---
title: '停止写提示词,开始搭循环——swyx谈agent loop与品味'
video_id: EWk9PBbKqzc
url: https://youtu.be/EWk9PBbKqzc
title_en: '"Stop prompting, start building LOOPS." - swyx'
channel: David Ondrej
published: 2026-07-09
duration: "53:31"
topics: ["Agent 工程", "AI 编程与建站"]
noted: 2026-07-10
value: A
views: '3138'
---


[![封面](https://i.ytimg.com/vi/EWk9PBbKqzc/maxresdefault.jpg)](https://youtu.be/EWk9PBbKqzc)

> David Ondrej · 53:31 · 发布 2026-07-09 · 3138次观看(截至抓取) · [观看原视频](https://youtu.be/EWk9PBbKqzc)

## 主旨

swyx 在 AI Engineer 大会同名主题演讲后做客 David Ondrej 播客,主张把「写 prompt」的范式升级为「写生成 prompt 的循环(loopcraft)」,并由此展开 agent loop 三件套、起步 loop 集、人不可放弃的两件事(数据层与 dogfood)、创始人品味与创业路径分层的系统化讨论。

## 核心论点

1. **从写 prompt 升级为写「生成 prompt 的循环」**——Boris Cherny 式的 loopcraft 是榨干新模型 token 预算的真正杠杆。([[#1-loopcraft从写-prompt-到写生成-prompt-的循环-1026|→ 详解1]])
2. **一个好 agent loop 必须有三件套:spec、完成判定、反面约束**——知道要什么、知道何时算好、知道不应做哪几件事。([[#2-一个好-agent-loop-的三件套spec--完成判定--反面约束-1139|→ 详解2]])
3. **新项目起步的最小 loop 集是三件:grill-me loop、每周研究/原型 loop、SDLC 闭环 loop**——三者覆盖需求抽取、探索、生产反馈。([[#3-新项目起步的最小-loop-集三件套-1350|→ 详解3]])
4. **人不能放弃的两件事是数据层和 dogfood**——前者决定项目能否活过几个月,后者决定品味能否筛掉 slop。([[#4-数据层与-dogfood人不能放弃的两件事-1651-1811|→ 详解4]])
5. **有 taste 的创始人首先是「不撒谎」的人,且把行业故事讲成「我们」的故事**——而不是把公司当成推销目标。([[#5-创始人的品味不撒谎--行业故事的我们-2320-2404-2444|→ 详解5]])
6. **创业路径分两层:agent lab(垂直应用层,稳妥)与 domain-specific model lab(模型工具链,高风险高回报)**——分别对应不同资本与雄心门槛。([[#6-创业的两条路径agent-lab-与-domain-specific-model-lab-2931-3013-3052-3054|→ 详解6]])

## 知识点详解

### 1. Loopcraft:从写 prompt 到写「生成 prompt 的循环」 [10:26](https://youtu.be/EWk9PBbKqzc?t=626)

swyx 引用 Boris Cherny 的核心观点:你**不该写 prompt,而该写一个会生成 prompt 的循环**。这不是修辞——背景是 frontier 模型越来越强(他举例 GPT 5.6、SW 1.7、Composer 3),但用户若只把同一份 prompt 喂给更大的模型,只会得到「略好一点的旧结果」,完全浪费新模型的能力增量。

Loopcraft 的正确打开方式分两步:第一步从底向上搭——任何你手工做的事,用 agent 中间化一次后,立刻尝试把它包成循环;第二步从顶向下搭——先识别一个长期目标(更多销售/转化/停留时长),然后不断问「这个目标能被自动化研究吗」,最终用一个 loss function 把整件事压成可回滚、可实验、可梯度下降的循环。

swyx 给这种实践取了个名——**loopcraft**:从 loop 出发而非从 prompt 出发的构建方法论。他强调「我们很多人都在做的是从 loop 向上构建」,这把 vibe coding 的个人尝试升格成系统化工程。整套思路与Auto-Research不谋而合——后者已经在用 loss function + 自动迭代做无人值守的自我改进,而 loopcraft 是更上位的命名框架。AI 编码光谱里「vibe coding → agentic engineering → independent research」的三段论,本质上也是从手工到循环的同一条曲线。

### 2. 一个好 agent loop 的三件套:spec / 完成判定 / 反面约束 [11:39](https://youtu.be/EWk9PBbKqzc?t=699)

swyx 把「什么样的 agent loop 才算合格」压成三句话。第一,**spec 必须够明确**——明确到 agent 能自己判断「这算什么」;第二,**完成判定要可验证**——你怎么知道做完了,good 看起来是什么样;第三,**约束要做反向声明**——什么不应做,因为你已经知道 agent 会犯哪些错。

第三件最容易被忽视。swyx 举例:agent 喜欢把代码写成 1 万行单文件,这既难维护也无法并行。所以 loop 里要主动写「每隔一段时间做一次 garbage collection / refactor / 去重」。同理,前端 UI loop 要主动让 agent 回头检查自己的输出——桌面与移动布局、性能、设计细节,这些模型**默认不会自己看**(参见Vibe Coder相反的「一路下一步」用法)。

这与[[Ralph Loop]]是同一思路在不同尺度的应用:Ralph Loop 是 PRD 一次性跑完的特定循环实例,这里的 loopcraft 是「如何写出会生成循环的循环」的上位框架。

### 3. 新项目起步的最小 loop 集:三件套 [13:50](https://youtu.be/EWk9PBbKqzc?t=830)

对一个从零开始的新项目,swyx 推荐的最小可用 loop 集是三件事。第一件是 **grill-me loop / interview-me loop**:每周期让模型反过来向你提问题,把你都没意识到的「分支点」逼出来——他特别指出「我们自己其实不会表达自己想要什么,直到被问到岔路才意识到」。这与Ask User Question 工具的机制是同一思想:把粗糙意图反复追问成可执行 PRD。

第二件是**每周研究/原型 loop**:让模型每周去研究你的竞品、产出 3 个新想法、然后原型实现。swyx 直说「大部分会是垃圾,但偶尔会免费给你一些你本来要花时间自己想的主意」——重点是边际成本几乎为零,扔掉就扔掉。

第三件是**SDLC 闭环 loop**:把线上错误日志、生产日志接入 agent,让 agent 周期性地读、自己尝试响应。最终目标是被称为 self-healing app 的状态——一个 bug 出现,loop 自己检测并提交修复。这与[[forward-goal|forward/goal]]一脉相承:目标 + 持续推进 + 完成判定。

三件套之外,swyx 把所有 loop 都视为「目标驱动的梯度下降」:设定一个 loss function(销售、转化、停留),然后让 agent 在 loss 上做实验、回滚、再试——这是 Auto-Research 的精神在产品研发上的延伸。

### 4. 数据层与 dogfood:人不能放弃的两件事 [16:51](https://youtu.be/EWk9PBbKqzc?t=1011) [18:11](https://youtu.be/EWk9PBbKqzc?t=1091)

当 AI 编码助手吃掉日均近十亿 token 时,**人类必须守住的底线只剩两条**。第一条是**数据层**:你必须一直理解你的数据结构——什么数据被记录、什么被报告、UI 能展示什么、workflow 能用什么。swyx 说得很重:**「如果数据没在那里,什么都做不了」**。这不是美学问题,而是项目能不能活过两个月的决定因素。

第二条是**dogfood 与用户测试**:模型仍然在「基础人类直觉」上非常差——按钮放哪里、该有哪种 validation、审计日志放哪、orgs 与 teams 的层级区分——这些是开发者每天用同类应用累积的隐性预期。模型的语境里没有这种肌肉记忆,所以**即使它能写,你也必须由真人反复测**。

swyx 把这条警告用一句刺耳的话压住:**「你每天烧十亿 token 没问题,但你最好有真人在用你的应用,因为没人会用一个你自己都不 care 的产品」**。他顺手抛出「LLM psychosis」这个词——指那些以为模型比人强、跑去沙滩上让 agent 写代码的人——断言他们永远不会成功,理由就是没有 taste。

这种「品味与选择力」的态度,与Audacity完全一致——AI 拉平实现门槛后,审美、耐心、对细节的挑剔成为无法被自动化的差异化资产。

### 5. 创始人的品味:不撒谎 + 行业故事的「我们」 [23:20](https://youtu.be/EWk9PBbKqzc?t=1400) [24:04](https://youtu.be/EWk9PBbKqzc?t=1444) [24:44](https://youtu.be/EWk9PBbKqzc?t=1484)

swyx 谈「有 taste 的创始人」时,先抛出一条最简单也最硬的筛选:**不撒谎**。他举例:小模型厂商声称「4B 击败 Fable 级」——业内人都知道是 bullshit,这种人会第一个出局。

第二条筛子是**问题导向 vs 公司导向**:有 taste 的人更专注于问题本身,而不是自己的解决方案或公司。swyx 在 AI Engineer 收到的提案里,90% 都是「我们比某某好、我们融了多少钱」——他不感兴趣。他想听的是「作为行业我们如何进步,你们在推动这件事上做出了哪些洞察」——把 talk 讲成「我们的故事」而不是「我的故事」。

第三条是**mission 而非战利品**:**「I want to win at the cost of all my competitors」**——这种使命没人 care;反之「我们要去火星」是 Elon Musk 那类人讲的故事。Mission 还能给你第二次机会:失败了延期不要紧,mission 不变,人还跟着你。Audacity 中所谓的「品味」,核心就是 mission 级别的问题导向。

### 6. 创业的两条路径:agent lab 与 domain-specific model lab [29:31](https://youtu.be/EWk9PBbKqzc?t=1771) [30:13](https://youtu.be/EWk9PBbKqzc?t=1813) [30:52](https://youtu.be/EWk9PBbKqzc?t=1852) [30:54](https://youtu.be/EWk9PBbKqzc?t=1854)

对今天要建 AI 创业的人,swyx 把路分两层。第一层是 **agent lab**:做某个垂直(domain expert),无论是 coding、healthcare 还是 legal,做那个垂直的「AI 那帮人」。这条路**几乎一定赢**,前提是执行力到位——vertical 让你比通用模型 lab 更专注、模型独立性让你在每次新模型发布时都能顺势迁移(Sam Altman 多次说「好公司应该是每次新模型发布时都更开心」)。

第二层是 **domain-specific model lab**——Black Forest Labs、Thinking Machines、Flappy Airplanes、Core Automation、Engram 这一类,基本都在模型工具链的某个切片上做深度研究。风险高,但能融到的钱也高一个数量级。swyx 直白地说:**这就是个「美丽的研究时代」**,因为产业界知道 Transformer 自回归范式终将结束,所以已经在押注下一个范式。

他额外敲打那些「假装 infra」的 timid founder:你自称 infra founder 但其实只是 AWS 之上一层,没真跑任何 infra——这种永远不会成。真正该被支持的是那些**自己在买 GPU、建数据中心、收集数据**的人。

### 7. 个人与行业:30 年视角、被重写的事、与「领导力在孤独中」 [35:18](https://youtu.be/EWk9PBbKqzc?t=2118) [35:31](https://youtu.be/EWk9PBbKqzc?t=2131) [40:48](https://youtu.be/EWk9PBbKqzc?t=2448) [42:16](https://youtu.be/EWk9PBbKqzc?t=2536) [44:49](https://youtu.be/EWk9PBbKqzc?t=2689) [47:42](https://youtu.be/EWk9PBbKqzc?t=2862) [48:13](https://youtu.be/EWk9PBbKqzc?t=2893)

关于个人雄心,swyx 的处方是**延长思考的时间尺度**:**「想想 30 年后人们显然会需要什么,大家都在想 2-5 年,你想到 10-30 年,雄心自动就大了」**。他引用 Bjarne Stroustrup 评估 C++ 提案的逻辑——每个提案单独看都有道理,但合起来是 madness——来佐证品味需要的是「系统级的一票否决权」。

关于什么会被重写,swyx 的判断是:**底层互联网协议不会被重写**(git 太黏),但**GitHub 正在被多角度颠覆**;MCP vs REST/GraphQL 这种「集成协议」层会被重写;模型本身和 agent harness 会持续被重写。**为人还是为 agent 设计**——他给 David 的回答是「50/50 都做,因为对人类好的也对 agent 好,且从零开始先给人做,反正被 AEO 收录还要等一阵」。

关于「什么是前沿 AI 从业者」,他的答案是**专精**——memory、diffusion、generative media 各占一席;少数像我这样的「ADD 型广度服务者」反而该做 narrow-deep 者的支撑层。最后他推荐一篇军装将军写的短文 **Leadership at Solitude**:**真正的领导不是永远在人群里,而是暂时离开人群去思考真正重要的问题**——这与 AI 时代信息过载下「看新闻流」≠「做前沿」的提醒直接呼应。

## 可执行步骤

- [ ] 把当前每个手工重复的事(发周报、抓数据、整理素材)单独包成一个周度或日度 loop,优先选「模型反向问你」的那一类起步
- [ ] 在项目的根目录维护一份「agent 不应做的事」清单,例如单文件超过 N 行就拆、移动端必须自己截图核验
- [ ] 把线上 error log + 生产 metric 接入一个能周期跑 agent 的 loop,作为 self-healing app 的第一步
- [ ] 列出产品中「人类默认懂得但模型不懂」的那 5-10 条隐性 UI/UX 预期,作为每周 dogfood 测试 checklist
- [ ] 对自己当前在做的工作问一遍:「10-30 年后它是否仍然必要?」如果不是,识别它会被什么替代

## 关联

- [[Ralph Loop]] - 互补:Ralph Loop 是 PRD 一次性跑完的特定循环实例,本片 loopcraft 是「写生成循环的循环」的上位框架;两者不在同一抽象层级,Ralph 是子集,本片是总纲
- Auto-Research - 进阶:本片先给出 loopcraft 的命名与心智模型(损失函数 + 自动迭代 + 目标导向),再读 Auto-Research 的具体构造(loss function、变体生成、eval harness)落地
- Audacity - 互补:本片「taste and selectivity」与「LLM psychosis」的二分,正是 Audacity 在 AI 时代具体化的两副面孔(审美能力 vs 自动化投降)
- Ask User Question 工具 - 进阶:grill-me / interview-me loop 是把 Ask User Question 的思想从单次 plan 阶段拉长到周度持续实践;工具层先学,实践层看本片

## 一手来源与延伸

- swyx 的 Twitter/X:https://x.com/swyx —— 本片嘉宾主账号,持续发 loopcraft / agent lab 相关思考
- swyx 的 latent.space 旗下文章《Agent Lab Thesis / Agent Lab Playbook》(片中被多次引用)
- 片中提及的 Boris Cherny(Anthropic Claude Code 团队)关于「写生成 prompt 的循环」的论述
- 片中提及的 Tariq Shipar 在 AI Engineer 大会做的《Field Guide to Fable》

## 术语

- **Loopcraft**:从 loop 出发而非从 prompt 出发的构建方法论;核心是写「生成 prompt 的循环」
- **Grill-me / Interview-me loop**:周度循环,让模型反向向你提问题以抽取真实意图与未意识到的分支点
- **Self-healing app**:把生产日志接入 agent 循环,使 bug 被自动检测并提议修复的应用形态
- **LLM psychosis**:相信模型比人强、躺平让 agent 写一切的认知偏差;swyx 认为必然失败
- **Agent lab**:专注某个垂直(domain expert)的 agent 公司(application layer);低风险低回报但稳赢
- **Domain-specific model lab**:在模型工具链的某个切片(如图像、视频、continual learning)做深度研究的实验室;高风险高回报
- **Post-training dominance**:post-train 计算量已经数倍于 pre-train,「fine-tune」实质上变成 continue training
- **Leadership at solitude**:swyx 推荐的一篇短文核心思想——领导的价值是脱离人群思考重要问题,而不是在人群里跟风

## 金句

> "you should not be writing prompts you should be writing a loop that creates prompts" —— Boris Cherny(由 swyx 在主题演讲中转述),把范式从 prompt 升到 loop 的关键一句,定义了 loopcraft 的全部含义。[10:26](https://youtu.be/EWk9PBbKqzc?t=626)

> "god then better be actually having real humans, especially your target users, be using your app" —— 在 token economy 狂热里最关键的逆向提醒:taste 与真实用户是唯一护城河。[19:13](https://youtu.be/EWk9PBbKqzc?t=1153)

> "those guys are never going to make it because they don't have taste" —— 对「沙滩上躺平等模型写代码」这类幻觉的命名与死刑判决。[20:12](https://youtu.be/EWk9PBbKqzc?t=1212)

> "what's good for humans is also good for agents... this is kind of a false dichotomy as far as I'm concerned" —— 在「为人 vs 为 agent 设计」的二元争论里给出实用解。[42:16](https://youtu.be/EWk9PBbKqzc?t=2536)

> "your ambitions automatically increase when your time frame increases" —— 个人雄心的处方:从 2-5 年拉到 10-30 年,雄心自己就变大了。[35:31](https://youtu.be/EWk9PBbKqzc?t=2131)

## 立场与利益

本片嘉宾 swyx 是 AI Engineer 大会主办方,本人是 Cognition(Devon)顾问+客户,主持人 David Ondrej 经营 Skool 社群与 Scale Software 公司。Loopcraft 与 agent loop 的整套主张正是 swyx 在 AI Engineer 大会同名主题演讲的核心论点,本片是该演讲的播客延展与实操细化,商业利益与论点高度同向。

- **与利益同向(待印证)**：「新模型应主动试奇怪 prompt 挖掘能力」与「loopcraft 是榨干 token 预算的真正杠杆」——这两条直接服务 swyx keynote 论调与会议招新主张;独立验证前先按「主题演讲包装」折扣采信
- **利益中性**:agent loop 三件套(spec / 完成判定 / 反面约束)、最小可用 loop 三件套(grill-me / 研究原型 / SDLC 闭环)、数据结构不可放弃、dogfood 不可放弃——这些是可独立验证的通用工程方法,与变现无关
- **与利益反向**：「你最好有真人在用你的应用」与「LLM psychosis 必然失败」——这两条明确削弱 swyx 主推的「高 token 自动化路径」,反而为人肉测试、taste、人类作用正名,可信度最高

利益证据:meta description 含 Skool 社群链接(davidondrej.com 的 AI engineer starter kit + skool.com/new-society)、Cursor 推荐码(ref 参数)、Scale Software 招聘信息——全部为变现/导流;swyx 本人是 AI Engineer 大会品牌资产,swyx 与 Cognition 的顾问关系同时是 swyx 的认知输入源与 Cognition 的产品曝光。

## 价值定位

- **适合谁**:已在用 AI 编码助手(月烧 token 量明显)且开始觉得「每天写 prompt 已经到顶」的工程师与产品人;以及正在评估 AI 创业方向的早期 founder
- **解决什么**:把「每天写 prompt」升级为「周度维护几组 loop」的具体抓手(grill-me loop、研究原型 loop、SDLC 闭环),并给出「什么不要让模型做」的红线
- **认知 vs 实操**:60% 认知(loopcraft 心智模型 + 创始人品味 + 创业分层)+ 40% 实操(三件套起步 loop 清单)
- **与 [[Ralph Loop]] 重叠**:与之重叠,但本片独有 loopcraft 的命名框架、「LLM psychosis」的批判性命名,以及 swyx 的「agent lab / domain-specific model lab」创业双层路径分类;前者与 [[Ralph Loop]] / Auto-Research 互补,后者与 Audacity 互补,具体关系见「关联」节

## 自检问题

1. Loopcraft 的核心主张是什么?为什么它不是「写更好的 prompt」那么简单?
   **答案**:核心是把「写单个 prompt」升级为「写会生成 prompt 的循环」,因为 frontier 模型升级时,旧 prompt 只能复现「略好一点的旧结果」,而循环能让模型围绕目标持续试错并逼近目标(锚定详解1)。[10:26](https://youtu.be/EWk9PBbKqzc?t=626)

2. 一个合格的 agent loop 必须具备哪三件套?为什么第三件最容易被忽视?
   **答案**:三件套是明确 spec、可验证的完成判定、反面约束(什么不应做)。第三件最被忽视,因为需要 agent 作者对 agent 的「已知缺陷」做元认知——例如明确写「不要写成单文件 1 万行」、「前端输出必须自检桌面 vs 移动」(锚定详解2)。[11:39](https://youtu.be/EWk9PBbKqzc?t=699)

3. 一个从零开始的新项目,最小可用 loop 集是哪三件?
   **答案**:grill-me loop(模型反向问你,周度运行)、每周研究/原型 loop(自动研究竞品 + 原型 3 个想法)、SDLC 闭环 loop(把生产日志接入 agent 做 self-healing app)(锚定详解3)。[13:50](https://youtu.be/EWk9PBbKqzc?t=830)

4. 在 AI 编码吞噬近十亿 token 的时代,人类必须守住的两件事是什么?为什么?
   **答案**:数据层(决定项目能否活过几个月;数据结构不清晰则一切 UI/workflow 都无据可依)与 dogfood(模型缺乏对「按钮该放哪、validation 该有什么」的肌肉记忆,必须由真用户反复测)(锚定详解4)。[16:51](https://youtu.be/EWk9PBbKqzc?t=1011)

5. swyx 给「有 taste 的创始人」下的最简单筛选是什么?
   **答案**:不撒谎。他举例「4B 击败 Fable」这类声称——业内人都知道是 bullshit,会第一个出局(锚定详解5)。[23:20](https://youtu.be/EWk9PBbKqzc?t=1400)