Andrew Ng 谈 Loop Engineering：AI 编程中的三个关键循环
说明：这不是逐字全文翻译，而是基于 Andrew Ng 这条内容做的中文转译和精读。原文来自 Andrew Ng 在 X 上转述 The Batch 的一段内容，链接见文末。
最近，Loop engineering 这个说法因为 Boris Cherny 和 Peter Steinberger 的讨论在社交媒体上变热。吴恩达接着这个话题，给出了一个很值得注意的判断：在 AI 编程里，真正重要的已经不只是单次让模型生成代码，而是让 AI agent 在一个循环里持续迭代。
换句话说，AI 编程正在从"给一个 prompt，拿一段代码"，变成"设计一个可以不断执行、反馈、修正的工作循环"。
1. Agentic coding loop：让 Agent 自己写、测、修
吴恩达提到的第一类循环，是 Agentic coding loop。
它的基本过程是：人给出产品规格，有时还会给出 eval 或测试标准；AI agent 根据规格写代码，然后测试自己的工作，再根据测试结果继续修复和迭代，直到代码满足规格、bug 被解决。
这件事的重要性不在于"AI 写代码更快"这么简单。真正的变化是：过去 AI 更像一次性的代码补全或问答工具，而现在 coding agent 开始具备更长时间工作的能力。它不只是生成答案，而是能在一个任务目标下反复尝试、检查和修正。
这就是"闭环"的价值。没有闭环时，人要不断接住 AI 的输出、判断问题、重新提示；有了闭环后，agent 可以承担更多执行层面的往返。
2. Developer feedback loop：开发者从写代码转向给反馈
第二类循环，是 Developer feedback loop。
当 coding agent 能够自己写、测、修，开发者的工作重心会发生变化。开发者不再只是盯着每一行代码怎么写，而是更多地查看当前产品状态，然后告诉 agent 下一步应该改什么。
吴恩达特别提到，开发者可以把更多精力放在产品决策上，比如：
- 哪些功能应该做，哪些不该做；
- UI 是否足够清楚；
- 用户流程是否顺畅；
- 当前实现是否真的符合产品目标。
这其实是一个很重要的角色变化。开发者没有退出开发过程，而是从"具体执行者"变成了"反馈提供者"和"方向校准者"。
吴恩达还提到，AI-native 团队会越来越多地用 AI 帮助塑造产品方向。
比如，让 AI 分析使用数据、总结客户反馈、做竞品分析。这些事情过去可能需要产品经理、运营、分析师分头完成，现在 AI 可以更快地整理信息，帮助团队形成初步判断。
但他同时提醒：人仍然有上下文优势。
AI 可以处理大量信息，但它不一定真正理解你的用户是谁、业务处在什么阶段、团队有哪些约束、现场发生过什么。这些信息往往不完整地存在于文档里，而是存在于团队的经验、直觉和长期互动中。
所以，human-in-the-loop 仍然必要。人在这里不是为了形式上审批一下，而是把 AI 缺少的现实上下文注入进去。
AI 做得越多，人越需要知道什么是对的。
3. External feedback loop：真实用户反馈仍然决定方向
第三类更慢但更关键的循环，是 External feedback loop。
它包括找朋友试用、开放 alpha 测试、做线上 A/B test，或者从真实用户那里收集反馈。这个循环不像 agent 自测那么快，但它决定了产品方向是否真的成立。
吴恩达的逻辑是：外部反馈会影响开发者的产品判断，产品判断再影响规格，规格再驱动 coding agent 工作。
也就是说，agentic coding loop 并不是孤立存在的。它外面还有开发者反馈 loop，再外面还有真实用户反馈 loop。
如果只让 agent 在代码层面自我循环，产品可能会越做越完整，但不一定越做越正确。真正的产品开发，仍然要让外部反馈回到系统里。
4. 吴恩达的核心判断：工程师会承担一部分产品经理角色
这段内容最后有一个很有意思的判断：随着 coding agent 加速软件开发，更多工程师会开始承担一部分产品经理的角色。
原因也很直接：当写代码本身变快之后，瓶颈会转移。
过去，一个想法能不能落地，常常卡在实现速度上。现在，如果 agent 能快速生成、测试和修改代码，那么更难的部分就变成了：
- 产品愿景怎么定；
- 规格怎么写清楚；
- 用户反馈怎么判断；
- 哪些东西值得继续做；
- 如何在"继续构建"和"听取反馈"之间保持平衡。
这不是说工程师都要变成传统意义上的产品经理，而是说，AI 编程会迫使开发者更接近产品判断本身。
小结
吴恩达这段内容真正值得注意的地方，不是 Loop engineering 这个词本身，而是它描述了一种 AI 编程的新工作形态：
- 第一层，是 agent 自己围绕规格写、测、修；
- 第二层，是开发者根据产品状态给 agent 反馈；
- 第三层，是真实用户和外部环境把方向反馈给开发者。
这三个循环叠在一起，才构成了更完整的 AI-native 软件开发过程。
如果只看最里面的一层，我们会以为 AI 编程的重点是"让 agent 多写代码"。但如果看完整个结构，重点其实变成了：人要学会设计循环、提供反馈、校准方向。
这也是 Loop engineering 这个概念真正值得被讨论的原因。
参考来源
- Andrew Ng on X: https://x.com/AndrewYNg/status/2071988145667928442