Chase AI · 20:05 · 发布 2026-06-24 · 2.1万次观看(截至抓取) · 观看原视频
主旨
Loop engineering 本质上是把提示词层层堆叠、反复执行直到命中成功标准的机制,它的可用性完全取决于任务能否定义清楚成功标准,而不是要取代提示工程。
核心论点
- 循环的核心还是提示词——loop engineering 不是提示工程的替代品,而是同一套提示反复叠加加上调度脚手架。(→ 详解1)
- 任何循环都可拆成触发、执行、验证、状态四个阶段——四阶段是分析和搭建任何循环的通用框架。(→ 详解2)
- 成功标准的清晰度决定循环是否值得做——标准越接近客观数字,循环收益越大;越模糊,越需要人工或额外裁判介入。(→ 详解3)
- auto-research 与 forward/goal 是循环工程的两个特例——前者要求严格客观标准且不能处理模糊目标,后者是单次会话内收敛,循环工程则追求跨会话的无限期自我改进。(→ 详解4)
- 从手动到循环工程要走四步阶梯——手动跑通、封装成 skill、加自动触发、再补上成功标准与状态记录才算真正的循环工程。(→ 详解5)
知识点详解
1. Loop Engineering 是什么、为何提示工程没死 00:29
博主开篇反驳”提示工程已死、只剩 loop engineering”的流行说法。他的立场是:循环在本质上仍然是一个提示,只是被重复执行并叠加了额外的调度脚手架。就像发现了扳手不代表要扔掉螺丝刀,loop engineering 和传统一次性提示各有适用场景,不存在谁取代谁。
Loop engineering 的定义很朴素:把任务交给 Claude Code 之类的 agent coder,不是”给一个提示就完事”,而是设定好某种可判定的成功标准,让 agent 反复迭代直到达成这个标准为止。整个视频的重点是回答两个问题:如何设计一个合理的循环,以及哪些任务真正适合用循环来做——因为并非所有任务都需要循环。
2. 循环的四个阶段:触发、执行、验证、状态 02:08
任何一个循环都可以拆解成四个阶段。第一阶段是触发(trigger),解决”这个循环怎么被启动”的问题,可以是 Claude Code 里的 scheduled routine、一个 cron job,或是一个 webhook,形式不重要,重要的是能自动发起。第二阶段是执行(execution),即 AI 真正干活的地方,通常建议封装成一个 Claude Code Skill,因为 skill 擅长让 agent 用固定方式产出固定形态的结果。
第三阶段是验证(verification),核心就是成功标准:如何判断这一轮循环真的完成了任务。第四阶段是状态(state),即输出与记忆——循环要能自我改进,就必须有某种文档或数据库记录”上一轮试过什么、什么有效、什么无效”,否则每轮循环都是孤立的,不会随时间变聪明。此外还有一个非独立阶段但同样关键的停止条件:达到目标就停,还是设置固定迭代次数上限、或者进展停滞就叫停,毕竟 AI 调用不是免费的。
3. 成功标准的五个层级 13:53
博主把验证标准分成大致五档。前三档是理想区间:第一档是确定性的是非判断;第二档是有明确规则或约束(例如”运行时间必须下降”这种可量化目标);第三档是像点赞数这样的客观数字,只要认定”数字越高=越成功”就能继续做成全自动循环。这三档标准越清晰,循环工程就越简单、收益越大。
第四、五档进入模糊区:当成功与否需要主观判断(例如”这篇 LinkedIn 文章写得好不好”),就必须决定谁来当裁判。让写文章的同一个 Claude Code 自我评判是危险选择,因为包括 Claude Code 在内的所有 AI 系统都天然偏爱自己的产出,判断会失真;更稳妥的做法是引入另一个模型(比如用 Codex 去评判 Claude 的输出)当裁判,或者干脆把人拉回循环里做最终判断——虽然这会降低自动化程度,但对于像”点赞多是否真的等于文章质量高”这类高噪声信号,人工介入反而是最有力的环节。
4. 与 auto-research、forward/goal 的边界 08:42
Auto-Research 本质上就是自动执行 loop engineering 的一种具体实现,但它有一个硬约束:必须有明确、客观的成功标准,无法处理模糊目标。视频举例:如果目标是”让这个 Python 应用运行更快”,这是完美的 auto-research 场景;但如果目标是”写出更好的 LinkedIn 文章”,auto-research 就无能为力,而 loop engineering 可以容忍这种模糊标准继续运作(哪怕效果打折扣)。
goal 则被博主形容为”loop engineering 的缩影”——都是设定目标、让 Claude Code 反复迭代直到满足某个条件。二者的关键区别在于范围:forward/goal(包括 Codex 的等价功能)是单次会话内收敛的一次性任务,做完这一件事就结束;loop engineering 追求的是无限期的持续视野,相当于把 forward/goal 一遍遍地循环下去,并叠加跨会话的自我改进。
博主也提到循环工程的很多思路直接承袭自 Ralph Loop 的概念——把任务逐项交给 agent 自主推进、每步验证通过才前进,循环工程可以看作是把这套机制推广到更长期、带状态记忆的场景。
5. 从手动到循环工程的四步阶梯 10:20
博主给出一条实操路径。第一步必须是纯手动:亲自打开 Claude Code,手写提示让它完成任务(比如”研究 AI 相关内容并写一篇 LinkedIn 文章”),目的是先验证这件事本身可行、AI 确实能做到。很多人会永远停在这一步,这没关系,但如果确认要长期改进,就该往下走。
第二步是把手动流程封装成 skill,固化成”做 A、B、C 得到特定输出”的可复用单元。第三步是给这个 skill 加自动触发,例如在 Claude Code 的 routines 里设置每天早上 9 点自动跑该 skill——此时触发和执行两个阶段已经就位,但这还不是真正的循环工程,只是一个自动化的 skill。
第四步才是补齐验证与状态两个阶段:明确成功标准(比如以点赞数定义好坏),并加上状态记录能力(抓取每篇文章的互动数据存进数据库)。有了这两样,skill 在下一次执行时就能读取历史记录,分析”最近流行什么话题、之前哪些 hook/CTA 有效、哪些无效”,把这些经验带入本轮生成,这才是循环工程真正的自我改进闭环。博主同时提醒,这类模糊标准的循环会有明显的时间延迟——文章发出去到攒够点赞数据需要时间,循环需要跑上数周甚至更久才能积累出可用的历史数据。
可执行步骤
- 拿到一个任务先纯手动跑一遍,确认 AI 真的能完成,再考虑是否值得自动化。
- 把跑通的手动流程写成一个 skill,固定输入输出形态。
- 给 skill 配一个触发器(routine/cron/webhook 皆可),先做到”自动跑起来”。
- 明确写下这个任务的成功标准属于五档里的哪一档;若是模糊主观标准,提前想清楚由谁当裁判(另一个模型还是人)。
- 为循环设计一份状态记录(文档/数据库),让每一轮执行都能读到上一轮的结果、哪些尝试有效。
- 给循环设置停止条件(达标即停 / 固定迭代上限 / 进展停滞即停),避免无谓烧 token。
关联
- 印证并扩展 goal:视频明确把 loop engineering 定义为”反复执行的 forward/goal”,二者区别在于 forward/goal 是单会话一次性收敛,loop engineering 追求跨会话的无限期自我改进。
- 印证 Ralph Loop:视频承认循环工程的迭代-验证-推进机制直接承袭自 Ralph loop 概念,是其向长期状态记忆场景的推广。
- 细化 Auto-Research 的适用边界:该笔记原定义强调”目标+变更手段+标准化评估”三前提,本视频进一步指出这三前提的核心瓶颈正是成功标准必须客观明确,一旦目标模糊(如内容创作类任务),auto-research 就不适用,需退回更宽松的 loop engineering 或人工介入。
术语
- Loop Engineering(循环工程):设定成功标准后让 agent 反复迭代直到达标的工作流搭建方法。
- Trigger / Execution / Verification / State(触发/执行/验证/状态):循环的四个通用阶段。
- Success Criteria(成功标准):判断循环单轮是否完成任务的判据,清晰度决定循环是否可行。
价值定位
面向已经在用 Claude Code 之类 agent coder、想把某个重复性任务从”手动跑”升级为”自动跑且越跑越好”的实践者。视频的认知价值在于给出一个可迁移的四阶段分析框架和五档成功标准分级,帮助判断”这个任务到底该不该做成循环、该做成哪种程度的循环”,而非提供具体代码实现,实操细节需要自己在 Claude Code 里补全(routines、skill、状态存储等)。
自检问题
- 为什么博主说”提示工程已死、只剩循环工程”是错误说法? 答案:因为循环在本质上仍然是提示——只是同一套提示被反复执行并叠加了调度脚手架,循环和一次性提示是并存的两种工具,而非替代关系。00:29
- 循环的四个阶段分别是什么? 答案:触发(trigger)、执行(execution)、验证(verification)、状态(state)。02:08
- 为什么 auto-research 无法处理”写出更好的 LinkedIn 文章”这类任务? 答案:auto-research 要求明确、客观定义的成功标准,而”文章好不好”是模糊的主观判断,不满足这个前提;loop engineering 则能容忍这种模糊标准继续运作。08:42
- 为什么不建议让写文章的同一个 Claude Code 来评判自己的文章质量? 答案:包括 Claude Code 在内的所有 AI 系统都天然偏爱自己的产出,自我评判会失真,更稳妥的是引入另一个模型当裁判或让人介入判断。15:06
- 从手动流程走向真正的循环工程,第三步(自动触发的 skill)和第四步(循环工程)的本质区别是什么? 答案:第三步只是把手动流程封装成 skill 并加了触发器,完成了触发和执行两个阶段;第四步才补齐验证(明确成功标准)与状态(记录历史供后续迭代参考)两个阶段,形成真正能自我改进的闭环。10:20
💬 热门评论 top-16 主 + 4 回(抓取 2026-07-07)
[2] @AstralLofiLounge:我试过了，它真的会用万亿级别的token在子代理上，这些子代理会幻觉出解决方案。然后等着另一个代理完成并修复问题。循环就这样继续下去… 👍 25 ↪ @ExilschwabeOche:专家们称之为Anthropic的“金钱循环” 😂😂😂 👍 9 ↪ @mzeey_edits:说实话，我不认为代理足够聪明到可以独立工作。所以只循环低优先级的事情，并确保代理有办法获取它们需要的上下文。 👍 1 ↪ @FilmZone6-5:真的，自己试着构建它，让技能本身自我改进，之后你可能最多需要一个3个代理的框架，这可能是最好的解决方案。 [3] @STAiNLESS_CORE:Claude不仅喜欢自己的工作，而且绝对不会称赞Gemini做的任何事情。 👍 4 ↪ @neil1629:没关系，我也永远不会称赞Gemini做的任何事情。 [9] @tommy516:很棒的视频。到目前为止我看过的每个循环视频似乎都不适用于实际开发，除非你提供每一个微小的细节并且你已经把所有事情都想好了。我工作中的任何事情都有某种需要人工交互的反馈循环。 [10] @melissawong1749:这和/goal有什么不同？ [11] @andreas2672:去年有很多简单的想法，但一切都是新的，因此某种程度上很难。现在它又变得复杂了，就像之前的软件开发一样。 👍 1 [12] @Clippy-007:LinkedIn文章真是一个讽刺的例子，考虑到这个平台已经死了超过五年了 🤣 👍 1 [13] @solodev-u7s:提示工程就像代数，没有它你就无法做高等数学。 [16] @HuntTheNight:使用/goal作为包装器进行嵌套/循环。这就是循环工程的力量。 ——其他 7 条:感谢/夸赞([4]@sammcj2000、[5]@TheEricMichaud、[6]@joesturdy01、[7]@ChildDevelopment_videoupload、[8]@alphanexusingest、[14]@easyDoes1T85、[15]@Code-With-Robby);1 条 spam 已略
英文原文
[1] @Chase-H-AI(UP):Get the Claude Code Masterclass 👉 https://www.skool.com/chase-ai 👍 4
[2] @AstralLofiLounge:I tried it and it literally uses trillion tokens on subagents that hallucinate solutions. Then waits for the other agent to conplete and fix its problems. The loop continues.... 👍 25
↪ @ExilschwabeOche:Experts call this a "money loop" for Anthropic 😂😂😂 👍 9
↪ @mzeey_edits:Tbh I don't think agents are smart enough to be left alone. So loop only low priority things and make sure the agents have a way of getting context they need 👍 1
↪ @FilmZone6-5:Fr try build it yourself and make the skill it self ,self- improving after that you might a framework of 3 agents at max this might be the best solution
[3] @STAiNLESS_CORE:not only does claude love its own work, it absolutely will never compliment anything gemini did 👍 4
↪ @neil1629:That's OK, I'll never compliment Gemini for anything it did either.
[4] @sammcj2000:Thanks for saying it like it is at the start. So much hype especially from creators. 👍 1
[5] @TheEricMichaud:This is good homie. 👍 thanks! 👍 3
[6] @joesturdy01:Great video
[7] @ChildDevelopment_videoupload:Wonderful explanation about goal, loop, and auto research! Thank you!
[8] @alphanexusingest:THX!
[9] @tommy516:Great video. Every loop video I’ve watched so far don’t seem to apply to actual development unless you provide very single little detail and you’ve thought everything out. Nothing in work on doesn’t have some sort of feedback loop that requires human interaction
[10] @melissawong1749:how is it different from /goal?
[11] @andreas2672:the last year had easy ideas but everything was new and therefore somehow hard. now its gets complicated again like before in software development. 👍 1
[12] @Clippy-007:LinkedIn article is a truly ironic example, considering the platform has been dead for over half a decade now 🤣 👍 1
[13] @solodev-u7s:Prompting is like algebra you can’t do advance math without it.
[14] @easyDoes1T85:Modern day Alchemy
[15] @Code-With-Robby:yessir just what i needed 👍 1
[16] @HuntTheNight:Nested /loops using /goal as a wrapper. That's the power of loop engineering