@omarsar0:從 Prompting Agents 到 Loop Engineering
 
 AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Promp… episode artwork

EPISODE · Jun 19, 2026 · 7 MIN

@omarsar0:從 Prompting Agents 到 Loop Engineering AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Promp…

from EasyVibeCoding Podcast · host elvis

從 Prompting Agents 到 Loop Engineering AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Prompt 了,開始設計能替你下 Prompt 的「迴圈(Loop)」吧。就像所有新事物一樣,這類觀點總是被反覆提及,卻鮮少有人解釋清楚。這是一篇實務指南,說明什麼是 Agent 迴圈、為什麼它很重要,以及在生產環境中它長什麼樣子。 以下是我從與學生、技術創辦人、AI 工程師及新創公司進行的實驗、研究與對談中整理出的心得(由 Claude 協助撰寫)。 你也可以將我們最近的直播課程「自主長效型程式開發 Agent(Autonomous Long-Running Coding Agents)」作為切入點,深入了解這些概念。 這個說法的由來 「你不需要再對程式開發 Agent 下 Prompt 了。你應該設計能對 Agent 下 Prompt 的迴圈。」—— Peter Steinberger (@steipete),2026 年 6 月 7 日。220 萬次觀看。原始推文 Claude Code 的開發者 Boris Cherny 也從另一個角度提出了相同的觀點。 「我不再對 Claude 下 Prompt 了。我執行的是迴圈。是這些迴圈在對 Claude 下 Prompt 並決定該做什麼。我的工作是撰寫迴圈。」—— Boris Cherny (@bcherny)。原始推文 重點並非 Prompt Engineering 已死。透過 Loop Engineering,工作層級向上提升了:從撰寫程式碼轉變為撰寫「負責撰寫程式碼的系統」。在這個領域進展最快的開發者表示,他們曾有數個月的時間,在完全沒開啟 IDE 的情況下發送了數百個 PR,每一行程式碼皆由 Agent 完成。 什麼是迴圈(Loop)? 迴圈是一個你撰寫的小型程式,它執行四件事: 替你向程式開發 Agent 下 Prompt; 讀取 Agent 的產出; 判斷任務是否完成; 若未完成,則帶著錯誤訊息或下一步指令再次向它下 Prompt。 你不再需要坐在迴圈裡手動輸入 Prompt;你撰寫迴圈,而模型則成為該迴圈呼叫的一個子常式(subroutine)。 展開畫面重點該流程圖由四個主要節點組成,箭頭指示了處理順序: 「goal + state」(目標與狀態):流程的起點。 「act」(執行):包含「edit / run / tool」(編輯/執行/工具)功能。 「check」(檢查):包含「tests / verifier」(測試/驗證器)功能。 「stop + report」(停止與報告):流程的終點。 流程邏輯說明: 當「check」階段結果為「pass」(通過)時,流程會導向「stop + report」。 當「check」階段失敗時,會透過一條虛線箭頭回饋至「act」階段,標註文字為「fail: feed the error back」(失敗:將錯誤回饋)。 其運作模式始終如一:設定目標、執行、檢查、回饋錯誤,並重複此過程,直到檢查通過或迴圈自行停止。 「迴圈」至少代表五種含義 許多爭論源於人們用同一個詞指代五種不同的概念。以下是從最舊到最新的演進: 展開畫面重點該圖表以階梯狀呈現 AI 代理技術的發展歷程,從左下角的「較舊」技術演進至右上角的「較新」技術,並註明「每一階層都更具自主性」。圖中包含五個階段的節點: ReAct (2022, reason / act / observe) AutoGPT (2023, self-prompting goal) ralph loop (context reset each turn) /loop and /goal (cadence + completion built in) orchestration (one author, many agents) ReAct (2022):最初的研究模式:推理(Reason)、行動(Act)、觀察(Observe),然後重複。 AutoGPT (2023):一個自我 Prompt 的目標迴圈,以「不知道何時該停止」而聞名。 ralph 迴圈:在每次迭代之間刻意重置 context,避免 Agent 淹沒在自己的歷史紀錄中。 /loop 與 /goal:將節奏與完成條件內建於 Agent 中,並在不同回合間維持狀態。 Orchestration(編排):由一個主控端分派多個 Agent,讀取你的 GitHub、Slack 與聊天紀錄,並決定下一步該建構什麼。 你實際組裝的零件 上述演進解釋了人們口中的「迴圈」意指為何;以下是建構迴圈所需的基礎。這六個零件在每次組裝時都會出現,且現在大多數已內建於程式開發工具中,不再需要你自行維護自訂腳本。 展開畫面重點圖片標題為「The six parts you assemble into a loop」(你組裝成迴圈的六個部分),內容包含六個編號項目: Trigger(觸發器):包含 schedule(排程)、webhook、PR label(PR 標籤)。 Isolation(隔離):包含 a git worktree per agent(每個代理一個 git 工作樹)。 Written-down context(書面上下文):包含 conventions it reads each run(每次執行時讀取的慣例)。 Tool access(工具存取):包含 issue tracker(問題追蹤)、CI、DB(資料庫)、chat(聊天)。 A second agent(第二個代理):包含 grades the work, held apart(評分工作,並保持分開)。 State on disk(磁碟上的狀態):包含 markdown、board(看板)、queue(佇列)。 觸發器(Trigger):無需你手動啟動,就能自動開始迴圈的機制:排程、webhook、檔案變更,或 PR 被貼上標籤。這是區分「真實迴圈」與「手動重複執行」的關鍵。 隔離(Isolation):每個 Agent 擁有獨立的 checkout(通常是 git worktree),確保同時執行的兩個 Agent 不會覆寫彼此的檔案。一旦你同時執行超過一個 Agent,這就不再是選項,而是必要條件。 書面化的 context:將慣例、建置步驟與專案特定規則存放在 Agent 每次執行時都能讀取的地方。若忽略此點,迴圈會在每次執行時重新推導你的專案,並對缺失的部分進行猜測。 工具存取權(Reach into your tools):連接到 Issue Tracker、CI、資料庫與聊天軟體,讓迴圈能直接開啟 PR、連結 Ticket 並發布結果,而不是只列印出修正方案,還要等你手動執行後續步驟。 第二個 Agent 檢查:由一個獨立的執行者評估輸出結果,且該執行者必須與產出結果的 Agent 分開,因為模型若審核自己的工作,幾乎所有內容都會通過。 磁碟上的狀態(State on disk):Markdown 檔案、看板或佇列:任何存在於對話之外、能記錄「已完成」與「下一步」的媒介。模型在執行間會遺忘,但檔案不會。 組裝好這六個零件,你就為 Loop Engineering 打下了良好的基礎。過去你必須手動打造一切;現在大多數功能已作為內建特性提供,這也是為什麼這種模式已從邊緣技術轉變為常見用法。 具體迴圈範例:PR 保姆 一個你今天就能建構的具體範例: 展開畫面重點該圖表描述了一個名為「The PR babysitter, one scheduled run」的自動化工作流程,包含以下步驟與邏輯: 觸發機制:每 15 分鐘(every 15 min)進行一次排程觸發(scheduled trigger)。 篩選對象:針對標記為「agent-watch」的開啟中 PR(open PRs)。 診斷階段:進行診斷(diagnose),檢查 CI 是否失敗(CI red?)或主分支是否有變動(main moved?)。 執行動作:執行單次動作(act once),進行修復或重定基底(fix or rebase)。 停止條件:若 CI 顯示綠燈(CI green)則合併 PR;若預算耗盡(1 次修復、5 分鐘、10 個檔案)則停止並通知人類(stop and ping a human)。 觸發器:每 15 分鐘執行一次。 範圍:標記為 agent-watch 的開放 PR。 行動:若 CI 因為確定性原因失敗,嘗試一次修正。若主分支有更新,執行一次 rebase。 預算:每個 PR 僅限一次修正嘗試、五分鐘時間、變更十個檔案。 停止條件:CI 變為綠燈,或預算耗盡,隨後停止並通知人類。…

Episode metadata supplied by the publisher feed · Published Jun 19, 2026

Embed this episode

NOW PLAYING

@omarsar0:從 Prompting Agents 到 Loop Engineering AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Promp…

0:00 7:18

No transcript for this episode yet

We transcribe on demand. Request one and we'll notify you when it's ready — usually under 10 minutes.

No similar episodes found.

No similar podcasts found.

Frequently Asked Questions

How long is this episode of EasyVibeCoding Podcast?

This episode is 7 minutes long.

When was this EasyVibeCoding Podcast episode published?

This episode was published on June 19, 2026.

Can I download this EasyVibeCoding Podcast episode?

Yes. Use the download control on the episode player to save the publisher-provided media file.
URL copied to clipboard!