Graph Engineering：从 0 到 1 小白完整教程
文章介绍了 Graph Engineering，一种通过流程图协调多个 AI 协作完成复杂任务的方法。它将复杂任务拆解为节点、边和状态，解决了单 Loop 应对复杂任务时的局限性。文章详细解析了 Graph 的核心概念、与 Loop 的关系、四个核心模块及具体实践模板，并提供了新手学习路径。
🏷️ Loop Engineering
16 篇Agent工程架构解析：Harness、Loop与Graph的区别
本文深入解析Agent工程中常被混淆的三个架构层级：Harness工程构建模型运行环境与基础能力；Loop工程设计工作反馈循环，通过验证与迭代提升质量；Graph工程则显式定义工作流拓扑，控制节点分支与状态转换。文章强调理清环境、反馈与流的关系对构建生产级Agent至关重要。
Loop Engineering: A Dummies' Guide to /loop
本文介绍了Claude的Loop工程概念，即通过设置目标让AI自动循环执行任务，而非传统的手动提示。文章详细解析了Loop的六个组成部分：触发器、执行者、检查器、停止规则、记忆和指令，并提供了运行第一个Loop的方法及常见错误避免建议。
我把 Loop Engineering 做成了一个 Skill
作者将 Loop Engineering 架构封装成了一个开源 Skill，旨在帮助用户通过回答业务问题快速定制化搭建持续运行的 AI 系统。该 Skill 强调先锁定目标、防漂移检查及人工审批权，适合需要长期自动化工作流的用户。
一张图看懂Loop Engineering
作者通过视频和动画图解了Loop Engineering的概念，并分享了GitHub开源项目链接，与读者讨论实现细节。
WorkBuddy万字保姆教程｜用好「深度研究」永不加班～
本文深入剖析了 WorkBuddy 中“深度研究”功能的底层设计，将其拆解为 Rule（主控）、Subagent（执行）、Skill（工具）和 Plugin（容器）的协同机制。文章通过实战演示，讲解了如何编写高质量的调研提示词，利用“主从并行”模式在十几分钟内生成万字白皮书，并强调了设定边界、预算控制及先计划后执行的重要性。
Loop Engineering 实战指南：美股投资者如何把 AI 从聊天工具变成投研助理
文章介绍了 Loop Engineering 的概念，旨在将 AI 从“一问一答”的聊天工具转变为能够持续执行并自我验证的“投研助理”。作者详细阐述了 Loop Engineering 的核心机制（目标、执行规则、验证标准、状态记忆），并结合美股投资场景，提供了一个具体的实战案例：每日美股市场研究 Loop。通过定义明确的 Prompt、引入独立的 Reviewer Skill 进行验证、以及利用 LOOP-STATE.md 保持记忆，投资者可以构建一个自动化且可靠的信息处理工作流，从而提升投研效率。
Claude Code 作者说他不再写 prompt 了
文章介绍了 Claude Code 作者提出的“循环工程”（Loop Engineering）概念，即通过设计自动化的反馈循环，让 AI Agent 自主完成从执行到校验的全过程。核心在于从“写提示词”转变为“设计终止条件和校验机制”，详细拆解了触发器、执行层、校验器、停止规则等六个关键组件，强调了明确终态和范围约束的重要性。
前微软x字节工程师转型独立开发：大厂那套方法论，出来后反而没用
本文记录了前微软、字节工程师王启源的访谈，探讨了从大厂转型独立开发的经历、AI 编程工具（如 Claude Code, Codex）的实战应用、Loop Engineering 与 Harness 的演进，以及未来 Agent OS 的形态。
如何精通 Fable（基础指南）
本文是一份关于 Claude Fable 的综合使用指南。作者详细介绍了 Fable 与此前模型的主要区别，重点讲解了 Loop Engineering（循环工程）的概念及其在实现 AI 自动化工作流中的应用。文章还深入探讨了如何利用 Fable 的 Skills 功能构建自定义技能，强调了其强大的视觉能力在数据提取、UI 审查和逆向工程等场景的潜力，并提出了模型选择的“杠铃策略”以平衡性能与成本。
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。
构架师教程：Foundation Engineering —— 祛魅 Loop Engineering
文章深刻剖析了被神化的“Loop Engineering（循环工程）”，指出其实质是古老的闭环控制系统。作者强调，随着AI执行能力的普及化，“怎么写”已不再重要，真正的稀缺能力是定义“什么算对”的判定标准（立法能力）。文中提出了“Maker/Checker分离”、“判定证据路径”以及“颗粒度决定成败”等核心观点，并用TSC（类型系统）作为最冷酷的判定工具，揭示了AI时代地基工程的关键在于用确定性约束去驾驭不确定的执行机构。
从 Prompting 到 Loop Engineering：AI 编程的新范式
文章提出 AI 编程领域正在从人工编写提示转向设计循环。Loop Engineering 是指编写自动化的程序来驱动编码 Agent，通过设置目标、执行、检查和反馈的闭环，实现无人值守的代码生成与修复。文章分析了循环的五种演进形式及六个核心组件（如触发器、隔离、上下文等），并结合 Claude Code 的 /goal 命令展示了具体的工程实践。
关于循环工程的思考：验证是核心
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。
从提示词工程师到循环设计师：14 步进化路线图
本文提出了“循环工程”概念，阐述了开发者的杠杆点已从手动编写提示词转移到设计自动化系统。文章详细介绍了从 Prompter 进化为 Loop Designer 的 14 步路线图，包括适用性测试、经济性分析及自动化构建的五大核心模块，旨在帮助开发者通过构建自驱动的编码循环来提升效率。
Loop Engineering: 定义 AI 编程代理的未来
本文提出了“Loop Engineering（循环工程）”的概念，即从手动提示 Agent 转向设计自动执行的系统。文章探讨了构建循环的五个核心模块（自动化、Worktree、Skills、插件、子代理），并结合 Claude Code 和 Codex 两大工具，分析了如何实现 AI 编程任务的自主迭代与质量控制。