Anthropic与OpenAI工程师转向Loop架构以降低AI交互成本

Serena心心加州

人类与人工智能的协作模式正在由逐步指挥转向机制设计，只有在任务具备可重复性、结果可验证且具有经济价值时搭建循环工程，才能避免AI因缺乏明确标准而原地空转并消耗大量Token成本。

AI-assisted summary of Prompt、Harness 还没学完，硅谷又开始聊 Loop Engineering 了 — original source. Check the original for full context.

Source published: 2026-06-22

Detailed notes

## Background 该视频由 YouTube 频道「Serena心心加州」于 2026 年 6 月 22 日发布。视频简介指出，当前硅谷的 AI 工程师正在热议「Loop Engineering（循环工程）」概念，本期内容旨在探讨它与 Prompt、Harness 的区别，并通过大厂案例及创作者自身的 YouTube 选题实操，分享如何搭建 AI 循环系统以及探讨其适用场景。

## TL;DR 视频深入探讨了 AI 协作领域的前沿趋势——从“人类步步指挥”向“设计系统让 AI 自主循环”的范式转变。主讲人清晰界定了 Prompt Engineering（对话层）、Harness Engineering（环境层）与 Loop Engineering（机制层）的核心区别，强调 Loop 具备评估、重试和自主停机能力，本质上不同于僵硬的传统自动化。同时，视频结合 OpenAI Codex、Claude Code 以及非代码场景下的 YouTube 选题筛选实操，展示了 Loop 的巨大潜力，并指明其适用于可重复、结果可验证且具经济价值的场景。

## Atmosphere & style 视频整体呈现出一种敏锐、前沿且务实的科技对谈氛围。主讲人以极具洞察力的视角，将硅谷一线的最新技术动向转化为通俗易懂的干货分享，既有打破思维瓶颈的兴奋感，又带着清醒、理性的思辨。在分享个人搭建的选题 Loop 实操时，语气充满热忱与实证主义色彩，随后又冷静地为盲目迷信技术的人“泼冷水”，整场输出行云流水，给观众带来一种退后一步、俯瞰 AI 协作全局的开阔感与启发感。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=0s) AI 协作正在向 Loop Engineering（循环工程）转变，不再依赖人类一连串发送 prompt，而是让循环在后台运行驱动 Agent 并判断行动。 - [00:47](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=47s) 顶级 AI 一线专家（如 OpenClaw 创始人 Peter 和 Claude Code 开发者 Boris）的工作已精简为不直接 prompt Agent，而是纯粹编写 loop。 - [01:36](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=96s) Loop（循环）与普通 Automation（自动化）的本质区别在于，自动化是固定死板的直线流，而 Loop 是会根据输出结果进行实时审视、自主判断和纠错的圆圈。 - [02:26](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=146s) Prompt Engineering 侧重人与 AI 的一问一答，完全依赖人类一轮轮提问来推进任务。 - [02:49](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=169s) Harness Engineering 是为 AI 搭建干活所需的基础设施、上下文和反馈信号；Harness 是基础设施，Loop 是运行机制，两者相辅相成。 - [03:28](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=208s) Loop Engineering 专注于让 AI 能够自己一轮轮执行、验证并重试，直到任务完成或耗尽预算上限，无需人类守在电脑前人肉调度。 - [04:27](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=267s) OpenAI 的 Codex 利用设计环境和搭建反馈循环，实现了几乎没有人工手写代码的产品开发，完美践行了“观察、修改、验证”的循环。 - [05:07](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=307s) Anthropic 的 Claude Code 通过集成 subagents、hooks、checkpoints 等功能，为普通用户拼装出一套完备的 Loop Engineering 基础设施。 - [05:46](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=346s) Loop Engineering 同样适用于非代码场景，例如通过“素材库、打分表、主控循环、结果输出”四个文件的协同，可以实现 YouTube 选题的自主评估、重试与筛选。 - [08:15](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=495s) 搭建 Loop 必须满足三个前提条件：事情具备可重复性、结果具备可量化的验证标准、以及具备足够的经济价值，否则会盲目空转并消耗大量 token 成本。 - [09:34](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=574s) 从 Prompt 到 Harness 再到 Loop，AI 技术在朝着高度自动化上演进，人类的职责也从疲于奔命的“人肉调度员”升级为退后一步的“循环设计师”。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=0s) 引言：AI 协作的新范式与 Loop Engineering

如果你已经掌握了如何撰写 prompt，也懂得为 AI 搭建基本的工作环境，但在实际使用中却依然觉得自己像一个“人肉调度员”——必须一刻不停地守在电脑前，发一条指令、等它跑完、看完结果，再发下一条——那么，你可能正缺少关键的最后一层认知。这个打破瓶颈的核心概念叫做 **Loop Engineering（循环工程）**。

虽然听到这个词，大家的第一反应可能会是：“怎么又在造词？从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering，现在又来一个？”事实上，主讲人一开始也是同样的怀疑态度。但最近几个月，X（原 Twitter）上多位重量级的 AI 工程师都在反复聊同一个话题，且表达的意思高度一致。OpenClaw 的创始人 Peter 指出：“你不应该再一条一条地 prompt coding agent 了，你应该去设计那些会替你 prompt agents 的 loop。”Anthropic 旗下 Claude Code 的开发者 Boris 甚至表示，他现在已经不再亲自向 Claude 发送 prompt，而是让一堆 loop 在后台运行，由这些循环去驱动 Claude 并判断下一步的行动。Boris 的工作已经精简为纯粹的“写 loop”。

当多位奋战在一线的顶级专家不约而同地指向同一个方向时，这意味着一件重大的变革正在发生：我们与 AI 的协作方式，正在从“人类一步步指挥 AI”向“人类设计一套系统，让 AI 自己持续干下去”转变。 - **核心转变**：从“人肉调度员”升级为“循环设计师”。 - **一线专家共识**： * **Peter (OpenClaw 创始人)**：倡导设计能自动 prompt 其他 agent 的循环。 * **Boris (Claude Code 开发者)**：日常工作已转变为编写后台运行的 loop。

---

[01:36](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=96s) 循环（Loop）与自动化（Automation）的本质区别

很多人在听到“让 AI 自己持续干下去”时，第一反应往往是：“这不就是普通的自动化（Automation）吗？”主讲人强调，如果这么想那就大错特错了。

传统的自动化（Automation）就像是一条**直线**，其流程是完全固定和死板的。你设定好让它从 A 走到 B 再走到 C，它就会严格执行，但它缺乏自主意识，不会看结果，更不会做主观判断。而 Loop（循环）则是一个**会拐弯的圈**。它在运行过程中会实时审视输出的结果，并进行自主判断，从而自己决定是重新来一遍，还是换一个方向继续尝试。“边走边纠正，才是 Loop Engineering 的关键。”

---

[02:26](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=146s) 三大核心概念拆解：Prompt、Harness 与 Loop

为了避免概念混淆，主讲人对当下最核心的三个 AI 词汇进行了清晰的对比与定义： * **Prompt Engineering**：核心在于人与 AI 的“一问一答”。比如你写下一条 prompt 要求“帮我写一个 YouTube 视频脚本”，然后根据 AI 的反馈不断修改 prompt。这个阶段完全依赖人类一轮一轮地去提问。 * **Harness Engineering**：更像是为 AI agent 搭建一个结构化的“工作环境”。在 OpenAI 的相关论文中，他们为 Codex 模型接上了代码仓库、可执行脚本、浏览器、日志以及项目文档等基础设施。这让 AI 不再仅仅停留在“聊天”层面，而是获得了看代码、跑测试、看 UI、读 log 以及定位问题的实际能力。它解决的是 AI 干活所需的工具、上下文、权限和反馈信号。 * **Loop Engineering**：它不关心 AI 能不能干活，而是专注于“AI 怎么能自己一轮一轮干下去，直到任务完成”。以 coding agent 为例，它写完代码后会自动跑测试，测试失败了就自己阅读报错信息并修改代码，再次运行测试直到全部通过，接着再丢给另一个 AI agent 进行审查，不通过就继续改。整个过程会一直循环，直到自动测试全部通过，或者耗尽预算上限。

一句话说清楚 Harness 与 Loop 的关系：**"Harness 是基础设施，Loop 是运行机制。"** 没有 Harness 提供的环境，Loop 根本无法运行；而没有 Loop 的驱动，Harness 也只是一个躺在那里、毫无生气的工具箱。

---

[04:27](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=267s) 顶级科技公司的真实案例：Codex 与 Claude Code

为了让这些概念不再悬空，主讲人分享了两个来自大厂的真实案例： * **OpenAI 的 Codex**：OpenAI 曾表示，他们利用 Codex 做出了一款几乎没有人工手写代码的产品。人类在其中的主要工作转变成了设计环境、定义意图以及搭建反馈循环（feedback loop）。Codex 在写完代码后，会自行跑测试、请求 agent 审查、处理反馈并持续修改，甚至能打开浏览器通过 UI 截图发现视觉问题。它完美践行了“观察、修改、验证，再观察、再修改”的循环。 * **Anthropic 的 Claude Code**：这是一个普通人也能轻松上手的工具。它如今集成了 subagents（子智能体）、hooks（钩子）、background tasks（后台任务）以及 checkpoints（检查点）等能力。用户可以利用 hooks 在代码变动时自动触发测试，让一个 subagent 负责编写，另一个 subagent 负责检查；一旦出错，利用 checkpoints 就能实现一键回滚，而长任务则可以直接丢给 background tasks 持续挂机运行。这些看似散落的小功能拼在一起，就是一套完备的 Loop Engineering 基础设施。

---

[05:46](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=346s) 飞非代码场景实操：用 Loop 自动筛选 YouTube 选题

Loop Engineering 绝非程序员的专属，在日常非代码场景中同样威力巨大。主讲人以自己搭建的“YouTube 选题 loop”为例进行了深度拆解，展示了它如何超越普通的自动化。

如果是普通的自动化，在 Flowise 或 Coze 上设定一个定时任务，每天早上 8 点自动抓取 AI 新闻网站并总结成报告发送给用户，这虽然好用，但它不会判断选题是否适合该频道，只会一股脑地灌输信息。而主讲人设计的 Loop 则精妙地由一个文件夹内的四个 Markdown 文件协同主控： 1. **Sources.md（素材库）**：指定素材抓取的来源，包括用户丢入的链接、竞品的爆款视频、X 上的热点、官方发布以及个人剪藏（clippings）。 2. **Rubric.md（打分表）**：包含一套 100 分制的严苛标准，从新鲜度、频道匹配度、观看量潜力、切入角度、能否做 demo 以及有无权威背书等维度为选题打分。 3. **Loop.md（主控循环）**：这是整个流程的核心大脑。它指挥系统抓取素材、生成选题、对照 Rubric 打分，并与频道半年内的历史视频进行查重。**关键在于**：低于 80 分的选题会被直接打回重写，直到凑齐 3 个 80 分以上的优质选题，或者跑满三轮循环才会触发停止机制。 4. **Output.md（结果输出）**：最终沉淀符合标准的高分选题，并附带推荐理由、参考来源和开头的吸睛钩子（hook）。

> "这就不止是 automation 了，因为它里面有几样 automation 没有的东西：第一个，它是会评估的……然后它会重试……它知道什么时候停止。"

在该闭环中，AI 负责繁琐的筛选与迭代，而人类依然留在环境中做最后的把关——决定最终拍摄哪一个。

---

[08:15](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=495s) 适用场景与总结：你该如何成为设计循环的人

尽管 Loop 展现出强大的潜力，但主讲人也适时地“泼了冷水”，提醒大家不要盲目迷信 AI 可以让人完全躺赚。Loop 的运行需要实打实地消耗 token 和时间成本，因此只有在满足以下三种情况时才值得考虑： * **可重复性**：这件事情必须是你会反复去做的。如果只做一次，写一条普通的 prompt 解决即可。 * **结果可验证**：必须有明确、能量化的标准（如代码跑通、选题达到特定分数）。如果连人类自己都说不清楚及格标准，AI 就会原地空转，“最后烧你一堆 token 的钱”。 * **具备足够的经济价值**：如果是一件人类自己 5 分钟就能搞定的小事，则无需大费周章去搭建循环。

从发展的纵向维度来看，这几年的智能体技术一直在朝着更加自动化的方向演进，但这并不意味着人类会被淘汰，而是“人干的活儿变了”。 - **层级演进**： * **Prompt Engineering**：研究怎么跟模型说话（对话层）。 * **Harness Engineering**：研究怎么给 agent 搭环境（环境层）。 * **Loop Engineering**：研究怎么让 agent 在环境里自己执行、验证、重试并停下来（机制层）。

主讲人最后总结道，AI 越自动，人类越不该去当那个疲于奔命的“人肉调度员”，而是应该退后一步，去当那个“设计循环的人”。不必一上来就奢求 AI 全自动帮你创业，不妨从生活或工作中的一个小 loop 开始做起。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=0s) You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents. — Peter Steinberger

> [00:00](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=0s) 你不应该再一条一条地 prompt coding agent 了，你应该去设计那些会替你 prompt agents 的 loop。 — Peter Steinberger

> [01:36](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=96s) 传统的自动化（Automation）就像是一条直线，其流程是完全固定和死板的。 — Serena心心加州

> [01:36](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=96s) 边走边纠正，才是 Loop Engineering 的关键。 — Serena心心加州

> [02:26](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=146s) Harness 是基础设施，Loop 是运行机制。 — Serena心心加州

> [05:46](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=346s) 这就不止是 automation 了，因为它里面有几样 automation 没有的东西：第一个，它是会评估的……然后它会重试……它知道什么时候停止。 — Serena心心加州

> [08:15](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=495s) 最后烧你一堆 token 的钱 — Serena心心加州

> [08:15](https://www.youtube.com/watch?v=sTFjuwIKF5g&t=495s) 设计循环的人 — Serena心心加州

## Mentioned Prompt Engineering, Harness Engineering, Loop Engineering, Context Engineering, OpenClaw, Peter Steinberger, Anthropic, Claude Code, Boris Cherny, OpenAI, Codex, Flowise, Coze, YouTube

[Source](https://www.youtube.com/watch?v=sTFjuwIKF5g)

中文简报

Anthropic与OpenAI工程师转向Loop架构以降低AI交互成本人类与人工智能的协作模式正在由逐步指挥转向机制设计，只有在任务具备可重复性、结果可验证且具有经济价值时搭建循环工程，才能避免AI因缺乏明确标准而原地空转并消耗大量Token成本。视频深入探讨了AI协作领域的前沿趋势——从“人类步步指挥”向“设计系统让AI自主循环”的范式转变。主讲人清晰界定了Prompt Engineering（对话层）、Harness Engineering（环境层）与Loop Engineering（机制层）的核心区别，强调Loop具备评估、重试和自主停机能力，本质上不同于僵硬的传统自动化。同时，视频结合OpenAI Codex、Claude Code以及非代码场景下的YouTube选题筛选实操，展示了Loop的巨大潜力，并指明其适用于可重复、结果可验证且具经济价值的场景。硅谷顶级 AI 工程师正从单纯的 Prompt 提问转向 Loop Engineering（循环工程），不再扮演单步发指令的“人肉调度员”，而是编写后台循环来驱动 Agent 自主推进任务。 (0:00) Loop 与传统直线型自动化的核心差异在于具备反馈与自愈能力，能依据执行结果进行实时评估、动态拐弯纠错，并在未达标时自动重试。 (1:36) “Harness 是基础设施，Loop 是运行机制”：Harness 为 Agent 接入代码库与测试等环境，而 Loop 负责驱动其在环境中自主完成“执行-验证-修改”的循环闭环。 (2:26) 搭建 Loop 需满足任务具备高重复性、结果可量化验证及具备足够经济价值三大前提，推动人类角色全面从操作工进阶为“循环设计师”。 (8:15)

Reading summary

主讲人指出，AI 协作范式正从“人类逐步提示 AI”向“人类设计让 AI 自主纠错并持续推进的闭环系统”转变；Loop Engineering（循环工程）作为统领环境与反馈的机制层，使人类从疲于奔命的“人肉调度员”升级为“循环设计师”。从单向自动化到具备自我纠错的自驱机制 (1:36) 区分传统自动化与循环工程是理解该范式的关键。主讲人指出，传统自动化是一条死板的单向“直线”（从 A 到 B 再到 C），缺乏反思与自主判断；而 Loop 是“会拐弯的圈”，在运行中能实时审视结果并自主决定重新尝试或调转方向。在概念演进上，Prompt Engineering 聚焦人机对话（一问一答），Harness Engineering 负责搭建包含代码库、测试脚本、浏览器与日志反馈的工作环境（基础设施），而 Loop Engineering 则是驱动层机制，专注于让 AI Agent 在 Harness 提供的环境中一轮轮自主执行、验证、重试并达标终止。硅谷一线工程实践与循环闭环系统 (4:27) 硅谷一线开发者正集体从手写 prompt 转向编写 loop。OpenClaw 创始人 Peter 倡导设计能替人类自动提示其他 agent 的循环；Anthropic 的 Claude Code 开发者 Boris 也表示，其日常工作已转变为编写并在后台运行驱动 Claude 的 loops。在具体工程实践中，OpenAI 曾披露其利用 Codex 构建产品时，人类工作转向定义意图与搭建反馈循环，由模型自主跑测试、调动 agent 审查并根据 UI 截图定位视觉问题；Claude Code 则整合了 hooks、subagents、checkpoints 和 background tasks，通过钩子自动触发测试、子智能体分工复核以及一键回滚错误，拼装成完整的循环工程基础设施。非代码场景应用：四文件协同的选题循环 (5:46) Loop Engineering 同样适用于内容创作等非代码场景。主讲人以其 YouTube 选题系统为例，展示了通过四个 Markdown 文件构建的自驱工作流：Sources.md 汇总热点和竞品素材，Rubric.md 设立 100 分制的严苛量化评价标准，Loop.md 作为主控大脑调度生成与查重，Output.md 最终输出高分成果。该流程与普通定时抓取信息的主要区别在于具备评估、重试与终止机制：低于 80 分的选题会被打回重写，直到筛选出 3 个高分选题或跑满 3 轮循环才自动停下，人类仅需在最后环节决定拍摄哪一个方案。循环工程的适用门槛与资源边界 (8:15) 主讲人提醒，Loop 在运行时会切实消耗 Token 和时间成本，因此不应盲目滥用，仅适用于满足三项先决条件的场景：任务具备反复执行的可重复性；结果具备明确量化、可验证的标准，否则 AI 会陷入原地空转并消耗大量预算；以及具备足够的经济价值，不值得为人类几分钟即可解决的琐碎小事搭建复杂循环。智能体技术的演进改变了人类在生产中的分工，核心价值正在转向规则定义与系统设计。主讲人建议，拥抱这一变革无需奢求 AI 一步到位实现全自动创业，而应从日常工作流中量化标准明确、可复用的小闭环切入。

Source quotes

[0:00] Peter Steinberger: You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents. [0:00] Peter Steinberger: 你不应该再一条一条地 prompt coding agent 了，你应该去设计那些会替你 prompt agents 的 loop。 [1:36] Serena心心加州: 传统的自动化（Automation）就像是一条直线，其流程是完全固定和死板的。 [1:36] Serena心心加州: 边走边纠正，才是 Loop Engineering 的关键。 [2:26] Serena心心加州: Harness 是基础设施，Loop 是运行机制。 [5:46] Serena心心加州: 这就不止是 automation 了，因为它里面有几样 automation 没有的东西：第一个，它是会评估的……然后它会重试……它知道什么时候停止。 [8:15] Serena心心加州: 最后烧你一堆 token 的钱 [8:15] Serena心心加州: 设计循环的人

Original transcript

[0:00] 如果你已经会写 prompt，也会给 AI 搭环境 [0:02] 但用起来还是觉得自己像一个人肉调度员 [0:05] 发一条指令，等它跑完，看完结果 [0:08] 再发下一条，一刻都离不开人 [0:10] 那其实这个词，可能就是你觉得差的最后一层 [0:13] 它叫做 Loop Engineering [0:14] 我知道你现在想什么，Prompt Engineering [0:17] Context Engineering [0:18] Harness Engineering [0:19] 怎么现在又来一个 [0:21] 是不是又在造词 [0:22] 说实话，我一开始也是这个反应 [0:25] 但最近这几个月 [0:26] X 上好几个重量级的 AI 工程师 [0:29] 都在反复聊同一个话题 [0:31] 而且他们说的话，几乎是同一个意思 [0:34] 一个是 OpenClaw 创始人 Peter [0:36] 他说 [0:37] 你不应该再一条一条地 prompt coding agent 了 [0:40] 你应该去设计那些会替你 prompt agents 的 loop [0:44] 另一个是 Anthropic 的 Claude Code 的 Boris [0:46] 他说得更加直接 [0:48] 他现在已经不亲自 prompt Claude 了 [0:51] 而是有一堆 loop 在后台跑 [0:53] 由这些 loop 去 prompt Claude [0:55] 去判断下一步该干嘛 [0:56] 他的工作变成了一件事情 [0:58] 就是写 loop [1:00] 那当几个一线的人 [1:01] 不约而同指向同一个方向的时候 [1:03] 我觉得这可能就要认真地聊一下了 [1:06] 因为它背后讲的其实是一件 [1:08] 正在发生的事 [1:09] 我们和 AI 协作的方式 [1:12] 正在从我一步步指挥 AI 变成 [1:14] 我设计一套系统 [1:16] 让 AI 自己持续干下去 [1:18] 所以今天这期 [1:19] 我就带你把三件事情搞清楚 [1:21] 第一，Prompt、Harness、Loop [1:23] 到底有什么区别 [1:25] 第二，我会用一个真实的实操案例 [1:27] 把 loop 讲到你一看就懂 [1:29] 第三 [1:30] 到底什么时候该用它 [1:32] 怎么用在你自己身上 [1:36] 等等，这不就是自动化吗？ [1:40] 你说了半天，这不就是 Automation 自动化吗 [1:44] 如果你这么想，那就大错特错了 [1:50] 普通的 Automation 是固定的流程跑一遍 [1:56] 你设定好它走 A 到 B 到 C [2:04] 而 Loop 是会看结果，会做判断的 [2:11] 自己决定是重新来一遍，还是换一个方向 [2:17] 一个是直线，一个是会拐弯的圈 [2:21] 边走边纠正，才是 Loop Engineering 的关键 [2:26] Prompt、Harness、Loop 到底有什么区别呢？ [2:28] 我先把这几个词讲清楚 [2:30] 不然很容易混在一起 [2:31] Prompt Engineering 是什么？ [2:33] 就是你写一条好 prompt [2:35] 让 AI 给你一个更好的回答 [2:37] 比如你说：帮我写一个 YouTube 视频脚本 [2:41] 然后你根据结果继续改 prompt [2:43] 这个阶段核心还是人一轮一轮地去问 [2:47] AI 一轮一轮地去回答 [2:49] 那 Harness Engineering 又是什么呢？ [2:51] 我之前视频讲过 [2:52] 它更像是给 AI agent 搭一个工作环境 [2:55] 比如 OpenAI 那篇 Harness Engineering 的文章里 [2:59] 他们给 Codex 接上了一堆东西 [3:01] 代码仓库、能跑的脚本、浏览器 [3:04] 还有各种日志和项目文档 [3:06] 这些东西让 Codex 不只是会聊天 [3:09] 而是真的能看代码、跑测试、看 UI [3:12] 读 log、定位问题 [3:14] 所以 Harness Engineering 解决的问题是 [3:17] AI agent 要干活，它需要什么工具？ [3:19] 上下文、权限和反馈信号 [3:22] 那 Loop Engineering 呢？ [3:23] Loop Engineering 不是在问 AI agent 能不能干活 [3:27] 而是在问 AI agent 怎么能自己一轮一轮干下去 [3:30] 直到任务完成 [3:32] 比如一个 coding agent [3:33] 写完代码自己跑测试 [3:35] 测试挂了就读报错再改 [3:38] 再跑，直到全过了 [3:39] 再丢给另一个 AI agent 去审一遍 [3:42] 没过就接着改，一直循环到 [3:44] 自动测试全部通过，或者烧到预算上限才停 [3:48] 那这一整套自己转的过程，就是 loop [3:51] 所以最简单的区别是 [3:54] Prompt，就是你问 AI 一次 [3:55] Harness Engineering，是你给 AI 一个能干活的环境 [3:59] Loop Engineering，是你设定一个循环 [4:01] 让 AI 在这个环境里持续地执行、检查、重试、停止 [4:06] 但要注意 [4:08] Harness 和 Loop 不是二选一的关系 [4:10] 一句话说清楚它们俩的关系就是 [4:13] Harness 是基础设施 [4:15] Loop 是运行机制 [4:17] 没有 Harness，Loop 不一定能跑起来 [4:19] 没有 Loop，Harness 也只是一个躺着的工具箱 [4:27] 光听我讲呢，可能听着还是有点虚 [4:30] 我们来看两个真实的例子 [4:32] 第一个，就是 OpenAI 的 Codex [4:34] OpenAI 自己也说过啊 [4:36] 他们用 Codex 做出了一个 [4:37] 几乎没有人工手写代码的产品 [4:40] 那人类主要干的呢 [4:41] 就是设计环境、定义意图 [4:43] 搭 feedback loop [4:45] 里面就有一个特别典型的 loop [4:47] 那 Codex 写完代码呢 [4:49] 它会自己去跑测试 [4:50] 自己请求 agent 去 review [4:52] 然后自己处理反馈 [4:53] 接着改，直到 reviewer 点头为止 [4:56] 它甚至能打开浏览器 [4:58] 看 UI 截图发现问题 [5:00] 修好，再回去验证 [5:01] 说白了就是那个循环 [5:03] 观察、修改、验证，再观察、再修改 [5:06] 那第二个呢 [5:07] 就是 Anthropic Claude Code [5:09] 这个跟我们普通人更近 [5:11] 因为它就是个人人能上手的工具 [5:13] Claude Code 现在有 subagents [5:15] hooks、background tasks、checkpoints [5:18] 这些能力呢，你可以让 hooks [5:20] 在代码一改动就自动跑测试 [5:22] 让一个 subagent 写 [5:24] 另一个 subagent 去查 [5:25] 出错了，就用 checkpoints 回滚 [5:28] 长任务丢给 background tasks [5:30] 一直挂着跑 [5:31] 这些单看都是小功能 [5:33] 但是它拼在一起，就是一套 [5:36] Loop Engineering 的基础设施 [5:37] 换句话说，你在电脑上 [5:39] 就能搭出一个自己会转的 loop [5:46] 我自己就搭了一个 YouTube 选题的 loop [5:49] 那前面这些都是 coding 的例子 [5:51] 可能有些人会觉得 [5:52] 那我不写代码，是不是就用不上了？ [5:54] 其实完全不是这样子 [5:56] 所以这一段，我想换一个我们日常中用到的场景来讲 [6:00] 帮我找一下 YouTube 选题 [6:02] loop 这个东西还真不一定非得要写代码才能用 [6:06] 那先说一下普通的 automation 长什么样 [6:09] 比如说我在 Codex 上设定了一个任务 [6:12] 每天早上 8 点 [6:13] 自动去抓几个 AI 新闻网站 [6:15] 把热门的内容帮我总结成一份 report [6:18] 然后发给我 [6:19] 这个挺好用的 [6:20] 但是它其实本质上还是 automation [6:23] 固定的时间 [6:24] 固定的步骤和固定的输出 [6:26] 它不会判断这个选题到底适不适合我的频道 [6:29] 也不会根据结果自己去调整 [6:31] 抓到什么，就一股脑全塞给我 [6:34] 那如果把它升级成一个 loop 会是什么样呢？ [6:37] 那我最近就设计了这样的一个 YouTube 选题的 loop [6:41] 说白了，就是一个文件夹里面有四个文件 [6:44] 各管一件事情 [6:45] 像这个 Sources.md 文件 [6:48] 就是告诉它去哪抓素材 [6:50] 我丢的链接、竞品的爆款、X 上热点 [6:53] 官方发布，还有我自己存的 clippings [6:56] 那这个 Rubric.md [6:58] 就是我自己的一个打分表 [7:00] 满分是 100 分 [7:01] 从新鲜度、频道匹配度 [7:04] 观看量潜力、角度 [7:06] 能不能做 demo [7:07] 有没有权威背书这几个维度给我打分 [7:10] 那还有就是这个 Loop.md 文件 [7:12] 这个是整个循环的主控 [7:14] 抓素材、生成选题 [7:16] 按 Rubric 打分 [7:18] 给我半年内的视频查重 [7:20] 还有低于 80 分的打回重写 [7:23] 一直凑到凑齐 3 个 80 分以上的选题 [7:26] 或者跑满三轮才停 [7:28] 那最后就是这个 Output.md 文件 [7:31] 那最后把选出来的选题写进这里 [7:34] 附上理由、参考来源和开头的 hook [7:37] 那你看啊 [7:38] 这就不止是 automation 了 [7:40] 因为它这里面有几样 automation 没有的东西 [7:43] 第一个，它是会评估的 [7:45] 用我自己的标准给每一个选题打分 [7:48] 而不是照单全收 [7:49] 然后它会重试 [7:51] 不合格的不是丢掉，而是按照建议改了再来 [7:54] 它知道什么时候停止 [7:56] 凑够三个好的选题 [7:58] 或者说跑满三轮就收手 [8:00] 不会无限地把 token 烧下去 [8:03] 人还在这个环境里面 [8:05] 它只是负责筛到三个 [8:07] 而最后拍哪一个，还是我说了算 [8:15] 不过这样呢，我还得泼点冷水 [8:17] 不然这期视频要被理解成 [8:19] AI 还能自动帮你躺着赚钱了 [8:22] 说实话 [8:23] 不是什么事情都适合做成 loop 的 [8:25] 我自己总结下来，大概有三种情况 [8:28] 你才该考虑 [8:29] 第一种，就是 [8:30] 这件事情你会反复地做 [8:32] 如果一件事情就做一次 [8:34] 那就没必要折腾了 [8:35] 就好好写一条 prompt [8:37] 让 AI 帮你做完就行了 [8:38] 第二种，就是 [8:40] 结果能得到验证 [8:41] 这是什么意思呢 [8:42] 你得有一个明确的标准 [8:44] 能判断这一轮到底做得行不行 [8:47] 像代码能不能跑通 [8:49] 页面正不正常 [8:50] 选题分数够不够 [8:51] 这些都算 [8:52] 反过来 [8:53] 如果你自己都说不清楚 [8:55] 怎样才算做完了 [8:57] 那 loop 只会原地空转 [8:59] 越转越离谱 [8:59] 最后烧你一堆 token 的钱 [9:02] 第三种，就是 [9:03] 这件事得值这个钱 [9:05] 因为 loop 一跑起来 [9:06] 那就是实打实地在烧 token [9:08] 烧时间的 [9:09] 要是一件五分钟 [9:10] 你自己就能搞定的小事 [9:12] 犯不着 [9:13] 为它专门去搭一套循环 [9:15] 所以呢 [9:15] 你发现没有 [9:16] loop engineering 真正的关键 [9:18] 不是说让 AI 没完没了地 [9:20] 帮你把活干了 [9:22] 而恰恰相反 [9:23] 关键是让 AI 知道 [9:24] 什么时候接着干 [9:26] 什么时候要停止 [9:27] 好 [9:27] 今天这期 [9:28] 我们大概聊了这么几件事 [9:29] 先搞清楚了 Prompt、Harness、Loop [9:32] 这三个词到底有什么区别 [9:34] 然后呢 [9:34] 我们又看了 [9:35] OpenAI 和 Anthropic 这两个大公司 [9:38] 是怎么真的在用这套思想的 [9:40] 最后呢 [9:40] 我又把自己日常在搭的选题 loop [9:43] 拆给大家看了 [9:45] 其实呢 [9:45] 你把这三个词连在一起 [9:47] 你会发现 [9:48] 它们是一层一层地往上走的 [9:50] Prompt Engineering 是怎么跟 [9:52] 模型说话 [9:53] Harness Engineering 是你怎么给 agent 搭环境 [9:56] Loop Engineering 是你怎么让 agent [9:59] 在这个环境里 [10:00] 自己去执行、验证、重试、停下来 [10:03] 而你有没有发现一件事 [10:05] 这几年的智能体 [10:06] 其实一直在往这一个方向上走 [10:08] 就是越来越自动 [10:10] 但我想说的是 [10:11] 这个越来越自动 [10:12] 并不是要把人给踢掉 [10:14] 而是说人干的活儿变了 [10:16] 我们从过去那种执行每一步 [10:18] 慢慢变成了去设计这个循环 [10:21] 去定义什么叫做好了 [10:23] 去决定它什么时候该停 [10:25] 说白了 [10:26] 就是 AI 越自动 [10:27] 你就越不该去当那个人肉调度员 [10:30] 你该去当那个设计循环的人 [10:32] 所以呢 [10:32] 最实在的一步 [10:33] 不是一上来 [10:34] 就让 AI 全自动帮你去创业 [10:36] 而是让你从一个小 loop 开始 [10:39] 最后留给你一个问题 [10:41] 你每天重复做 [10:42] 但又不敢完全交给 AI 做的那件事情 [10:46] 能不能也设计成一个 loop [10:48] 好 [10:48] 本集视频就到这里 [10:50] 我是心心 [10:50] 如果这期视频对你有帮助的话 [10:52] 记得帮忙点赞、关注、留言 [10:54] 我们下期见 [10:55] 拜拜