大家好，我是PaperAgent，不是Agent！
昨晚，OpenAI得GPT-5.6 Sol、Terra、Luna发布，冲破Anthropic的神话（Mythos）。
今天要分享的恰是Anthropic资深工程师发布的一份 11 页的报告，阐述面向智能体（Agentic）系统的循环工程（Loop Engineering）方法论。 近期最期待的一场ICML顶会Agent深度拆解！
!Image 1 * 核心范式转变： 你不再直接提示（prompt）智能体——你构建的是提示智能体的系统本身。
* 循环流程： 调度（Schedule）→ 发现（Discover）→ 构建（Build）→ 验证（Verify）→ 重复（Repeat）
* Anthropic 实战手册：拆解 Loop 的五步动作、六大组件、Generator/Evaluator 分离机制，以及 Stripe 每周合并 1,300 个机器 PR 的真实架构，0-1构建Loop实战。
一、Loop Engineering 到底是什么？
2026 年 6 月，一个概念在一周内被三位顶级工程师同时点燃：
* Peter Steinberger（OpenClaw 作者）在社交媒体上提出：别再给 Coding Agent 逐行写提示了，要设计让 Agent 自己循环运转的系统；
* Boris Cherny（Claude Code 负责人）公开表态：他不再手动提示 Claude，而是写 Loop 让 Claude 自己运行；
* Addy Osmani（Google Chrome 团队工程师）在博客上发表长文，正式命名了这个概念——Loop Engineering。
三人的共识指向同一个动作：设计的对象从"Agent 的单次行为"转变为"驱动 Agent 的完整系统"。
Loop Engineering 的精确定义是：替换你自己作为给 Agent 下指令的人，转而去设计一个能自动完成这件事的系统。你不再是引擎，而是设计引擎的人。
!Image 3: Table I: The Four-Layer Stack
Table I: The Four-Layer Stack
二、四层架构：从 Prompt Engineering 到 Loop Engineering 的跃迁
Loop Engineering 并非取代前三层，而是在它们之上叠加了一层。论文将 AI 工程实践划分为四层栈：
!Image 4: Fig. 1: The four-layer stack
Fig. 1: The four-layer stack
| 层级 | 关注对象 | 核心问题 | | --- | --- | --- | | Prompt Engineering | 写好一条提示 | 我该告诉模型什么？ | | Context Engineering | 窗口里放什么 | 该检索什么、总结什么、清除什么？ | | Harness Engineering | 武装单次运行 | 哪些工具、哪些动作、怎样算完成？ | | Loop Engineering | 在 Harness 上调度 | 如何让它一遍又一遍地自动运行？ |
每一层向上，关注的单元就放大一号：从一句话，到一个窗口，到一次运行，最终到一个能自我运转的循环。Loop Engineering 的核心新增能力是三个动词：定时运行（Runs on a timer）、派生助手（Spawns helpers）、自我喂养（Feeds itself）。
三、循环的五步动作与六大组件
3.1 五步动作：
一个 Loop 的"一圈"不是空转，而是完成五个具体动作：
!Image 5: Fig. 2: The five moves of one turn
Fig. 2: The five moves of one turn
| 动作 | 作用 | 晨间巡检 Loop 示例 | | --- | --- | --- | | Discovery（发现） | 自主找出本轮该做什么 | Skill 读取 CI 失败、Open Issues、近期 Commit | | Handoff（交接） | 将任务隔离地交给执行 Agent | 每个发现打开独立的 git worktree | | Verification（验证） | 用另一个 Agent 说"不" | 第二个子 Agent 对照测试和项目规范审查 | | Persistence（持久化） | 将结果写到对话之外 | 提交 PR、更新看板、写入状态文件 | | Scheduling（调度） | 让循环能自动转起来 | 每天早上自动触发，状态文件让次日接续 |
!Image 6: Table II: The Five Moves, Mapped to the Triage Loop
Table II: The Five Moves, Mapped to the Triage Loop
3.2 六大组件：让动作落地的工程实体
如果说"动作"是 Loop 的"行为"，那么"组件"就是它的"部件"：分享2篇最新Skill+Harness技术，可太强了!Image 7: Table III: Six Parts Mapped to Five Moves
Table III: Six Parts Mapped to Five Moves
| 组件 | 本质 | 对应动作 | | --- | --- | --- | | Automations（自动化） | 定时或触发式调度器 | Scheduling | | Worktrees（工作树） | 并行 Agent 的隔离目录 | Handoff | | Skills（技能） | 永久化的项目知识（SKILL.md） | Discovery | | Connectors（连接器） | 基于 MCP 的外部系统挂钩 | Persistence / Discovery | | Sub-agents（子代理） | 写代码的与审代码的分离 | Verification | | Memory（记忆） | 磁盘上的持久状态 | Persistence |
四、核心机制：Generator / Evaluator 分离
Loop 中最难的部分不是让 Agent 跑起来，而是在里面放一个能说不的东西。
4.1 自己给自己打分，永远是"优秀"
Anthropic 工程师 Prithvi Rajasekaran 的实证观察：让 Agent 评判自己刚写的代码，它会自信地给出好评——即使质量平庸。这不是智商问题，而是"自己批自己作业"的结构性缺陷：Agent 的上下文里塞满了"为什么这样写"的自我说服链条，它看到的不是结果，而是导致结果的理由。
4.2 调校怀疑者，比修正谦虚作者更容易
让写代码的 Agent 变得更自我批评，效果很差。但单独调校一个 Evaluator Agent，让它默认怀疑、通过行动验证（而非阅读判断）、并由一个全新的模型执行最终裁决——这远比让 Generator 自我批判更可行。
!Image 8
Claude Code 的/goal原语就是这一思想的产物：给 Agent 一个停止条件，让它循环运行直到满足条件，而判断是否满足条件的是一个更快、更小的独立模型，而非正在干活的那个。
五、五种失败模式：你的循环为什么跑歪了
Loop 的失败不是随机的，而是五个动作中跳掉一个的必然结果：
!Image 9: Fig. 4: Each anti-pattern is one move skipped
Fig. 4: Each anti-pattern is one move skipped
| 跳过的动作 | 失败模式 | 症状 | | --- | --- | --- | | Verification | Nodding Loop（点头循环） | 运行几百轮从未说过一次"不"，自我批准垃圾代码 | | Persistence | Amnesiac Loop（失忆循环） | 每天从零开始，重复发现、重复冲突，无累积进展 | | Scheduling | Manual Loop（手动循环） | 演示当天跑得漂亮，演示完再没跑过 | | Discovery | Blind Loop（盲眼循环） | 人类每天早上还在决定 Loop 该做什么 | | Handoff | Tangled Loop（纠缠循环） | 并行 Agent 改同一个目录，合并时一团糟 |
六、三个真实案例
6.1 一个人的晨间自动化
Osmani 的晨间巡检 Loop 每天自动触发：
* 读取昨日失败的 CI、未关闭的 Issues、近期 Commit；
* 对值得处理的事项，打开独立 worktree；
* 一个子 Agent 起草修复，另一个子 Agent 审查；
* 自动提交 PR 并更新看板；
* 无法处理的丢进收件箱，状态文件保证次日接续。
6.2 Stripe's Minions：企业级规模的 1,300 PR/周
Stripe 的 Minions 流水线每周合并超过 1,300 个机器编写的 Pull Request，没有一行人工手写代码。
!Image 10: Fig. 5: Stripe's Minions pipeline
Fig. 5: Stripe's Minions pipeline
其架构的精髓在于确定性门控与 LLM 步骤的交错：
* 触发极轻（Slack @bot 或表情反应）；
* 确定性编排器先扫描链接、拉取 Jira、用 Sourcegraph + MCP 组装上下文——这部分规则可硬编码，绝不交给概率模型；
* LLM Agent 写代码；
* 硬编码的 Linter 门控，Agent 无法跳过；
* Agent 修复 Lint；
* 硬编码的 Git Commit 步骤；
* 最终仍由人类 Review。
Stripe 的核心主张：可靠性来自约束的质量，而非模型的大小。运行环境采用 Devbox on EC2 的" cattle not pets"策略，千级 Agent 并行互不干扰。
6.3 调度方式的选择
| 方式 | 运行位置 | 需开机？ | 最小间隔 | 能否访问本地文件？ | | --- | --- | --- | --- | --- | | Cloud | 云端 | 否 | 1 小时 | 否 | | Desktop | 本地机器 | 是 | 1 分钟 | 是 | | /loop | 本地会话 | 是 | 1 分钟 | 是 |
!Image 11: Table IV: Scheduling Options Compared
Table IV: Scheduling Options Compared
6.4 跨工具链的通用能力
Loop Engineering 是一组能力，而非某个产品的独占功能。Claude Code 与 Codex 的对应关系如下：
七、隐性成本：验证债务、理解腐烂、认知投降与 Token 爆炸
Loop 在欢快地自动运转时，也在静默地积累四种成本：
!Image 13: Fig. 6: The four costs reinforce one another
Fig. 6: The four costs reinforce one another
- Verification Debt（验证债务）：每个合并的 PR 都节省了时间，但未验证的输出在测试覆盖不到的缝隙中堆积，直到某个发布日早晨集中爆发。
- Comprehension Rot（理解腐烂）：Loop 写的代码越多，人类对代码库的真实理解越滞后。读代码比写代码无聊，而 Loop 已经替你写完了。
- Cognitive Surrender（认知投降）：Loop 越可靠，人类越懒得发表意见，最终从"没时间看"变成"懒得看"。
- Token Blowout（Token 爆炸）：Loop 会派生助手、重试、无限循环，一个 Bug 可能烧掉整晚的预算。
八、如何安全地构建第一个循环
论文给出了三条站立式纪律：
9.1 永远抽样阅读（Read a Sample, Always）
不需要读所有输出，但每天读一个有代表性的样本，并强迫自己解释它做了什么、为什么这样做。无法解释 = 你的心理地图已经落后于代码库。
9.2 上线前先设上限（Cap Before You Ship）
在 Loop 第一次无人值守运行前，设置单次预算、每日预算、最大重试次数。这不是为了省钱，而是把开放式风险转化为有界风险。
9.3 留一扇门（Keep One Door Open）
在 Loop 中至少设置一个人类检查点。不是为了每次都干预，而是为了保持"能够干预"的位置。把所有门焊死的工程师，会在需要进去的那天发现自己已经丢了钥匙。
最后： 设计系统，而非逐行提示
Loop Engineering 的终极公式：停止给 Agent 下指令，转而去设计那个给 Agent 下指令的系统——但要像打算继续做工程师的人那样去设计，而不只是像那个按启动按钮的人。
Hermes Agent 王炸来了。。。
https://x.com/0xCodez/status/2069736449902027136https://drive.google.com/file/d/1qzKI4DKnyHRpXK1J3ATPqwaqLc0iNu-M/view