Loop Engineering 实操指南：告别 AI 返工
本文介绍了一种名为 Loop Engineering 的 AI 工作流设计方法。通过设定目标、检查标准、反馈方式和停止条件，让 AI 能够自我修正并执行复杂任务。文章提供了最小 Loop 模板、KOL 寻找案例、文章写作及周报整理等实际应用场景，并探讨了如何利用 State、Agent 和分层反馈来优化 AI 工作流。
相关文档
如何把 Opus 5.5 变成工作室：动效设计、Harness 与循环的完整指南
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
What happens to engineers when AI writes all the code?
文章探讨当 AI 能编写几乎所有代码时，工程师的角色将如何演变。以 PostHog 为例，其 monorepo 中由 agent 发起的 PR 已从 20% 升至 70%。作者认为工程师不会消失，而是转向四项核心工作：一是监控全局，通过构建 standup bot、repo scout 等系统及时获取信息并确定优先级；二是设定方向，综合经验、用户价值、技术可行性和竞争格局做出取舍，避免被 AI 轻易生成的功能带偏；三是决定如何构建与实现，凭借对代码库和实现细节的理解确定范围、提出正确问题；四是评估 agent 的工作产出。工程师的价值从写代码转向监督、决策与系统设计。
Using Grok Bot: 8 templates to get inspired
作者介绍了 Grok Bot 新上线的 Templates 功能，模板包含机器人所用的技能、记忆和官方插件，可在不含隐私数据的情况下分享工作流。作者分享了多个喜爱的机器人模板：DevRel bot 每天从 X 书签中挑选新工具生成演示；Loops 作为外层工程代理协调 Cursor coding agent；X 算法机器人建议发帖时机与格式；Writing bot 基于写作经典书籍协助文字润色；Personal CRM 自动整理 X 互关好友到 Notion；Image generation bot 通过标准化提示词与调色板生成风格一致的图像资产。
万字长文 | Pi Agent 零基础实操：从打开终端到完成第一个真实任务
本文是一篇面向零基础用户的 Pi Agent 终端实操教程。作者在独立练习目录中，用一份虚构会议记录作为输入，引导 Pi 生成行动清单，并回到命令行独立验收原文件、输出文件、负责人和日期。文章涵盖 Pi 的能力边界与本地 Agent 概念、安装登录、界面四大区域解读、可验收提示词的写法（材料、动作、限制、验收四要素）、SHA-256 校验与独立验收方法，以及 Skill、Extension、Pi Package、Project Trust 与沙箱等扩展与安全知识，最后给出适合新手的安全升级路线。
Spend Less Tokens：如何削减90%以上的AI Token开销
文章指出企业AI token开销可削减90%以上，关键在于改变自动化设计思路。多数企业工作流本质上是确定性的，大部分步骤可用普通代码完成，仅在需要判断的环节才需要模型。作者提出不应以整个工作流为自动化单位，而应拆分为单个任务，分别评估智能需求，采用最小可用模型，并利用缓存复用已知输出。其团队采用90/9/1模型分配策略（90%非前沿模型、9%近前沿、1%前沿），实现以最低token成本获取最大效率提升，强调应衡量智能的ROI而非原始开销。
How to Build a Shared AI Harness for Your Team
本文详细介绍了如何使用HQ工具为团队构建共享的AI Harness系统，将分散的模型、技能和自动化流程整合为协同工作机制。文章从环境搭建出发，强调从单一高频工作流（如周报）验证有效性，并逐步扩展。通过赋予AI持久的公司记忆和明确的工作策略，将团队经验转化为可复用的资产，实现跨工具的上下文共享与团队协作能力跃升。
Claude循环工程：如何构建自动化Agent
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
Loop Engineering：如何构建能自我改进的AI智能体
本文探讨了从手动提示AI向“循环工程”转变的新一代工作流。作者指出，真正的循环工程依赖于廉价的长上下文模型来控制Token成本。文章详细对比了旧的手动工作流与新的自动化循环工作流，并深入剖析了单智能体循环与舰队循环（多智能体协同）的区别。同时，强调了在实际应用中应优先采用边界清晰、易于控制的闭环。最后，拆解了构建高效循环系统的六个核心基石：自动化、工作树、技能复用、外部插件、子智能体和检查器，帮助开发者打造可自我迭代和修复的AI系统。
Loop Engineering: 11 Steps From Prompting to Loops
文章指出，AI使用的未来在于构建“循环”而非单纯编写提示词。作者以Karpathy的AutoResearch项目为例，阐述了AI如何通过循环自主进行实验和优化。一个有效的循环必须包含验证器、状态记录和停止条件。文章强调，当任务具备可自动化的验证机制且需要重复执行时，应让AI在循环中自我迭代以移除人类瓶颈。最后，文章分享了构建基础AI循环和有效验证器的核心代码模式。
The biggest Graph Engineering mistake everyone makes
文章探讨了在构建 Agent 时，默认应采用单节点循环（Loop），仅在出现特定信号时才升级为图结构（Graph）。循环更便宜且易于调试，适用于大多数单任务。只有在任务分解、并行处理或验证器过载等明确信号出现时，才值得引入图的复杂性。
Claude Graph Engineering 101: A Practical Guide to Graph Engineering
文章介绍了图工程的概念及其相对于循环工程的优势。循环工程在复杂任务中受限于线性执行，无法并行处理。图工程通过构建节点和路径的网络结构，实现任务的并行执行和分支管理，显著提高效率。文章提供了构建图的四步法：审计现有循环、识别可并行任务、绘制图结构、使用提示词在Claude中部署图。
Agent Harness Engineering vs Loop Engineering vs Graph Engineering
文章深入剖析了AI智能体系统中的三个常被混淆的核心工程层级：Harness工程构建模型环境，Loop工程设计反馈循环，Graph工程明确工作流拓扑。区分这三层对于构建可靠的AI系统至关重要。
