據 Woofun AI 消息，英偉達創始人黃仁勳近期明確提出'Nobody writes prompts anymore. The new job is to write and handle loops'，宣告 Prompt 時代的終結與 Loop 新範式的崛起。

這一論斷迅速引發行業震動，Peter、Boris Cherny、吳恩達等頂尖技術領袖紛紛響應，共同推動從指令式交互向系統化循環管理的根本性轉變。核心邏輯在於將人類角色從流程執行者轉變爲規則設計者，構建能夠自主運行、自我驗收並持續迭代的智能系統。

這種轉變並非單純的概念炒作，而是基於當前大模型能力躍升與工程實踐需求的必然演進，標誌着 AI 應用進入全自動化閉環的新階段。

要深入理解 Loop 的本質，必須首先解構過去兩年 AI 編程的標準範式。傳統模式下，開發者需手動編寫 Prompt，等待 AI 生成代碼，人工審查後若不滿意則再次編寫 Prompt 進行修正，如此反覆拉鋸，人類全程深度介入每一個環節。卡帕西曾尖銳指出'人就是瓶頸'，並強調不能坐在那裏等待爲每一步編寫 Prompt，必須將自身從流程中抽離。Loop 正是爲了解決這一痛點而生，其核心機制極爲簡潔：人類僅需定義最終目標，AI 系統隨即啓動自主運行，完成代碼編寫後自動進行驗收，若未通過則攜帶報錯信息重新迭代，直至滿足驗收條件或觸及預算上限才停止。在此架構下，人類不再充當'傳話人'，而是升級爲'規則設計者'，負責設定邊界與標準，而非干預具體執行細節。

針對 Loop 與 Agent 概念的混淆，必須釐清二者在系統架構中的不同定位。Agent 本質上是執行具體任務的智能體，類似於幹活的人；而 Loop 則是確保 Agent 能夠持續、自主工作的管理機制，是讓這個人無需人工盯着也能持續運轉的系統。缺乏 Loop 支撐的 Agent，本質上仍是'提一句動一下'的被動工具，依賴人類指令觸發；而套上 Loop 的 Agent，則進化爲具備自轉能力的完整系統，能夠獨立處理複雜任務流。

這種區別決定了 AI 系統能否真正從輔助工具躍升爲自主生產力，是衡量 AI 工程化成熟度的關鍵指標。當前行業共識認爲，真正的差距已不在模型本身，而在於上層 Loop 的編排能力與系統設計水平。

在產品落地層面，Loop 已形成'雙雄對峙'的競爭格局，分別由 Claude Code 與 OpenAI Codex 代表兩種不同的技術路徑。Claude Code 圍繞 Loop 構建了三大核心功能模塊：/loop 負責定時循環執行，/goal 負責目標驅動直至驗收條件滿足，/schedule 負責雲端定時任務以確保合上電腦也能持續運行。其中/goal 的設計尤爲精妙，它體現了 Loop 最關鍵的原則——自己不能判自己的卷子。Claude Code 將這一原則直接寫入產品架構，由大模型負責代碼編寫，而由獨立的 Haiku 小模型負責驗收，兩個模型各司其職，確保驗收過程具備真實約束力，避免 Agent 自我打分時的寬鬆傾向。OpenAI Codex 則採取了'自動化流水線 + 目標驅動 + 多個子 Agent'的組合策略，在實際開發場景中，最多可支持 8 個 Agent 同時在各自隔離的雲端沙箱中並行工作，各自處理不同任務後統一彙總結果。

儘管兩家實現路徑存在差異，但最終呈現的系統形態高度趨同，均是將複雜任務拆解後分發給多個 Agent 並行處理，再統一整合輸出。公開評測與社區反饋顯示，兩者在性能表現上已非常接近，進一步印證了模型能力趨同背景下，Loop 編排成爲決定性因素。

Boris Cherny 作爲 Claude Code 的核心推動者，其工作模式生動詮釋了 Loop 的終極形態。他自述於去年 11 月徹底卸載了 IDE，並在隨後一個月內未再打開，最終選擇直接刪除。目前他管理着數百個同時運行的微型 Agent，部分負責掃描 GitHub issue，部分讀取 Slack 上的用戶反饋，還有部分監控 CI 失敗情況。每個 Agent 在獨立的代碼分支中作業，一個負責編寫代碼，另一個負責運行測試驗收，只有遇到無法解決的問題時纔會進入他的收件箱等待人工判斷。據其透露，自 Opus 4.5 以來，其所有代碼均由 Claude Code 生成，如今大部分開發工作甚至直接在手機上完成。整個流程中，Agent 之間通過循環互相提示，中間無需任何人工審覈環節。

這種工作模式清晰表明，Loop 的終極目標是讓人類不再編寫代碼或 Prompt，僅專注於規則制定與關鍵判斷，其餘全部交由系統自動完成。

針對如何構建高效 Loop 系統，X 平臺博主 Codez 總結了一份 14 步實操路線圖，其中包含若干關鍵原則。第一步是進行'4 條件測試'，在建立 Loop 前必須確認任務是否重複發生、是否存在自動化驗收手段、Token 預算是否充足、Agent 是否具備'高級工程師'級別的工具能力，四個條件全部滿足才值得投入建設。第二步強調從最小可行 Loop 起步，構建包含觸發器、技能、狀態文件與門禁的四件套系統。觸發器可採用定時或事件驅動方式，技能需將項目上下文寫入 STATE.md 以避免重複解釋，狀態文件用 Markdown 記錄進度與結果，門禁則通過測試、類型檢查與構建自動攔截錯誤結果。執行順序至關重要：先手動跑通一次，再封裝爲 Skill，隨後納入 Loop，最後才啓用定時任務，跳步是導致 Loop 在生產環境失敗的主要原因。第三步重申'拆卷子'原則，即代碼編寫與驗收必須由不同模型或子 Agent 獨立完成，驗收方不得知曉編寫方的推理過程，以防止自我評分時的寬鬆傾向。第四步提供避坑指南，包括設置硬停止條件以防 Token 超支、將狀態持久化至文件以避免記憶丟失、避免讓 Loop 處理需要人類判斷的複雜決策、以及定期閱讀 Diff 以維持對代碼庫的理解力。第五步明確衡量指標，唯一有效的標準是每個被接受改動的平均成本，若接受率低於 50%，說明 Loop 未能有效替代人工評審，反而造成資源浪費。

Loop 概念的爆發並非偶然，而是 AI 工程化演進的自然結果。回顧時間線可發現清晰的四次範式遷移：從 2023 至 2024 年的 Prompt Engineering 時代，關注點在於如何編寫優質提示詞以引導 AI 輸出；到 2024 至 2025 年的 Context Engineering 階段，重心轉向如何提供完整背景信息以增強 AI 理解；再到 2025 至 2026 年的 Harness Engineering 時期，重點在於構建能讓 AI 調用工具、執行代碼、訪問資源的運行環境；最終演進爲當前的 Loop Engineering，核心解決 AI 能否在環境中持續自主推進任務的問題。

這一過程體現了人類對 AI 控制粒度的不斷上移，從'寫一句話'到'提供信息'，再到'搭建系統'，最終達到'設計循環'，是一個逐步解放人類雙手的連續演進路徑。Woofun AI 整理數據顯示，這一技術路線的成熟度提升速度遠超預期，短短數週內已從學術概念轉化爲工業界主流實踐。

從學術視角審視，Loop 理念早有淵源，其核心思想可追溯至姚順雨 2022 年提出的 ReAct 框架。該工作在 ICLR 2023 獲得 Oral 級別認可，並積累上萬引用量，首次系統性地將'推理'與'行動'綁定爲循環過程。ReAct 使大模型不再一次性輸出答案，而是遵循'思考→行動→觀察→再思考→再行動'的循環結構，這本質上是最早被系統化表達的'agent loop'雛形。後續研究如 Reflexion 引入從錯誤中學習的反饋機制，Tree of Thoughts 擴展爲多路徑搜索式推理，一系列 tool-use agent 工作逐步完善'規劃 + 執行 + 反饋'的完整鏈路。這些學術成果層層遞進，最終在工程界收斂爲今天的 Loop 系統。因此，Loop 並非某一個人的發明，而是一條經過長期技術積累逐步收斂的演進路徑，恰好在此時由華人學者站在關鍵節點上推動了其工業化落地。

儘管 Loop Engineering 展現出巨大潛力，但行業內部仍存在理性聲音。Google 工程主管 Addy Osmani 作爲該概念的命名者，在《loop Engineering》長文中明確表示'還很早期，我持保留態度'，並特別強調 token 成本必須謹慎控制。卡帕西在紅杉資本 AI Ascent 2026 大會上引用了一句發人深省的話：'你可以外包你的思考，但你沒法外包你的理解。'這句話深刻揭示了 Loop 時代的本質矛盾：AI 可以替代人類進行方案構思與執行，但人類必須保持對問題本質的深刻理解。這或許是當前 Loop 熱潮中最清醒的警示，提醒從業者在追求自動化效率的同時，不可忽視人類認知的核心價值。從 Prompt 到 Loop 的演進速度之快令人驚歎，但技術變革帶來的不僅是效率提升，更是對人類角色重新定義的深刻挑戰。