最新！万字综述 Prompt 到 Loop 进化

## 文章主旨： AI 开发正从“单轮提示词工程”转向“系统自我迭代”的循环工程，人类角色应从循环内部的执行者转变为循环外部的设计者。 ## 关键要点： 1. **范式迁移主线**：AI 工程沿“Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering”演进，四者不是替代关系，而是层层嵌套：Prompt ⊂ Context ⊂ Harness ⊂ Loop。 2. **Prompt 的瓶颈**：单纯优化提示词受限于上下文窗口、缺乏记忆与工具调用、容错率低，并会积累大量模板维护成本与技术债，难以支撑规模化工程。 3. **Context 的核心是信息装配**：通过轻量化装配（MVC）、知识图谱增强检索（GraphRAG）、即时检索（JIT）管理上下文，避免信息匮乏、过载与上下文腐烂；同时利用提示词缓存与前缀稳定性降低成本和延迟。 4. **Harness 提供系统约束**：以“Agent = Model + Harness”为范式，通过环境工具、控制编排、规则中间件与可观测性构建安全围栏；案例表明，Harness 缺位可能导致灾难性事故，而改进 Harness 可在不改模型权重的情况下显著提升表现。 5. **Loop 实现自主迭代**：以“Loop = Cron + 决策器”构建闭环系统，包含三档成熟度、“五件套 + 一个记忆”、Loop Contract 六维约束以及熔断器、看门狗等防线；开发者应转向 Loop Designer，定义目标、维护工具资产并设计安全断路器。 ## 内容结构： ### 一、引言 - 2023 年前后，行业聚焦提示词工程，出现大量“万能 Prompt 模板”，方法论从少样本提示发展到思维链、思维树等。 - 单次“提示—响应”模式存在明显瓶颈：人类需反复复制、调试、粘贴报错，实质成为系统运转的“人肉中转站”。 - 2025—2026 年，多位从业者提出“上下文工程”“设计循环而非提示”等观点，标志人类从 Agent 循环内部走向外部，从执行者变为设计者。 ### 二、AI 开发范式的演进 1. **Prompt Engineering——沟通艺术** - 核心问题是“如何跟 AI 沟通”，经典方法包括 Zero-shot、Few-shot、Instruction Prompting、APE 等。 - 正确的 Prompt Engineering 是包含问题定义、示例集、候选 Prompt、实测、成本权衡与持续迭代的工程方法论，区别于依赖直觉的 Blind Prompting。 - DSPy、APE 等声明式框架使 Prompt 从“人工手写”变为“可编译、可学习”的程序。 - 纯 Prompt Engineering 很快遇到天花板：上下文受限、缺乏记忆与工具调用、容错率低，并带来模板维护的技术债。 2. **Context Engineering——对话管理** - 关注点从“如何写提示词”转向“信息怎么喂给模型”。 - 三套核心方法：轻量化装配（MVC）、知识图谱增强检索（GraphRAG）、即时检索（Just-in-Time）。 - 三类典型故障：信息匮乏、信息过载、上下文腐烂。 - 提示词缓存机制要求遵循“前缀匹配不变性”，上下文应按“从静到动”分层排列；动态变量应放在对话末尾以保护缓存前缀。 - 缓存经济学：在隐式缓存模式下，同一前缀成功复用第 2 次（N>3）即可产生净收益，支撑高频 Agent 低成本运行。 3. **Harness Engineering——系统约束** - 确立“Agent = Model + Harness”研发范式，把模型之外的所有系统组件作为工程对象设计。 - 生产级 Harness 四大支柱：环境资产与工具集、控制与编排逻辑、规则中间件（Hooks）、运行可观测性。 - 信任边界呈“物理基础设施 → 安全沙箱 → Agent Harness → 运行时 → 模型”的层层防御结构，模型处于最核心也最不可信的位置。 - 案例：DataTalks.Club 因缺乏沙箱隔离、删除保护和人工确认，AI 编码工具执行 `terraform destroy` 导致生产数据库与近 200 万行数据被抹除；问题不在“失控的 AI”，而在 Harness 缺位。 - 设计思维是从“预期行为”反推系统组件，并遵循八条“非妥协原则”，如模型提议、Harness 执行，危险操作需人类确认，任务预算硬约束等。 - 自动化 Code Review 形成分层拦截漏斗：确定性规则层、策略网关层、AI 审查层、人类终审，约 80% 低级错误由硬规则拦截，15% 交 AI，5% 由人类决策。 - “Skill Issue”框架主张 Agent 表现不佳时先排查 Harness；Terminal Bench 2.0 显示，同一模型仅改写 Harness 约束即可使排名从第 30 名提升至前五。 4. **Loop Engineering——自主迭代** - 系统从人类单次触发的工具演进为具备独立运行周期的自主工程，模型成为受控“子程序”。 - 公式概括为“Loop = Cron + 决策器”，人类职责转向循环系统架构设计师。 - 架构遵循“机制与策略分离”：底层平台提供定时器、工作区隔离等机制，架构师配置触发时机、子 Agent 数量等策略。 - Loop 成熟度分三档：Open Loop（开环，适合 Demo）、Closed Loop（闭环，须通过测试、Lint 或自动 Review）、Review Loop（评审环，异步审查 Agent 持续反馈，适合长任务）。 - 工业级系统由“五件套 + 一个记忆”构成：自动触发层、并行隔离工作区、技能树资产、插件/连接器、多 Agent 编排、状态文件落盘记忆。 - 通过 Loop Contract 约束六个维度：TRIGGER、SCOPE、ACTION、BUDGET、STOP、REPORT；并以熔断器、看门狗防止失控死循环。 - 标准自主闭环为：AI 编码 → 沙箱测试 → 日志回灌 → AI 修复 → CI 通过 → 自动发起 PR。 ### 三、AI 工程范式的对比 - 早期范式关注单次推断质量，输出可靠性主要取决于输入质量；系统级智能体范式则依赖循环迭代深度、验证器严密性和状态自愈能力。 - 四种范式在实际落地中层层组合、向外扩展：Prompt 决定单指令理解基础，Context 决定动态信息输入，Harness 保障单步动作安全规范，Loop 在最外层调度 Harness 并驱动状态迁移。 ### 四、Loop Engineering 对工程实践的影响 - **为缓解幻觉提供可工程化路径**：以“Text → Code → Execute → Read Result → Self-correct”的闭环控制替代单纯提示词调优。 - **自动化控制范式升级**：系统具备容错、自愈与动态自适应能力，可根据任务状态调整轮询间隔。 - **基础设施产品原语化（HaaS 化）**：Claude Code、Codex 等工具将 Worktree、Skills、Connector、Subagent、State 封装为标准底座，形成“Harness-as-a-Service”。 ### 五、开发者如何拥抱 Loop Engineering - 开发者生态位转向 **Loop Designer（循环设计师）**，核心职责包括： 1. 定义终止边界：编写全局愿景文件、完工条件、测试用例与评估矩阵。 2. 维护工具链与领域资产：配置安全沙箱、对接 MCP 连接器、沉淀可复用 Skill。 3. 设计安全断路器：设定步数、时间、Token、资金等多维约束，并保留人工干预机制。 - 文章给出七天复现计划：写 AGENTS.md、沉淀 SKILL.md、加 Hook、跑 Ralph 循环、拆分 maker 与 verifier、补齐 Loop Contract、接入 cron 或 `/loop` 实现无人值守。 ### 六、总结与思考 - AI 时代上半场研究“语言的艺术”，下半场比拼“系统工程的能力”；高薪人才将从提示词专家转向循环设计师。 - 文章提出三个反思问题：哪些重复工作可沉淀为 SKILL.md；Loop 失败时系统能否及时告警；当 Loop 完成大部分代码时如何保持对系统的理解力。 ## 文章总结： 文章以技术演进史和工程实践为主线，倡导开发者尽早从“写 Prompt”转向设计可验证、可约束、可自愈的 Agent 循环系统，并以系统工程能力作为 AI 下半场的核心竞争力。