文章阐述了AI编程工具的发展轨迹，从自动补全到提示写代码，再到并行Agent，最终进入循环工程阶段。作者解释了循环系统的六个核心组件：自动化触发、工作树、技能库、连接器、子智能体和记忆机制，并举例说明了一个检查CI失败的循环如何运作。文章还指出了循环工程可能遇到的三个问题：Token成本失控、虚假完成和代码库失控，最后强调了循环设计对工程师技能提升的重要性。

2026 年 6 月 7 日，一个叫 Peter Steinberger 的人在网上发了一句话，然后整个 AI 编程圈炸锅了。

他说的是这个：

“你不应该再去提示编程 Agent 了。你应该去设计那个提示 Agent 的循环系统。”

几天前，Anthropic Claude Code 的创始人 Boris Cherny 在一场活动上刚好也说了同一个意思：

“我已经不再直接提示 Claude 了。我有循环在跑，是循环在提示 Claude，是循环在决定下一步做什么。我的工作，是写循环。”

这两句话加在一起，在网上转了几百万次。但有意思的是，转发的人大多数都看不太懂——循环到底是什么？

我花了一些时间认真研究了这件事，写下这篇文章，试图把这个概念从头说清楚。

︱先说说你现在在做什么

如果你用过 Claude Code、Codex、 Cursor 或者任何一个 AI 编程工具，你大概有过这种体验：

你写一段提示词，它给你代码，你看了觉得差不多，再写一段提示词让它继续，它再给你一段，你看看有没有问题，再写……

这个过程里，你就是那个坐在循环里的人。你在手动驱动每一步，你是系统的节拍器。

这很正常。过去两年，大家都是这么用 AI 的。但 Boris 说的那句话意味着，他已经不这样做了。

他把自己抽出来了，放到了循环的外面。

︱进化的三个台阶

回头看这几年 AI 编程工具的发展，其实是有轨迹的：

2023 年：自动补全。 你敲代码，AI 帮你补下一行，你是主笔，它是助手。

2024 年：提示写代码。 你描述需求，它写出来，你来审查。这个阶段诞生了"提示工程"这个说法，大家开始研究怎么把提示词写得更好。

2025 年：并行 Agent。 你同时开 5 个、10 个 Claude 会话，每个处理不同任务，你在中间做协调，像个项目经理。

2026 年：循环工程。 你不再是那个坐在里面提示的人，你去写那个自动提示的系统。

每一步，你和 AI 之间的关系都在变。你离一线操作越来越远，你的工作越来越像"建系统"而不是"干活"。

有人可能觉得这有点夸张。但 Boris 有个数字放在那里：他在 Claude Code 合并的 259 个 Pull Request 里，100% 的代码是由 Claude Code 自己写的。这不是吹牛，这是有 git 记录的事情。

︱那么，一个循环到底由什么组成

拆开来看，一个能跑起来的循环需要六样东西。

1. 自动化——循环的心跳

循环必须能自己启动，而不是等你来按开始键。

这意味着你需要一个触发器：每天早上九点，或者每当有新的 Issue 被标记，或者每次 CI 跑失败了，系统自己醒来，发现有活要干，然后开始干。

这个触发机制就是循环的心跳。没有它，循环不是循环，只是一次性的脚本。

Claude Code 有 /loop 命令可以把一个任务变成 cron 定时任务。Codex 有专门的 Automations 标签页，让你配置触发周期。两个工具用不同的名字实现了同一件事：把"发现工作、启动任务"这件事从你手里接过去

2. 工作树——让 Agent 并行不打架

一旦你同时跑多个 Agent，马上就会遇到一个问题：它们会互相覆盖文件。

这不是理论上的风险，这是真实发生的事情。两个 Agent 同时修改同一个文件，就跟两个工程师不打招呼提交同一行代码一样，最后谁的都不对。

解决方案是给每个 Agent 一个独立的工作目录。Git 里有个叫 worktree 的功能，可以从同一个仓库检出多个独立的工作副本，互不干扰。Agent A 在自己的目录里改，Agent B 在自己的目录里改，改完了再合进主干。

留下孤立的、没清理的工作树是实际生产中混乱的最主要来源，这个细节值得重视。

3. 技能——让 Agent 不用每次从零学起

每次启动一个新会话，Agent 对你的项目一无所知。你的代码规范是什么？构建命令是什么？提交信息要遵循什么格式？PR 模板长什么样？

如果这些东西不写下来，Agent 每次都要重新猜，或者你每次都要在提示词里重复解释一遍。

Skills（技能）就是把这些项目知识结构化地存起来，让 Agent 在需要的时候按名字调用，而不是把一堵无人维护的说明文字堆在每次的提示词开头。

Claude Code 里对应的是 CLAUDE.md 文件。Boris 自己说他们团队的 CLAUDE.md 大概有 2500 个 Token，里面记录了常见错误、风格规范、设计决策，每次有新东西学到，就往里面加。这个文件本身也在进化。

4. 连接器——接入真实世界

一个只能读写代码文件的 Agent，能干的事情有限。真正有用的循环需要能跟你的工具链通信：给 Jira 里的 Issue 改状态，在 Slack 里发一条通知，查数据库里的某个数据，往 GitHub 开一个 PR。

MCP（Model Context Protocol）就是做这件事的。它给 Agent 提供标准化的接口，让它可以调用外部工具，而不是只在文件系统里打转。

这是循环能够真正融入工作流、而不只是跑在旁边的关键。

5. 子智能体——制作者与检查者必须分开

这是循环设计里最容易被忽视、也最重要的一个原则。

让 Agent 给自己的输出打分，几乎是无效的。模型对自己的结果天然宽容，它很难发现自己制造的 Bug，就像人很难发现自己文章里的错别字一样——看太多遍了，眼睛就瞎了。

正确的做法是让一个独立的 Agent 来做检查，理想情况下用不同的模型，基于独立的信号打分。制作者负责生产，检查者负责验收，两个角色，两套标准，互不干扰。

检查者发现的问题，作为下一条指令反馈给制作者。这个循环一直转，直到检查者也挑不出毛病为止。

6. 记忆——状态要在磁盘上，不能在上下文里

这是最容易被低估的一块，也是让循环能跨天工作的根本。

模型在两次会话之间什么都不记得。你昨天跑的那个循环做了什么，处理了哪些 Issue，还有哪些待处理，它一概不知。

所以这些状态必须存在对话之外。一个 Markdown 文件、一个 Linear Board、一个知识图谱，都可以。循环每次启动，先读这个文件；每次结束，把最新状态写回去。

Agent 忘，但文件不忘。这就是循环能在你睡觉的时候持续工作的原因。

︱一个真实的循环是怎么跑的

说了六个组件，把它们串在一起看一遍。

比如你想做一个每天检查 CI 失败的循环：

每天早上九点，自动化触发。循环读取 TODO.md，知道昨天哪些问题还没处理。制作者 Agent 拉取昨天的 CI 失败日志，在独立的工作树里草拟修复方案。修完了，检查者 Agent 独立跑一遍测试，验证修复有没有引入新问题。如果没问题，连接器帮你开一个 PR，顺手更新 Jira 里对应的 Issue 状态。把已处理的内容写回 TODO.md。明天同一时间，从这里继续。

整个过程，你不需要在场。你甚至不需要醒着。

︱但这件事有三个坑，得说清楚

循环工程不是没有代价的，有三个地方容易出问题。

第一，Token 成本失控。

一个没有退出条件的循环会不断空转。子 Agent 加上检查者加上长时间任务叠加，Token 消耗会以你想象不到的速度增长。

解决方法是在循环启动之前就把退出条件写进去，比如"所有测试通过且 lint 无报错，循环结束"。这个条件必须在开始前决定，不能在运行中临时改。先用慢的触发周期测几天，看清楚成本曲线，再考虑加速。

第二，虚假完成。

无人值守的循环会在没有真正验证的情况下报告"已完成"。这就是为什么独立检查者是必须的，而不是可选的。一个检查者本质上是在问：结果是真的好，还是只是长得像好？

第三，代码库悄悄失控。

这是最隐蔽的风险。循环合并代码的速度比你阅读的速度快得多。几周下来，即使所有检查都显示绿灯，你对自己的代码库里到底有什么可能已经失去了感知。

测试全绿只能说明代码通过了测试，不代表你清楚上线了什么。

让循环保持诚实的方式，不是相信检查通过，而是阅读它合并的内容。这件事不能完全委托出去。

︱这对我们意味着什么

说完技术，聊聊人。

这一波讨论里有一句话我觉得说得很准：未来最高杠杆的工程师，不是写最多代码的人，而是最擅长设计可靠 Agent 系统的人。

这不是说写代码不重要，而是说技能的重心在移动。就像当年从手写 SQL 到用 ORM，从手写 HTML 到用框架，每次抽象层级提升，最有价值的技能也随之迁移。

现在发生的事情是：把"提示 Agent"这件事本身也抽象掉了。

如果你现在还在研究怎么把提示词写得更好，这没有错，提示词永远不会消失，一个烂提示词放进循环里只会更快地产出烂结果。但如果你只停在这一步，你可能已经不在最高杠杆的位置了。

还有一层身份变化值得注意：循环设计需要工程判断力，需要你理解系统的每个环节在做什么，需要你在某些地方主动选择不放手。这不是让人变得可有可无，而是让人的判断力变得更值钱。

最后留一个问题： 你现在的工作里，有哪些重复的、可以写成退出条件的任务？

那可能就是你第一个循环的起点。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】