重磅！Anthropic 官方 Loop 设计指南公开

📌 一句话摘要

本文详细解读 Anthropic 官方发布的 Loop Engineering 指南，阐述四类 Agent 循环模式及其设计要点，强调可验证的停止条件与成本控制。

📝 详细摘要

文章介绍了 Anthropic 官方（ClaudeDevs）发布的 Loop Engineering 指南，指出 Agent 的循环工作早已存在，关键在于将触发、验证、停止和权限设计成一个可靠的工程框架。文中详细阐述了四类循环——回合制循环（Turn‑based loop）、目标循环（Goal‑based loop）、时间循环（Time‑based loop）和主动循环（Proactive loop）——并给出了对应的示例（如 SKILL.md、/goal、/loop、/schedule 等）。接着强调可量化的验证标准比冗长的 Prompt 更重要，说明了成本控制的要点（如使用更小模型、明确停止条件、小规模试点等），并指出系统质量同样依赖于明确的边界和确定性工具。最后提出了一套更稳妥的自动化思路：先交付可检查的步骤，再逐步交付判断权。全文结构清晰、示例丰富，为设计可靠的 AI Agent 工作流提供了具体方法论。

💡 主要观点

- Loop Engineering 的核心是将触发、验证、停止和权限设计成可靠系统，而不仅仅是让 Agent 持续运行。 文章指出，真正的变革在于把以前零散的循环做法整合成可讨论、可组合、可交付的工程框架，重点在于控制循环的边界。

四类循环分别对应不同的交付内容：触发器、停止条件、原语和任务类型，逐步增加系统自主程度。 回合制循环交付检查步骤，目标循环交付停止条件，时间循环交付触发器，主动循环则进一步接管触发本身，体现了人机责任的递进。

可量化的验证标准比冗长的 Prompt 更重要，能够防止 Agent 主观提前宣布完成。 以 Lighthouse 分数为例，明确的数值目标和重试上限使评估器只需核对确定条件，避免主导判断导致的不完整交付。

成本控制依赖明确边界、模型分级和确定性工具，而非单纯延长循环时间。 文章指出，盲目增加循环次数会导致 token 消耗飙升；只有在设定清晰的停止条件、使用合适模型规模以及进行小规模试点时才能真正节省成本。

设计 Agent 工作流应先交付可检查的步骤，再逐步授予判断权，形成可验证的自动化阶梯。 作者提出四个自问：能否先交付检查步骤？能否写出可验证的停止条件？工作是否真的值得按计划或事件触发？在系统能自主选择提示时，是否具备权限、预算和人工升级路径？

💬 文章金句

- Loop Engineering 的关键不是让 Agent 一直跑，而是把触发、验证、停止和权限设计成一个可靠系统。

• 可量化的验证标准，比更长、更华丽的 Prompt 更重要。
• 循环本身不省钱，明确边界、模型分级和确定性工具才省钱。
• 以后设计 Agent 工作流，不必一上来就问'能不能全自动'。先问更具体的问题：...
• Loop Engineering 最终不是如何让 Agent 跑得更久，而是如何让它知道什么时候继续、什么时候停，以及什么时候必须把权力交还给人。

📊 文章信息

AI 初评：78

来源：PaperAgent

作者：PaperAgent

分类：人工智能

语言：中文

阅读时间：9 分钟

字数：2006

标签： AI Agent, Loop Engineering, Anthropic, AI 工程, 自动化工作流

阅读完整文章