AI编程新范式：不写Prompt，只写循环

Claude Code之父Boris Cherny最近说了一句话，在编程圈炸开了锅："我不再给Claude写Prompt了。我让循环帮我去Prompt它，我的工作是写循环。"

这不是他一个人的观点。一周之内，Google资深工程师Addy Osmani、OpenClaw创始人Peter Steinberger相继发声，指向同一个趋势：Prompt工程的时代正在让位给"循环工程"。

这个转变，值得到聊一聊。

什么是Loop Engineering？

Loop Engineering的核心逻辑很简单：把"写更好的Prompt"这个任务，分解成一套可自动化执行的循环。

传统Prompt工程的思路是：人写Prompt，AI执行，人根据结果调整Prompt，再执行。这个循环靠人驱动，效率取决于人的经验和对AI的理解。

Loop Engineering的思路是：人写循环框架，循环框架自动生成Prompt、验证结果、调整Prompt、再执行。人在循环之外，只需要定义目标和终止条件。

类比一下：传统方式是"手把手教AI做事"，Loop Engineering是"让AI自己学会做事的方法"。

Claude Code的六个循环原语

根据公开资料，Claude Code目前内置的循环原语包括：

goal：定义任务目标。不同于传统Prompt，goal需要明确可验证的成功条件，而不是模糊的指令。

verify：验证步骤。每次循环结束后，自动运行测试或检查输出是否符合预期。这是区分"看起来完成了"和"真正完成了"的关键。

retry：重试逻辑。当验证失败时，自动调整参数重新执行。这个原语把"调试"这件事自动化了。

escalate：升级策略。当循环超过一定次数仍未成功时，触发人工介入或改变策略。

prune：剪枝机制。识别并跳过无效的探索路径，避免在死胡同里浪费资源。

hooks：钩子函数。在循环的关键节点插入自定义逻辑，比如安全检查、日志记录、通知触发等。

这六个原语构成了Loop Engineering的基础语法。

三个必须避开的反模式

Loop Engineering听起来很美，但实践中容易踩坑。

第一个反模式是"嵌套过深"。循环里再起循环、再起subagent、subagent再起subagent——状态会膨胀到无法debug。实践经验是"循环+subagent不超过两层"。

第二个是"缺中断条件"。任务永远跑不完，因为没有定义什么叫"完成"。好的做法是把"完成"定义成可量化的指标：通过哪些测试？输出符合什么schema？写不出来就还不能跑。

第三个是"验证形同虚设"。/goal写得太松，模型自己说"完成了"就算完成。正确的做法是让"verification step由另一个subagent跑独立测试"，而不是自己验证自己。

国内开发者怎么用？

有人可能会问：这都是Claude Code和OpenAI Codex的玩法，国内工具能用吗？

答案是：方法论是中立的。Loop Engineering不绑定任何特定模型。任何能接受"目标+验证条件+工具调用"的Agent，都能跑这套逻辑。

国内工具里，Trae、MarsCode、通义灵码、智谱清流都可以尝试。或者用Cursor接GLM-5.2、Kimi K2.7、DeepSeek V4-Pro，这套范式同样适用。

关键不是工具，是思路。把自己的角色从"Prompt工程师"转变成"循环架构师"。你不需要写出更好的Prompt，你需要写出更清晰的循环边界。

写在最后

Loop Engineering的本质是让AI自我驱动。人的角色从"执行者"变成"监督者"。这个转变对很多开发者来说可能有点不适应——我们习惯了掌控感，习惯了亲手写代码、亲手调试。

但换个角度想：你会骑马，不意味着你要一直牵着马走路。有时候，骑上去，让马自己走，可能会更快。

当然，前提是你得知道缰绳怎么用。