到底什麼是 loop？

到底什麼是 loop？ 這個月，AI 工程領域出現了一個新的熱門詞彙，而且它至少代表了四種不同的含義：loop（迴圈）。 我們目前正處於炒作週期的頂峰。6 月 7 日，Peter Steinberger 發文表示，你不應該再對 coding Agent 進行提示詞工程（prompting），而應該設計能對 Agent 進行提示的 loop。同一週，Anthropic 的 Boris Cherny 在台上表示，他不再對 Claude 進行提示：「我撰寫 loop，由 loop 來完成工作。」Addy Osmani 在 6 月 7 日發表了一篇名為《Loop Engineering》的文章，swyx 在 6 月 12 日發表了《Loopcraft: The Art of Stacking Loops》，而 LangChain 則在 6 月 16 日發表了《The Art of Loop Engineering》。接著是 AI Engineer World's Fair，這個詞在主舞台上佔據了主導地位。Swyx 的主題演講是關於 Loopcraft，整個議程中有一個專門討論軟體工廠（software factories）的軌道，講者們一個接一個地提到同一個詞，會議在 7 月 2 日以一場長達一小時的辯論結束，討論 loop 背後的炒作是否已經超越了實際可行的範疇。 問題在於，談論 loop 的人並非在討論同一件事。我算了一下，這個詞背後隱藏了至少四種截然不同的架構。因此，這篇文章試圖梳理出大家所指的究竟是什麼。 執行 loop（Execution loop）：Agent 自身的「行動-觀察」循環 這就是大多數人在提到「Agent」時腦海中浮現的 loop：呼叫一個 tool，讀取結果，決定下一個動作，重複此過程直到沒有更多的 tool 可以呼叫。這就是 Addy 所說的內部執行 loop，是 Agent 現在可以在很大程度上自行運行的部分，也是你可以進行工程設計的最內層 loop（swyx 的堆疊中有一個 token loop，但沒有人會去設計 token loop，那只是模型的一部分）。 展開畫面重點圖片標題為「Loopcraft: The Art of Stacking Loops」。上方顯示一個流程鏈：「Tokens -> Turns -> Tasks -> Teams」，並標註為「= "the agent loop"」。 下方以巢狀結構展示了五個層級的迴圈，由內而外分別為： 1 · token loop：動作為 sample, append, repeat，退出條件為 stop token，時間尺度約為 seconds。範例顯示「the」、「cat」、「sat」與游標。 2 · agent turn：動作為 call tool, feed result，退出條件為 no more tool calls，時間尺度約為 minutes。範例顯示「readfile()」產生「240 lines」，接著「runtests()」產生「3 passed」。 3 · /goal loop：動作為 run, judge, retry，退出條件為 goal reached，時間尺度約為 hours。流程包含「agent result」進入「judge: off-goal ×」或「judge: goal met ✓」。 4 · MetaLoop：定義為「the loop that makes loops」，動作為 spawn, review, respawn，退出條件為 collaboration and competition，時間尺度約為 days。 5 · ???? loop：動作為 set goals, allocate, cull，退出條件為 none. open exploration，時間尺度為 ∞。 執行 loop 在單一任務的步驟中進行迭代。它以環境回饋作為結束：測試輸出、API 回應、檔案內容。人類通常不會出現在 loop 中間，只會出現在邊界處，負責批准計畫或審查結果。當 Agent 認為任務完成時，無論它是否真的完成，這個 loop 也會結束。該領域發現的第一個解決方案，就是將這個 loop 包裝在另一個不會輕信 Agent 說詞的 loop 之中。 任務 loop（Task loop）：不斷重啟 Agent 直到符合規格 這是第一個獲得命名的 loop，也就是 Geoffrey Huntley 的「Ralph Loop」。當 Keycard 的 Allie Howe 在介紹軟體工廠軌道時，引用了 Geoffrey 的文章《everything is a ralph loop》，Ralph Loop 便在 AI Engineer World's Fair 的主舞台上被點名。Ralph Loop 針對相同的規格不斷重啟 coding Agent，每次迭代都分配一個全新的 context window，並且每個 loop 只執行一個任務。這種看似浪費的行為正是重點所在：每次都重新輸入完整的規格，可以防止 context 腐化（context rot）以及長期運行會話中悄然發生的壓縮事件。 這個 loop 迭代的對象是一個單一的 artifact。結束這個 loop 的條件是符合規格並通過測試。人類負責撰寫規格並判斷是否完成；在 Geoffrey 的描述中，人類還有另一項工作，我稍後會再提到：觀察這個 loop，找出失敗模式，並進行修復，確保它們不再發生。在會議最後一天的閉幕辯論中，他將這個角色比作火車司機，其全部工作就是讓火車保持在軌道上。然而，如果從單一規格放大來看，一個更大的 loop 就會浮現：運行整個程式庫的 loop。 產品 loop（Product loop）：軟體工廠 這是 AI Engineer World's Fair 上呼聲最高的版本。Factory 的 Tereza Tížková 將軟體工廠定義為「整個 loop，即自主開發軟體的整個生命週期」，而 Warp 的 Zach Lloyd 在接受 Latent Space 採訪時，具體說明了這個生命週期包含哪些內容：分類（triage）、規格、實作、審查、驗證、發布和監控。Zach 的觀點是，軟體工程將轉變為工廠工程，而你將會打造出那個「打造產品的系統」。Warp 正在親身實踐這一點：該公司將其開源儲存庫置於其工廠平台 Oz 的控制之下，Zach 描述其採用路徑是從低風險的儲存庫開始，並將自動 PR 合併率從 20% 逐步提高到 60%。Anthropic 似乎也在內部進行同樣的實驗：該公司表示，其產品團隊 65% 的程式碼現在是由內部的 Claude Tag 版本所建立，而 Mike Krieger 在 World's Fair 上描述他團隊的使用方式是「委派且主動的」：不是「修復這個 bug」，而是對程式庫的這部分負責，監控這個回饋管道，並自行領取任務。 任務 loop 和執行 loop 有明確的退出條件；產品 loop 則持續對程式庫及其待辦事項進行迭代，其結束訊號完全來自程式庫之外：新的 issue、生產環境日誌、使用者回饋、審查結果。人類的角色變得可以配置。在 Zach 的框架中，你可以選擇要自動化的生命週期部分，以及人類介入的時間點，組織對於諸如「高風險變更是否應保留人工審查」這類問題的看法各不相同。工廠改善的是產品，而下一個 loop 改善的則是工廠本身。 系統 loop（System loop）：自動化研究（Autoresearch） Introspection 的 Roland Gavrilescu 將此稱為自動化研究，他在 Latent Space 採訪中的框架最為清晰：內層 loop 是你處理使用者導向工作的核心系統，而外層 loop 則負責研究和維護這個核心系統。它在提示詞、harness、模型選擇以及評測（evals）本身進行迭代。他的一句話總結是：loop 就是產品。 這種模式現在在規模的兩端都有了實際的驗證案例。最小的案例是 Andrej Karpathy 於 2026 年 3 月進行的自動化研究，大約 630 行 Python 程式碼，在一夜之間於單一 GPU 上運行了 50 次「假設-編輯-評估」實驗。已發布的案例則是 Meta 於 6 月下旬宣布的 Brain2Qwerty v2，研究人員報告稱，Agent 透過迭代修改程式庫來發明更好的解碼架構，從而大幅改善了字詞錯誤率。Meta 的警示很有啟發性：最終的訓練配置仍然是手動選擇的。即使是旗艦級的系統 loop，最後一個檢查點依然保留了人類的參與。 結束這個 loop 的條件是四者中最嚴苛的訊號集：評測、裁判、過濾後的產品回饋，以及在 Roland 的設計中，還包含一個明確的「詢問人類」工具，Agent 透過該工具累積隱性知識，就像新進員工一樣。這就是堆疊的…