI/CD 集成 示例：自动创建 PR、运行 CI、更新项目文档

为什么重要：

• 循环不是封闭的，能与真实世界交互
• 完成"从问题到部署"的完整闭环

5. 子智能体（Sub-agents）

作用：专业化智能体 核心：分离 maker 和 checker 智能体 示例：

• Maker：写代码、修改文件
• Checker：验证输出、测试安全性

为什么重要：

• 专业化分工，比单一智能体更可靠
• checker 智能体防止 maker 出错

+ 状态（State）

虽然不是独立模块，但状态管理至关重要： 作用：持久化记忆 核心：Markdown 文件、Linear看板、对话外的持久存储 示例：项目状态、任务进度、已解决的问题列表

为什么重要：

• 循环有记忆，不会重复做同样的事
• 状态让循环变得可预测和可靠

经典循环模式

OODA 循环（观察→定位→决定→行动）

适用场景：需要快速响应的决策 示例：

• Observe：监控代码变更
• Orient：分析变更的影响
• Decide：决定是否需要测试
• Act：运行相关测试

优势：快速迭代，适合动态环境

PDCA 循环（计划→执行→检查→行动）

适用场景：需要质量保证的工作流 示例：

• Plan：制定代码审查计划
• Do：执行代码审查
• Check：检查是否有问题
• Act：修复发现的问题

优势：质量导向，适合正式开发

反思循环（执行→评估→反思→改进）

适用场景：需要持续优化的系统 示例：

• Execute：运行 AI 编码任务
• Evaluate：评估输出质量
• Reflect：分析为什么成功/失败
• Improve：优化策略和方法

优势：持续学习，适合长期改进

探索-利用循环（新路径 vs 已知优化）

适用场景：需要在创新和效率间平衡 示例：

• Explore：尝试新的算法实现
• Exploit：优化已验证的算法
• Explore again：探索新的优化方向

优势：平衡创新和稳定性

动手入门

简单循环示例：一个脚本检查 GitHub issues，分配给智能体，运行修复，打开 PR，报告结果

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

#!/bin/bash
# 1. 发现新 issues
issues=$(gh issue list --state open --limit 5)

# 2. 分配给智能体
for issue in $issues; do
  # 创建 git worktree
  git worktree add ../fix-$issue
  
  # 运行智能体
  oh-my-opencode --goal "Fix issue #$issue" --worktree ../fix-$issue
  
  # 提交 PR
  cd ../fix-$issue
  git commit -m "Fix #$issue"
  gh pr create --title "Fix #$issue"
  cd ..
  
  # 清理
  git worktree remove ../fix-$issue
done

当前挑战

终止问题（Termination Problem）

挑战：如何避免无限循环 示例：AI 不断尝试修复同一个 bug，但方法不对 解决方案：设置最大迭代次数、超时机制

资源消耗（Resource Consumption）

挑战：token 成本控制 示例：长时间运行的循环可能消耗大量 token 解决方案：智能缓存、批处理、限制循环深度

漂移控制（Drift Control）

挑战：保持与原始目标对齐 示例：AI 偏离了最初的目标，做了一些相关但不正确的事 解决方案：定期检查目标一致性、设置约束条件

可解释性（Interpretability）

挑战：调试黑盒循环 示例：循环出错时，很难知道是哪个环节出了问题 解决方案：详细日志、状态快照、可视化工具

未来展望

这是最新的范式（2026年6月），仍然处于早期阶段，还没有标准实践。

可能的下一个演进是群体工程（Swarm Engineering）——多个智能体在网络中协作。

现在就开始实践循环工程的好处：

• 2026年还是早期，技术栈在快速发展
• 可以影响标准的形成
• 提前获得竞争优势

记住：循环工程不是终点，而是 AI 工程演进的新起点。

本文是"AI 工程范式演进"系列的第 8 篇。系列按顺序阅读效果更佳：权重 10→20→30→40→50→60→70→80→90…