最近有个新词在AI编程圈里很火——Loop Engineering。

Claude Code的Boris Cherny、OpenClaw的Peter Steinberger都提过。吴恩达（Andrew Ng）前两天也专门发了一条长帖讨论这个话题。

但说实话，这个词本身并没那么重要。真正值得拆开来看的，是他把AI Agent做软件这件事，清晰地分成了三层循环。

如果你现在还只是把AI编程理解成“让Agent写代码”，那可能已经落后一步了。下一步的竞争，不是比谁更会写代码，而是比谁更会设计反馈机制。

1. 第一层：Agent自己写、测、改

这一层叫Agentic coding loop。

给Agent一份产品规格，最好再配一组可验证的评估标准（evals）。它就能自己写代码、跑测试、修bug，然后继续迭代。

过去一年，这一层的进步非常明显。以前我们得盯着Agent，等它写完再人工指出哪里坏了。现在更强的coding agent已经可以自己跑测试，甚至打开浏览器检查页面效果。

吴恩达举了个例子：他周末给女儿做了一个打字练习应用。coding agent连续工作了大约一个小时，中间多次打开浏览器检查自己做出来的东西，再回来继续改。

这件事对程序员的影响很直接。你不再只是写代码的人，也不再只是审核代码的人，而是变成了循环设计师。

你要问的问题变了。不再是“Agent能不能写这个功能”，而是：

• 我有没有把规格说清楚？
• 有没有给它可验证的标准？
• 它失败时，能不能自己发现？
• 反复失败的问题，需不需要做成eval？

2. 第二层：开发者不只是QA，而是产品判断者

第二层是Developer feedback loop。这一层其实更关键。

去年很多人用AI编程，人的角色基本就是QA——Agent写，人找bug，再让Agent改。这个模式当然有效，但很累，而且人的时间全被低层问题吃掉了。

吴恩达的判断是：随着coding agent越来越会测试自己的代码，开发者终于可以把注意力往上挪了。比如：

• 这个功能到底要不要做？
• UI哪里让人觉得不舒服？
• 用户流是不是太绕了？
• 规格是不是写错了？
• 哪些问题反复出现，需要做成evals？

这背后其实是工程师角色的根本性变化。“写代码”这部分被加速之后，最稀缺的就变成了产品上下文、用户理解和判断力。

很多人喜欢把这种东西叫“品味”，但吴恩达有一个更准确的概括：人类有context advantage（上下文优势）。不是人类更神秘，而是人知道更多业务背景、用户状态、产品约束和真实场景。只要这些东西还没完全进入AI系统，人就必须留在循环里。

3. 第三层：外部反馈仍然慢，但不能省

第三层是External feedback loop。这包括找朋友试用、找alpha用户、上线做A/B测试、看使用数据、听客户反馈。

这一层最慢。前两层可能几分钟到几小时就能转一轮，外部反馈往往要几个小时、几天，甚至几周。但它不能省。

因为Agent可以更快地把规格变成软件，但它不知道这个软件该不该存在，也不知道用户真实卡在哪里。这也是很多AI编程项目容易跑偏的地方：开发速度上去了，产品学习没有跟上。结果就是做得更快，但错得也更快。

4. 闭环顺序才是关键

这三层循环不是并列的工具列表，而是一条产品生产链：

• 外部反馈影响开发者愿景
• 开发者愿景变成产品规格
• 产品规格驱动coding agent
• coding agent写出新版本
• 新版本再去接受开发者和用户的反馈

很多人现在只在第一层卷工具：哪个Agent更会写代码，哪个IDE更强，哪个模型修bug更快。这些当然重要，但如果只停在这一层，你会得到一个很勤奋的代码工人，却不一定得到一个更好的产品。

5. 对普通开发者的实践建议

这里给几条可以立刻上手的具体建议。

第一层：给Agent更清楚的任务。不要只说“帮我做一个页面”，而是说清楚用户是谁、目标是什么、有哪些约束、验收标准是什么。

第二层：记录你每次人工反馈的类型。你是在找bug，还是在改产品方向？如果你一直在找同类bug，就该考虑把它做成测试或eval。

第三层：尽早找真实用户。哪怕只是发给两个朋友，都比你和Agent在本地循环十轮更有价值。

AI编程的下一阶段，不是少写几行代码，而是重新设计软件生产的反馈系统。Agent负责加速局部循环，人负责连接真实世界。

《夸克》非常好用的免费AI浏览器

下载APP查看