本文结合吴恩达与 ClaudeDevs 的观点，深入探讨了 AI 编程（Loop Engineering）的落地实践。文章将吴恩达的“三层循环”（分钟级自检、小时级决策、天级反馈）与 ClaudeDevs 的“四种命令”（Turn-based, Goal-based, Time-based, Proactive）进行映射，提供了一套从定义验证标准、固化人工经验到收集外部反馈的完整方法论，帮助开发者摆脱只做 QA 的困境，真正掌握 AI 编程的效率。
本文探讨了“循环工程”（Loop Engineering）的概念，即从编写提示词转向设计运行 Agent 的系统。文章指出，尽管生成器很重要，但循环架构中的核心瓶颈其实是验证器。通过 Bun 移植 Rust 的案例，作者强调了无论内外循环，严格的质量验证和测试才是决定项目成败的关键。
作者分享了两个月来 AI 编程实践的核心变化：并发。设计打磨从串行问多遍改为并发问多个 agent，review 并行跑多个模型，项目用 Herdr 管理一排。主工具为 Qoder CLI 和 Claude Code，用 Codex、Agy、Grok Build 做对抗性 Review。研发流程包括 Brainstorm、Save Design、Improve Design、Impl、Review 五个原子节点，作者倾向花 90% 时间打磨 design。此外还介绍了基于 skill 的定时任务编排、Robobun 复刻尝试以及 Hunk、Moeka 等轻量周边工具。
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
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。
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。
文章指出，使用 Codex Skills 不应像逛插件商店一样盲目安装，而应围绕核心工作流进行选择。作者推荐了三个安装阶段：第一阶段优先安装前端设计类（如 frontend-design）和浏览器验收类 Skill，以实现从“写页面”到“审页面”的闭环；第二阶段安装研究类（如 last30days）和内容类 Skill，用于产出高质量长文；第三阶段按需补全 Figma 和销售类 Skill。此外，作者建议通过自定义 AGENTS.md 来固化工作流程，提升 Agent 的执行稳定性。
本文探讨了智能体工程中从单一代理到多代理编排的演变，提出了一个新的双轴模型：代理自治和编排。文章详细介绍了从辅助级别到并行委托级别的六个自治层级，以及 Claude Code 和 Codex 等工具在实现不同级别上的具体应用。
文章深入解析了 Claude Code 中 /goal、/loop 和 /workflows 三个核心命令的区别与用法。/goal 管理终点，适用于有明确验收标准的任务；/loop 管理节奏，适合定时轮询和值守；/workflows 负责监控多智能体并行工作。作者通过对比表格和实际案例，纠正了常见的混淆与错误用法，帮助用户根据任务类型选择正确的工具，实现从“一问一答”到“目标托管”的工作流升级。
文章指出了当前 AI 辅助编程中“Vibe Coding”的痛点，即单一 AI 会话承担过多角色导致错误累积。作者提出了“软件工厂”的解决方案，通过构建包含代码库研究员、需求撰写者、规格撰写者、后端/前端构建者及测试验证者的 7 个专业化 Agent，将任务拆解并隔离。这种结构化流程利用 Claude Code 实现了自动化且高质量的功能交付，彻底改变了单人监督 AI 的低效模式。
文章指出 Claude Code 直接使用存在上下文腐烂、缺乏流程约束等工程问题，提出利用 Harness（Agent 系统架构）来规范 AI 行为。作者详细对比了四套方案：Super Powers（纪律层）、GSD（上下文层）、G-Stack（角色层）和 Archon（编排层），并分析了各自的适用场景、优缺点及实施代价，建议开发者根据需求循序渐进地搭建 AI 开发工作流。
本文由 Claude Code 创始人 Boris Cherny 及作者团队实战经验总结，介绍了多项提升效率的高级技巧。核心包括通过 Chrome 扩展或 Playwright MCP 赋予 Claude 验证能力，利用 Git Worktree 实现并行会话，以及使用 /remote-control 实现手机远程遥控电脑编程。此外，文章还详解了 /loop 自动化循环、Hooks 钩子配置、/branch 分支管理等隐藏功能，帮助开发者掌握从入门到进阶的 AI 编程工作流。
本文介绍了“Claude Code 之父”Boris Cherny 的 9 条实战技巧。核心理念是保持配置简单，利用 Agent 并行处理任务，优先选择 Opus 模型以保证质量，通过 CLAUDE.md 积累项目记忆，以及使用 Plan 模式先规划后执行。此外，他还分享了斜杠命令、子 Agent、MCP 集成和自我验证机制等高级工作流，强调构建反馈闭环和自动化重复工作的重要性。
