对话百川智能郭美青：你辛苦做的 Skill，最后都成了大模型的「养料」
本文是 AIGCLINK 与百川智能技术总监郭美青的对谈。双方探讨了 Skill 的本质是模型补丁，指出优质的 Skill 易被大模型内化成训练养料；同时梳理了 Harness、Loop、Graph 等新概念背后的技术演进逻辑。最后建议从业者不要将当下视作终局，应从生意出发，从上往下构建确定性，以应对底层技术的快速迭代。
🏷️ Loop
8 篇构建智能代理的三层架构：Loop、Graph与Harness
本文提出解决Agent重复读取数据和Token浪费的三层架构方案：Loop负责单元工作的收集-行动-验证闭环；Graph通过分发和并行管理复杂任务；Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。
为什么顶级 AI 工程师不再写提示词：Loops 与 Harness 的崛起
文章指出，AI 交互方式正在从单一的“提示词”转向“循环”。顶级工程师不再手动编写 Prompt，而是设计自动化循环，让智能体自我迭代直至任务完成。以 Slate 工具为例，介绍了如何通过编写 JavaScript“程序”来掌控循环逻辑，实现多模型并行处理和真实世界交互，从而构建更强大的智能系统。
基于 Loop 的 BaoCut App 开发流程
作者分享了开发 BaoCut App 的基于 Loop 的流程：使用 baoyu-design skill 配合 Claude Code 设计原型，然后让 AI 实现功能，最后通过 Codex 的 CloudFlare Plugin 发布新版本。整个迭代从想法到 AI 设计、实施，再到人验证，形成高效闭环。
Loop Engineering: The Karpathy Method - and the workflow that just made it 5x better
文章介绍了 Andrej Karpathy 推广的“循环工程”概念，即通过 AI 自动化循环（目标设定、规划、执行、验证）替代传统的单次 Prompt 交互。文章阐述了循环的核心要素，分析了适用场景，并以 AutoResearch 为例展示了其在模型训练中的成效。此外，文章还讨论了构建循环的五大组件，并提出了“双层循环”等进阶优化方法。
Karpathy 的 10 条 Claude 新军规：从交任务到交责任
文章解读了 Andrej Karpathy 团队泄露的 CLAUDE.md 文件，包含 10 条核心原则。对比社区早期提炼的 4 条，新增的 6 条（先读代码、自我验证、调试、依赖管理、沟通、失败模式）针对的是无人值守的“交责任”场景，是实现 Loop 工程化和放手 Agent 的关键。
构建 Agent 技能的自我改进循环
本文介绍了如何通过“自我改进循环”提升 Agent 的技能质量。作者以 Issue 分类为例，展示了如何构建双层循环架构：内层循环负责执行具体的分类任务，外层循环则根据人工反馈自动调整技能代码。利用 GitHub Actions 和云代理平台，系统能持续从历史交互中学习并优化自身。
2026年AI工程师的核心技能：Loop（循环）工程
文章探讨了2026年AI工程范式的转变：从单纯的“提示词工程”转向设计自动化的“循环系统”。OpenAI与Anthropic的专家指出，工程师的角色已变为编写控制Agent的循环。文章深入解析了循环工程的定义、单体Agent与编队模式的区别，以及开放式与封闭式循环的差异。此外，文章重点讨论了循环模式带来的高昂Token成本问题，指出DeepSeek等低成本、大上下文的中国大模型是解决这一经济瓶颈的关键。