核心观点与结论
开场与核心判断
- 研究团队：由清华大学新闻学院/人工智能学院双聘教授沈阳领导，拥有近30人的学术研究团队，专注于大数据、AI人形机器人等多个产业方向。
- 一句话判断：真正的效率来自更少轮次得到可证明结果，即“Build the loop, stay the engineer”。
- 核心结论：本报告研究的是 Agent 工作流系统，而非普通脚本；循环工程是提示词工程的系统化，落地应按能力成熟度推进。
产品能力底座
- 会话内周期性重复运行任务：通过 Claude Code 的
/loop 和 /goal 实现固定周期或完成条件驱动的任务。
- 云端例行任务：Claude Code 的
Routines 和 Skills 使循环可脱离本地会话，SKILL.md 外化项目知识，减少重复说明。
- 连接真实工具：
MCP 使 Claude Code 接入外部工具、数据库和 API，支持 issue、监控、数据库、邮件、Slack 等场景。
- Codex 机制：模型、工具、上下文反复交替直至返回结果，即 agent loop，
Codex: Automations 负责定时、事件或目标驱动唤醒 Agent。
LoopStack 六件套
- Sub-agents：职责分离，如写的人和检查的人分开。
- Memory：第六件，支持跨会话、跨 Agent、跨团队延续。
- 其他组件：心跳（Automations）、收件箱（Triage）、隔离层（Worktrees）、项目知识（Skills）、外部触手（Connectors）。
创新概念与设计模式
- Loop kernel：循环像微型操作系统，包含八个模块，将自动化拆成可审计组件。
- Proof-of-Done：完成是证据，不是声明，需先写清楚验收标准。
- RepoMemory：让循环跨会话、跨 Agent、跨团队延续。
- No-GateEvaluator：循环必须有能说“不”的角色，通过四类证据实现。
- TriageBuffer：把后台发现变成可管理收件箱，输出归档、修复、交接。
- Loop Ledger：循环像服务一样记账，关注可接受结果而非运行时长。
- Worktree Fleet：管理并行循环，而非简单开更多窗口。
- EntropyJanitor：循环生成代码的同时删除复杂度。
- EngineerSeat：人必须保留工程师席位，避免 AI 味 UI 和组件膨胀。
典型场景与工程模式
- CI 失败修复 Loop
- PR 评论处理 Loop
- 依赖升级 Loop
- 文档漂移 Loop
- 上线验证 Loop
- 缺陷回收 Loop
- 技术债清理 Loop
- 安全修复 Loop
- Backlog Triage Loop
- Agent Improvement Loop
风险与治理
- 风险：自我确认、上下文腐烂、权限扩散、成本黑洞、理解债。
- 治理原则：
- 最小权限：Agent 不应拥有 broad or unrestricted access。
- 工具网关：MCP 是能力边界，也是安全边界。
- SSDF 化：Agent 生成代码也要遵守安全开发流程。
- AIRMF 化：把 Loop 纳入 AI 风险管理。
- 人类交接：自动化不是无人负责。
- 可关闭：Loop 应可随时关闭。
- LoopSpec 模板：每条循环启动前先写清楚验收。
运营模型与成本
- LoopRegistry：每条循环像服务一样登记。
- 循环舰队：管理一组循环，而非单条自动化。
- 模型路由：Token 经济学评估资产库。
- 技能库治理：Skills 是复用资产，也可能变成供应链。
- 连接器治理：管理外部工具接入。
- 组织角色变化：开发团队将管理人、Agent、循环和反馈系统。
- 成熟度模型：LoopEngineering 不会替代工程师，优秀 Loop 的价值是少跑几轮。
总结
循环工程是 AI 编程的系统化下一层，通过 Loop、Agent、Engineer 三角关系实现持续作业，治理让 Loop 可被信任。核心是“Build the loop, stay the engineer”，避免 AI 味 UI 和随意组件膨胀，保持人类判断。
