如果你最近在关注 AI Agent，肯定会发现大家的讨论重点已经变了。从最早的 Prompt Engineering，到后面的 Context Engineering、Harness，现在越来越多人在聊 Loop Engineering。
刚开始听到这个词的时候，我也觉得有点奇怪。Loop 不就是循环吗？怎么突然成了 AI Agent 领域的热词？后来我把 Claude Code、OpenAI Agents、LangGraph、AutoGen 这些东西都看了一遍，才真正明白：Loop 不是什么新技术，它改变的是 AI 的工作方式。
以前的大模型，本质上还是一个"一次性回答机器"。现在的 Agent 更像是一个能持续干活的程序。而让它从"回答问题"变成"完成任务"的核心，就是 Loop。
从一次回答，到自己把事做完
举个最简单的例子。
你打开 ChatGPT，说："帮我写一个 Python 爬虫。" 几秒钟后，它给你一段代码，任务就结束了。如果代码有 bug，你得再告诉它："第 18 行报错了。" 它再改一次。这整个过程永远是你发现问题 → 告诉 AI → AI 修改 → 结束。
AI 自己并不知道代码对不对，也不会主动去验证。它只是根据你每次的输入，生成新的回答。
而一个真正的编程 Agent 完全不一样。
它写完代码后，不会停下来，而是继续干下面这些事：运行测试 → 读错误日志 → 分析哪里出问题 → 修改代码 → 再跑测试...... 直到测试全部通过，才把最终结果给你。
整个过程中，你几乎不用插手。它自己在不断尝试、修正。这就是 Loop。
所以我更愿意把 Loop 理解成：Agent 自己持续工作的能力。
Loop 到底在循环什么？
很多人以为 Loop 就是个 while 循环，其实它循环的是整个任务执行流程。
现代 Agent 基本都遵循这样一套节奏：
- 观察当前环境和用户目标
- 读取历史上下文和工具返回的结果
- 用大模型进行推理：下一步该干什么？
- 通过 Harness 执行具体动作（调用数据库、浏览器、Shell、Git 等）
- 检查结果是否成功
- 如果没完成，就进入下一轮
观察 → 思考 → 执行 → 检查 → 再观察...... 形成一个闭环，直到任务真正做完。
很多论文把这叫 ReAct Loop，或者直接叫 Agent Loop。名字不重要，重要的是它让 AI 学会了自己把事情干完。
Harness 和 Loop，不是一回事
这两个概念经常一起出现，很多新人容易混淆。其实它们是上下级关系。
Harness 可以理解成 Agent 的"运行环境"，它提供工具调用、文件系统、权限管理、上下文记忆、日志、安全沙箱等基础能力。这些东西本身不会主动干活，只是等着被调用。
Loop 则是"车间主管"，它负责调度：什么时候调用工具？什么时候重试？什么时候该结束？这些决定都由 Loop 来做。
打个比方：大模型是工人，Harness 是工厂，Loop 是主管。工厂给机器，主管安排生产，工人去执行。三者缺一不可。
以前为什么没人专门聊 Loop？
两三年前，大家最关心的是 Prompt。Prompt 写得越好，模型回答越准。
但后来模型能力上来了，大家发现只靠 Prompt 已经不够了。让模型完成一个需要几个小时的任务，Prompt 再牛也没用------因为它回答一次就结束了，不会自己检查、不会自动重试、不会跨多轮持续工作。
于是问题变成了：怎么让 Agent 长时间稳定工作？怎么自动修复错误？怎么自己继续执行？Loop 才逐渐进入大家的视野。现在讨论的，已经从 Prompt Engineering 变成了 Loop Engineering，关注的不再是单次输出，而是整个执行过程。
一个真实场景
假设老板让你统计六月销售额并生成分析报告。
普通聊天机器人很可能直接甩给你一份模板，甚至编几个数字，任务就"完成"了。
而真正的 Agent 会：
- 确认统计范围
- 连接数据库查订单
- 发现退款数据没算，回去查退款表
- 重新计算，生成图表，导出 PDF
- 最后再检查数据是否完整
如果数据库连接超时，它会等几秒重试，失败了就尝试备用方案，实在不行才告诉你。
用户只下达了一次指令，剩下的事 Agent 自己搞定。这就是 Loop 的价值。
Loop 的两个层次
很多框架把 Loop 分成两层。
Inner Loop（内部循环）：处理具体小任务，比如读代码、改文件、跑测试、修复 bug，通常几分钟内完成，属于单个 Agent 内部的循环。
Outer Loop（外部循环）：管理整个项目进度。今天做需求分析，明天写代码，后天测试。如果测试失败，就重新分配任务；如果超时，通知人工；还能调度多个 Agent（Planner、Coder、Reviewer、Tester）协同工作。
现在不少团队已经把 Outer Loop 单独拿出来研究，这也是 Loop Engineering 真正有意思的地方。
Loop 的价值，不是让模型变聪明
很多人会问：是不是模型变强了才有 Loop？其实不是。
Loop 不会让 GPT 掌握新知识，也不会让 Claude 突然理解更复杂的算法。它改变的是工作方式：
- 以前出错要人去修，现在系统自己先试着修。
- 以前做完一步就停，现在做完一步还会继续想下一步。
- 以前只能聊天，现在能真正执行任务。
这就是为什么大家越来越愿意把 AI Agent 叫做"智能体"，而不是聊天机器人。
写在最后
过去几年，我们一直在比模型谁更强：GPT 更聪明、Claude 更稳、Gemini 上下文更长。这些比较当然有意义。
但真正做 Agent 的时候你会发现，模型只是系统的一部分。决定 Agent 能不能稳定工作几个小时、完成复杂任务的，更多是它背后的执行机制。
Harness 提供环境，Context 提供记忆，而 Loop 决定这个系统会不会一直干下去。
未来，随着 Agent 从 Demo 走向实际生产，Loop Engineering 很可能会像当年的 Prompt Engineering 一样，成为 AI 工程里不可或缺的一部分。
理解 Loop，就是在理解 AI Agent 如何从"会聊天"，一步步变成"会干活"。