本文深入探讨了当前AI Agent领域从单循环（loop）向图结构（graph）转变的本质。作者指出，单循环优化存在四种典型失败模式：古德哈特效应（目标绑架）、向上盲视（不质疑目标合理性）、多循环冲突、以及测量退化。成熟的系统通过构建循环网络——包含冠军-挑战者循环、漂移监控、回滚机制和独立审计循环——来缓解这些问题。然而，图结构并非万能：若无锚定（anchors）和与现实世界的接触，它会沦为自我指涉的表演。文章强调，真正的进步不在于采用哪个模式，而在于保持改进机制与现实的连接，以及承认最终目标的设定需要人的判断。适合AI工程、MLOps和Agent设计者阅读。
prompt engineering 时代正在结束，顶尖AI工程师转而构建“循环（loops）”系统：Agent 自主规划、执行、验证结果，直到目标达成。文章以 Karpathy 的两天700次实验找到20个人工遗漏优化为例，详细拆解循环的五阶段（发现、规划、执行、验证、迭代）和三个核心组件（心跳、技能文件、验证器）。作者警告了两种无声失败模式：Ralph Wiggum 循环（过早退出）和理解债务（代码堆积无人理解）。给出实战建议：从最讨厌的重复任务开始，先确保手动可靠再上自动调度，用“每次接受的变更成本”而非 PR 数量衡量效果。适合正在构建 agent 工作流的工程师。
本文提出工程师应从写单次提示词转向设计自动化循环（loop），让AI代理持续工作。核心架构包含六要素：自动化触发器、工作树（git worktree）隔离、技能文件、连接器、子代理和持久化记忆文件（如STATE.md）。关键模式是评估器-优化器：一个代理生成内容，另一个用测试/类型检查等客观标准校验。停止条件必须是可验证的（测试通过、构建成功），不能依赖代理自我声明。通过自主阶梯（建议、草稿、低风险自动、完全自动）逐步提升自动化等级。文中也提醒注意Token成本和命令白名单安全。
本文提供了一份详细的 14 步路线图，教你如何利用 Claude Fable 5 构建一个能自我改进的代理系统。核心在于将 Fable 5 从“提示-关闭”的临时工具转变为持续累积的系统：通过 /goal 和 Outcomes 实现自纠正循环，用独立验证子代理替代自我批评来提升探索空间，借助状态文件（STATE.md）和 Skills 实现跨会话记忆，并利用动态工作流和 Routines 实现长时间自主运行。文章还给出了成本-能力矩阵（Fable 5 用于编排，Sonnet 4.6 用于工作，Haiku 4.5 用于评分）以及 Mythos 安全边界的处理建议。适合想要真正发挥 Fable 5 长期自主能力的 AI 工程师和系统设计师。
Claude Code团队定义了四种循环模式（turn-based、goal-based、time-based、proactive），并详细说明其触发方式、停止条件、适用场景及成本控制技巧。文章通过具体命令（/goal、/loop、/schedule）和SKILL.md示例展示了如何让Agent迭代工作、自验证结果，以及如何组合原语构建自动化工作流。适合正在探索Agent工程化的开发者。
Claude Code 团队官方博客，详细介绍了四种循环模式：基于回合、基于目标、基于时间和主动循环。文章解释了每种模式的触发方式、停止条件、适用场景及 token 管理策略，并提供了具体的 CLI 命令和 SKILL.md 示例。核心观点是：并非所有任务都需要复杂循环，应从最简单的方案开始，逐步为重复性工作设计自动化流水线。对于已在使用或计划使用 Claude Code 进行自动化开发的工程师极具参考价值。
本文详细介绍了如何使用 Claude 构建 Agent 运行环境（Harness）的 14 个步骤，从基本的运行时配置到可自我改进的系统。作者强调 Harness 是 Agent 的基础，定义了模型、工具、权限和初始上下文，而循环（Loop）只是在此之上的定时器。文章提供了具体的目录结构（.claude/）、CLAUDE.md 编写规范、settings.json 权限模板、子代理（Subagent）用于隔离脏活、技能（Skills）复用流程、钩子（Hooks）强制执行不可协商的规则、以及记忆（Memory）实现跨会话积累。最终，一个良好的 Harness 能让循环输出有用结果，并在每次运行中不断优化。适合正在使用或计划使用 Claude Code 构建多 Agent 系统的工程师。
本文指出，单纯依靠大语言模型在循环中自主决策的Agent架构已经触及天花板——循环无法解决计划遗忘、无限重试、自检造假和不可追溯四个根本缺陷。作者通过实际代码演示：同一模型在循环中给出错误答案747（真值为615），而同样的工具在带验证门的图结构中准确返回615。文章提出四个替代属性：显式依赖（将计划从上下文窗口提升为静态图）、有界恢复（固定断言阶梯而非模型自行决定）、不可变日志（每步操作可重放可审计）、验证器门（输出必须通过独立检查节点）。最终转折：前沿实践已从手写循环演进为让模型自身绘制任务图（Anthropic动态工作流模式），而图结构基础设施（如Temporal）才是循环工程的下一个台阶。
本文是 Claude Code 官方发布的工程指南，系统梳理了四种 agent 循环模式及其适用场景。Turn-based 循环适合探索性短任务，用户可通过编写 SKILL.md 将手动验证步骤编码为自动检查，例如要求 Claude 启动 dev server、截图并检查浏览器控制台。Goal-based 循环通过 /goal 命令设定确定性终止条件（如 Lighthouse 评分 ≥90），并强制 Claude 在达到阈值前持续迭代。Time-based 循环由 /loop（本地间隔轮询）和 /schedule（云端定时触发）支持，适合处理 PR review、CI 失败修复等重复性依赖外部系统的工作。Proactive 循环组合 /schedule、/goal、动态工作流和 auto mode，构建面向长期运行任务的生产线。文章还讨论了代码质量维护、token 用量管理策略，强调用脚本替代推理、用小模型处理例行任务、用 /usage 命令监控各技能和子 agent 的成本。适合正在将 Claude Code 嵌入日常开发流程的工程师。
本文由 Claude Code 构建者 Boris Cherny 的观点切入，提出 Agent 开发的重心已从提示工程转向循环工程（Loop Engineering）。作者详细拆解了 Agent 循环的内核（一个简短的 while 循环），并指出真正的工程挑战集中在四个环节：如何准确判定任务完成（而非模型停用工具）、如何保持上下文清洁以防止“上下文腐烂”、如何设计让 Agent 能实际使用的工具（幂等性与面向 LLM 的错误信息）、以及如何在循环中引入独立的验证者（Critic）来避免模型自我认可。文章强调，模型正趋于同质化，围绕模型的“马具”（Harness）——即循环系统——才是工程师应投入精力的方向。适合 Agent 开发、AI 工程与系统设计的相关工程人员阅读。
Anthropic 内部 Claude Code 的构建者 Boris Cherny 透露，他已不再手动编写提示词，而是通过编写“循环”让 Claude 自动工作。本文定义了什么是一个真正的循环（loop）：一组能够自动感知任务、执行、自我检查、状态记录并重复的系统，而非简单的 cron job。与传统的一次性提示不同，循环的核心是内置了决策者，Claude 能在中途判断是否继续、重试或停止。文章详细介绍了 Claude Code 中的 /goal（任务完成即停止）和 /loop（按节奏重复）两个命令，并提供了一个可直接粘贴使用的循环宪章模版，涵盖目标定义、任务来源、工作方式、自我检查机制、状态记忆和停止条件。适合希望将 Claude 从对话式工具转向持续自动化工作流的工程师。
作者分享了与AI Agent协作编码的实用工作流：定义一个可验证的“完成标准”（如模型评估分数、QA通过、测试套件绿色、性能基准），编写一个循环让Agent自主迭代，并通过通知渠道（如Slack）在需要决策或完成时获得提醒。循环在云端运行，不占用本地终端。作者能同时运行3-5个长循环，外加多个短任务。适合希望将Agent从单次交互升级为长时间、自主优化任务的一线工程师。
本文以对话式教程系统介绍Loop Engineering的核心思想：它不是新概念或炒作，而是将人类与AI协作中的重复动作（目标设定、分步执行、质量检查、反馈修正、停止条件）规范化为一套可执行的工作循环。文章对比了普通提示词（单次指令）与Loop（持续闭环）的本质区别，并提供了一个最小可行案例——用LLM Wiki思路构建个人知识库。作者强调检查环节是Loop的心脏，没有检查标准就只是自动化制造垃圾，同时列举了新手常见陷阱，包括把长提示词当Loop、目标过大、标准模糊、无人验收等。文章技术含金量中等，偏入门教学，但提供了可直接复用的模板和七要素清单（目标、输入、执行、检查、反馈、记录、停止），适合刚接触Agent工作流、想尝试结构化协作的工程师。
本文来自 @0xCodez 发布在 X 上的长篇技术博文，系统阐述了“循环工程”（Loop Engineering）——从手工编写提示词（prompt）过渡到设计自动循环系统的完整路线图。文章基于 Anthropic 工程文档、Addy Osmani 的长文及近期测量研究，将转变过程分为三个层级共 14 步：首先通过 4 条件测试判断是否需要循环；然后掌握 5 个基础构件（自动化、工作树、技能、连接器、子智能体）；最后构建最小可行循环并规避常见陷阱（如“Ralph Wiggum 循环”、知识债、安全风险）。作者明确指出，循环工程并非万能——只有任务重复、验证可自动化、预算能承受浪费、且智能体拥有资深工程师工具时才有意义。本文适合已熟悉编码智能体基础用法、希望将其融入自动化工作流的工程师阅读。
本文由一位后端开发兼量化交易系统实践者撰写，核心论点是告别逐次提示AI的工作模式，转而构建自运行的循环（Loop）。作者拆解了生产级循环的六个必要组件：自动化触发、技能文件（SKILL.md）、状态文件（STATE.md）、验证器（独立Agent）、Git worktrees 隔离、以及基于 MCP 的连接器。进而将量化交易的五个阶段（数据摄入、信号生成、验证、执行、风险监控）各自封装为子循环，并引入‘经验写入技能文件’的机制，实现系统自我进化。适合对AI工程、量化系统架构感兴趣的工程师。