Loop Engineering（循环工程）

定义

Loop Engineering（循环工程）指把 AI Agent 的"思考-行动-观察"循环本身作为一等工程对象来设计、调优与治理——不再只关注"对模型说什么"（Prompt Engineering）或"给模型看什么"（Context Engineering），而是把循环的结构、步数、终止条件、反思机制、收敛策略、失败恢复当作可设计、可观测、可迭代的系统组件。

它是 Agentic Coding / Agent 工作流在 2025-2026 走向成熟后浮现的范式：当 Agent 从"单轮生成"升级为"长链路自循环"，决定成败的不再是单次提示的好坏，而是循环本身是否被工程化——会不会死循环、能否收敛、何时求助、如何从失败恢复、怎样把人接入关键节点。

一句话：Prompt Engineering 调措辞，Context Engineering 调信息，Loop Engineering 调"迭代过程本身"。

核心特点

1. 循环即组件：循环结构（线性/树/图、单线/并行/回溯）是可设计的架构决策，而非模型自由发挥。
2. 终止工程化：明确收敛条件（目标达成、测试通过、预算耗尽、置信度阈值），而非"模型自己决定停"。
3. 反思与自纠：在循环中插入反思步骤（Reflexion），让 Agent 复盘失败原因再重试，而非盲目重试。
4. 失败恢复：对工具失败、上下文丢失、死循环设计降级与回退路径。
5. 人在环上节点：把人工审批/纠偏作为循环中的显式节点，而非事后补救。
6. 可观测与可回放：每一步思考、行动、观察可记录可回放，循环本身可调试。
7. 预算与护栏：token/步数/时间/成本上限作为循环的一等约束。

与相邻范式的关系

三者叠加而非替代：好的 Agent 系统同时做提示、上下文、循环三层工程。Loop Engineering 是 Agentic Coding 从"能用"到"可靠"的关键跃迁。

工作流程

flowchart TD
    A[目标 + 预算 + 终止条件] --> B[循环结构设计: 线性/树/图]
    B --> C[Thought: 推理下一步]
    C --> D[Action: 调用工具]
    D --> E[Observation: 观察结果]
    E --> F{收敛判断}
    F -- 未达 + 预算余 --> G[反思 Reflexion: 为何没成]
    G --> C
    F -- 失败 --> H[降级/回退/求助]
    H --> C
    F -- 达标 --> I[交付]
    F -- 预算耗尽 --> J[主动停止 + 汇报]

Loop Engineering 的设计要点：

1. 循环拓扑：
   • 线性循环：单 Agent 单线推进，最简单。
   • 树/回溯：失败时回退到分叉点换策略。
   • 图/状态机：用 LangGraph 等把流程显式建模为状态图，节点间转移可控。
2. 终止设计：
   • 硬终止：最大步数、token 上限、超时。
   • 软终止：目标验收通过、置信度阈值、连续 N 步无进展即停。
3. 反思机制：每隔 K 步或失败时插入"反思节点"，让 Agent 总结"哪里错了、下一步换什么策略"。
4. 收敛策略：换工具、换检索、降级到更简单方案、求助人。
5. 人在环上：在"规划审批""危险操作""最终交付"等节点插入人工门。
6. 可观测：记录每步 thought/action/observation，支持回放与归因。

优缺点

优点

• 可靠性跃升：工程化循环让 Agent 从"偶尔惊艳常翻车"变为"稳定收敛"。
• 可控成本：预算与终止设计避免烧钱死循环。
• 可调试：循环可记录可回放，"Agent 为何走偏"可归因。
• 适配复杂任务：长链路、需回溯、需反思的任务靠裸循环难以收敛。
• 人在环上自然嵌入：把人审批作为循环节点，而非打断流程。

缺点

• 工程量大：设计状态图、终止条件、反思逻辑是实打实的系统工程。
• 过度工程风险：简单任务上重型循环设计得不偿失。
• 调试新维度：问题可能出在循环结构而非模型，需新工具与方法。
• 反思可能误导：Agent 的自我反思本身可能错误，反而带偏后续。
• 状态管理复杂：图/状态机的状态与转移需维护，易出 bug。

实战示例

场景：Agent 修复一个 flaky 测试，需多轮排查。

裸循环（无 Loop Engineering）：Agent 反复改代码、跑测试、再改……可能陷入"改了又坏、坏了又改"的死循环，烧光预算。

Loop Engineering 风格：

1. 循环拓扑：状态图——排查 → 假设 → 修复 → 验证 → (失败)反思 → 排查。
2. 终止条件：最多 10 步；连续 3 步无进展即停；测试连续 2 次全绿即收敛。
3. 反思节点：每次验证失败后插入反思："上一假设错在哪？换什么策略？"——例如从"改代码"切换到"查并发时序"。
4. 降级：3 次修复失败后降级为"把复现步骤与日志整理成报告，求助人"。
5. 人在环上：涉及改测试或改公共配置时暂停等人审批。
6. 可观测：全程记录，事后回放发现"第 4 步反思把方向带偏"，据此优化反思提示。

结果：Agent 在第 7 步收敛，而非死循环到预算耗尽。

注意事项

1. 先有裸循环再工程化：先用最简循环跑通，再针对实际失败模式加工程，避免过早抽象。
2. 终止条件必设：没有硬终止的循环迟早烧光预算，这是底线。
3. 反思要接地：反思应基于具体观察（报错、测试输出），而非空泛"我再想想"。
4. 防反思误导：反思本身是模型输出，可能错；可加"反思后换策略"的多样性约束。
5. 状态图优先于自由循环：复杂任务用 LangGraph 等显式状态图，比让模型自由循环更可控。
6. 人在环上要轻：审批节点过多会打断流，只设在不可逆/关键决策处。
7. 可观测是前提：没有日志与回放，Loop Engineering 无从调试与迭代。
8. 别忽视上下文：循环每步都会累积上下文，需与 Context Engineering 配合做压缩与记忆。

对比与选型建议

选型建议：单轮任务只需 Prompt Engineering；长任务先做 Context Engineering 保证信息正确；当 Agent 需要多步自循环且要稳定收敛时，必须叠加 Loop Engineering。三者是 Agentic Coding 可靠性的三层基石。

参考资料

• "Building Effective Agents"（Anthropic，2024）—— 对 Agent 循环模式的分类
• "Reflexion: Language Agents with Verbal Reinforcement Learning"
• LangGraph 关于状态图、循环控制、人在环上的文档
• "Cognitive Architectures for Language Agents"（CoALA）
• Lilian Weng, "LLM Powered Autonomous Agents"（规划/反思/记忆章节）