人工智能编程的协作范式正在经历根本性重构，核心逻辑已从'人类手动编写提示语推进任务'彻底转向'人类设计循环结构以持续调度代理'。正如 Addy Osmani 所强调，循环工程（Loop Engineering）的本质在于构建一种能够自动发现任务、分配资源、检查结果、记录进度并自主决策下一步行动的工作流。这种新型架构不再依赖工程师反复输入指令，而是通过预设的递归目标，让 AI 代理在闭环中持续迭代直至任务完成。午方 AI 梳理发现，当前 Claude Code 和 Codex 等主流工具已原生集成了实现这一范式所需的核心组件，标志着该模式正从理论走向工程实践。

一个成熟的循环结构由五个关键模块及外部存储机制构成，缺一不可。首先是自动化机制，负责按预设时间表触发任务并确定执行路径；其次是工作树结构，利用 git 技术隔离并行开发环境，防止多代理间的文件冲突；第三是技能库，通过固化项目知识和团队规范，避免代理因缺乏上下文而重复猜测；第四是插件与连接器，基于 MCP 协议实现与 GitHub、Linear、Slack 等外部工具的深度集成；最后是子代理机制，将执行者与审核者角色分离，引入对抗性审查以确保代码质量。

此外，系统必须依赖 Markdown 文件或 Linear 看板等外部存储来维护状态，因为模型在运行间隙会遗忘上下文，唯有持久化存储能确保长期任务的连续性。

在自动化机制的具体实现上，Codex 允许用户在'自动化'选项卡中配置任务频率与运行环境，将异常任务自动归类至'分类待处理'文件夹，而正常任务则自动归档。OpenAI 内部已利用此机制处理每日问题分类、CI 失败汇总及漏洞跟踪等繁琐工作。午方 AI 注意到，Claude Code 则通过调度机制与钩子函数实现同等效果，支持使用 `/loop` 命令按固定间隔运行，或通过 `/goal` 命令持续执行直至满足特定条件（如所有测试通过）。这两种工具均引入了独立的轻量级模型来判断任务完成状态，从而避免了主代理自我评估带来的偏差，实现了'创建者'与'审核者'在逻辑层面的分离。

工作树结构与技能库的结合解决了多代理协作中的核心痛点。git 工作树技术允许多个代理在同一代码库的不同分支上并行工作，互不干扰，但最终的瓶颈仍在于人类的审核能力。技能库则通过 `SKILL.md` 文件将项目规范、构建步骤及历史教训固化下来，当代理调用 `$skill-name` 命令时即可复用这些知识，避免了'意图债务'的累积。午方 AI 分析认为，技能库不仅是编写格式，更是防止代理在每一轮运行中重新推导项目背景的关键，其复利效应显著提升了长期运行的稳定性。插件机制进一步将技能库与连接器打包，使得团队成员可以一键部署完整的配置环境，大幅降低了协作门槛。

子代理的引入是循环工程中风险控制的关键设计。编写代码的代理往往对自身成果过于宽容，而引入具有不同指令集甚至不同模型的审核代理，能够有效识别自我说服导致的盲区。在 Codex 中，用户可在 `.codex/agents/` 目录下定义多个代理，分别承担探索、实现与验证职责；Claude Code 亦通过 `.claude/agents/` 目录实现类似的代理团队协作。这种分工虽然增加了代币消耗，但在需要高可靠性的场景下，'第二种意见'的成本远低于修复错误代码的代价。连接器则赋予了循环结构实际执行力，使其能够自动创建拉取请求、关联任务系统并在 CI 通过后通知相关人员，而非仅仅停留在'建议'层面。

尽管循环结构显著提升了开发效率，但其带来的风险同样不容忽视。验证责任并未转移，无人监督的循环结构仍可能产生错误代码。午方 AI 研判指出，真正的危险在于'认知投降'，即工程师因过度依赖自动化而停止独立思考，导致自身理解能力退化，形成巨大的'理解债务'。当系统快速交付未经人工深度审查的代码时，工程师对系统的实际掌控力将逐渐丧失。因此，循环工程并非为了替代工程师，而是将工程师的角色从'提示语编写者'升级为'系统架构师'。未来的核心竞争力将不再是编写完美的提示语，而是设计出可靠、可验证且可持续的代理工作流程，在享受自动化红利的同时，始终保持对代码质量的最终判断力。