现在 AI 圈子里冒出这么多新名词，如果不理清

别再只会写 Prompt 了，Loop Engineering 才是趋势

以前我们玩 AI 主要是写个 Prompt，等它吐出结果，这叫 One-shot。但现在的重点是 Loop Engineering（循环工程）。

简单说，它不是让你手动去问问题，而是设计一套可以重复运行的系统。比如，你不再是每天早上手动让 AI 总结 Issue，而是写一个自动化循环：自动抓取 Issue -> 交给 Agent 处理 -> 校验输出结果 -> 如果卡住了就自动升级处理流程。这本质上是把 AI 变成了一个“AI 原生版的 Cron Job”。

这里面有个比较粗暴的变体叫 Ralph Loops。它的逻辑是给 Agent 一个极其详细的任务（比如一份 PRD），然后让它不停地执行“计划-行动-检查”的循环，直到任务完成。虽然这招很管用，但代价也非常高，因为每一轮迭代都在疯狂消耗 Token 和计算资源。所以，好的 Loop Engineering 需要引入技能（Skills）、观测性（Observability）和检查点（Checkpoints）来控制成本和准确性。

从单一模型到 Squads 和 Harnesses 的架构演进

当任务复杂度提升，单打独斗的 Agent 就不够用了，于是出现了两个层面的概念：

• Squads（小队）与 Fleets（舰队）：

- Squads 模拟的是现实中的团队，不同的 Agent 扮演不同角色。比如一个 Agent 负责写计划，一个负责审核，一个负责写代码，一个负责测试。
- Fleets 则是规模化的体现，指的是大量 Agent 在并行工作。你可以理解为一群“小队”在同时处理不同的任务流。

• Harnesses（马具/约束系统）：

这个比喻很形象。如果模型是奔腾的野马，Harness 就是控制它的缰绳和马具。它指的是模型之外的所有支撑系统，包括工具调用、权限控制、上下文管理和编排逻辑。GitHub Copilot 就是一个典型的 Harness，它把模型连接到了你的编辑器、终端和代码库上。所谓的 Harness Engineering，其实就是在做这种“模型外围环境”的工程化设计。

最后还有一个叫 Hill Climbing（爬山算法/迭代优化） 的概念，指的就是通过不断的反馈机制来持续调优 Agent 的表现，让它一步步达到最优解。

现在的技术栈已经不是单纯比拼模型参数了，怎么把这些组件通过 Loop 和 Harness 串联起来，才是真正的工程难点。