本文深入探讨了AI大模型从早期提示词工程到现代自主迭代的演进历程介绍了四大核心技术浪潮Prompt Engineering、Context Engineering、Harness Engineering和Loop Engineering。文章详细阐述了每种工程范式下的核心挑战、技术栈和人类角色的转变并强调了Loop Engineering在现代AI系统中的重要性。最后文章提出了开发者如何拥抱Loop Engineering的建议鼓励大家从实践开始逐步掌握AI大模型的高级应用技术。一、引言2023 年是大语言模型落地应用的早期阶段也是“年薪百万的提示词工程师”刷屏的一年。工业界曾一度将核心精力投射于提示词工程导致市面上充斥着“万能 Prompt 模板”和“Prompt 圣经”。与此同时方法论侧也在经历系统化的演进从早期的少样本提示发展至思维链、思维树等高级策略[1]与依赖用户直觉的“盲提示Blind Prompting”划清了界限[2]。这是上半场的故事人们在卷“怎么跟 AI 说话”。然而依赖单次交互的“提示-响应”模式所带来的瓶颈也很明显。稍微深度用过 AI 的人都会发现无论 Prompt 写得多巧自己仍然充当“人肉缝合怪”的角色——把代码贴进去、复制结果、跑出错、把报错粘回来、改 Prompt、再来一遍。当应用于大型软件工程或复杂业务场景中时这种瓶颈会被进一步放大。上述单轮交互模式无法支撑多步逻辑推理亦无法自主维护工具状态或进行跨会话的记忆管理[3]使得人类研究者在实质上成为了维持系统运转的中转站。图1: AI社区热点话题转折发生在 2025–2026 年三句话引爆了整个AI社区“I really like the term ‘context engineering’ over prompt engineering.” —— Tobi Lütke, Shopify CEO[4] “You shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.” —— Peter SteinbergerOpenClaw[11] “I don’t prompt Claude anymore. I have loops running. My job is to write loops.” —— Boris Cherny, Claude Code[12]这三句话宣告了一场正在发生的范式迁移人类从 Agent 循环的内部走向外部从执行者变成设计者[14]。如果说AI 时代的上半场是“人以言驭物”那么刚刚开启的下半场则正在全面转向“系统自我迭代”。本文将围绕这一技术演进脉络深入盘点驱动这场范式重塑的四次核心浪潮。二、AI 开发范式的演进为了帮助大家直观的了解本节内容我们可以将AI范式的演进历程看作是一条沿着“教 AI 说话Prompt Engineering → 给 AI 资料Context Engineering → 帮 AI 建办公室Harness Engineering → 让 AI 自己打工Loop Engineering”脉络不断演进的AI“进化史”。本节将带你深入复盘这四次核心技术浪潮。你将看到系统如何从早期单纯依赖单轮提示、需要人类时刻充当“人肉信息中转站”的原始形态逐步演变为具备环境约束以及能自主修复与多轮迭代的闭环系统。图2: AI开发范式的演变1. Prompt Engineering —— 沟通艺术这一阶段的核心问题是“如何跟 AI 沟通”。这一时期沉淀下来的经典方法包括 Zero-shot 与 Few-shot、Instruction Prompting以及 APE 自动 Prompt 搜索等方法[1]。值得强调的是正确的Prompt Engineering 并不是凭手感换词而是一套包含“定义问题 → demonstration set → 候选 prompt → 实测准确率 → 成本/精度权衡 → 持续迭代”的工程方法论。与之相对的是只靠 trial-and-error、缺乏测试、对原理一知半解的Blind Prompting[2]。为了将这套方法论彻底标准化业界开始尝试把 Prompt 本身程序化。以 DSPyDeclarative Self-improving Python、APE 为代表的声明式框架提出了一个关键转变开发者不再手写指令字符串而是声明输入输出的签名再交给优化器自动搜索最优的Prompt与Few-shot组合使Prompt 第一次从“人工手写”变成了“可编译、可学习的程序”[15]。当底座模型从 GPT-4 换成开源 Llama 时只需一键重新编译系统就能自动合成最适配新模型的 Prompt。然而无论是手写模板还是自动编译纯粹的Prompt Engineering很快遇到了天花板例如受限于大模型上下文窗口无法承载海量上下文缺乏记忆与工具调用导致无法多步执行容错率极低需要不断人工介入纠错。更深层的影响是随之而来的“技术债”应用规模稍大就需要维护成百上千条模板。一旦模型升级或业务微调这些精心打磨的Prompt极易集体失效甚至反向退化。这种“越堆越多、越滚越重”的维护成本决定了纯靠“写好提示词”根本撑不起规模化工程。2. Context Engineering —— 对话管理这一阶段的核心演进在于将注意力从“如何写提示词”逐渐转向“信息怎么喂给模型”[5]。就像发邮件前帮 AI 把附件、参考资料和背景画像都准备好。这一概念在 2025 年年中随着业界讨论进入主流视野并被 LangChain 等框架确立为最佳实践[4]。针对“信息怎么喂”这一命题业界演进出了三套核心方法论轻量化装配Minimum Viable Context, MVC严控单次请求体积只组合最必需的用户目标、检索结果与当前工具定义避免信息冗余[5]。知识图谱增强检索GraphRAG用实体关系网络取代传统的单纯向量相似度将“段落检索”升级为“语义关联”用以解决多跳推理、可解释性与合规审计等问题[5]。即时检索Just-in-Time 检索在初始阶段仅维护资料的轻量引用如路径或 ID直至运行时才按需实时加载。Anthropic Skills 便采用了这种设计哲学[6]。如果缺乏合理的上下文信息装配逻辑极易陷入以下三种典型故障信息匮乏Context Starvation数据过少导致模型缺乏依据而产生幻觉信息过载Context Overflow灌入大量无关噪音而稀释模型的注意力上下文腐烂Context Rot窗口越填越满、模型响应质量反向退化[5][6]。除了信息本身的装配还有一个直接决定模型相应质量与成本的隐性维度——信息的排列顺序。这背后依托的是大模型的提示词缓存Prompt Caching机制。模型会缓存已计算完毕的上下文前缀KV Cache如果下次请求的前缀完全一致就能跳过最耗时的预填充Prefill阶段直接命中缓存的部分。这使得计算成本通常能降低约 90%延迟最高降低85%[16]。然而享受这一红利必须遵循前缀匹配不变性Prefix Matching Invariant的铁律。由于缓存是按字节从头进行哈希校验的前缀中哪怕仅改变了一个空格该位置往后的所有缓存就会瞬间集体失效导致系统不得不退回全额计费的冷启动。这种机制使得开发人员必须严格按照“从静到动”的原则将上下文进行分层排列首先是确定性的工具定义其次是冻结的系统提示接着是相对稳定的历史对话最后才是动态易变的消息。在实际开发中这也带来了一个极其反直觉的设计要求诸如“当前日期”、“当前用户”这类动态全局变量绝不能直接插进开头的系统提示中否则会直接击穿整段缓存而必须作为普通消息挂在对话流的最末尾以最大化保证前缀的稳定性。那么在实际线上业务中使用这套分层排列到底划不划算我们可以通过对比“冷启动”与“缓存”在 N 次请求下的累计成本来算一笔账。缓存并非免费午餐参考阿里云百炼平台的计费规则[19]在隐式缓存模式下首次创建缓存的 Token 仅按输入单价的 100%计费此后 N-1 次请求若成功命中每次仅需支付 20%的费用。这意味着只要同一段前缀在被清理前成功复用第 2 次即 N3 即可产生净收益。高频迭代的智能体Agent之所以能以极低的边际成本运行底气完全来自这种“前缀稳定 反复命中”的缓存经济学。然而当上下文装配与成本结构被优化到极致后新的瓶颈又开始浮出水面即使资料给得再足大模型依然常常流于“纸上谈兵”——在面对代码报错、工具失败或物理环境异常时极易陷入困境。模型清晰地知道“目标是什么”却缺乏执行与纠错能力。3. Harness Engineering —— 系统约束随着AI越来越多的应用于企业真实业务场景人们开始意识到仅仅把资料喂对不足以让大模型独立支撑起一个高可靠的工业级应用。对此行业内逐渐确立了 AgentModelHarness 的研发范式——如果你不是在做底层模型你就是在做 Harness系统围栏/脚手架[7][10]。这一阶段的核心转变是把模型之外的所有系统组件当成工程对象来设计。一个生产级别的 Harness 系统主要由四大核心支柱构成环境资产与工具集包括 Tools、Skills、MCP 服务以及文件系统、安全沙箱和无头浏览器等底层基础设施。控制与编排逻辑负责子 Agent 派发、状态接力Handoff与模型路由。规则中间件Hooks包含上下文压缩Compaction、代码静态检查Lint、提交网关Commit Gate等自动化钩子。运行即可观测性对 Trace 链路、Token 成本以及延迟Latency进行实时计量[7][8]。图3: Harness系统的信任边界划分从信任边界来看这些组件构成了物理基础设施 → 安全沙箱 → Agent Harness → 运行时 → 模型的层层防御结构。模型处于最核心、也最不可信的位置其执行的每一个高风险动作都必须经过外围 Harness 规则的解析与沙箱隔离最终受制于基础设施的资源红线。这套约束系统一旦缺位代价将是灾难性的。2026 年 DataTalks.Club 平台发生了一起教科书式的事故[17]由于研发环境缺乏沙箱隔离且底层 AWS 没开删除保护AI 编码工具Claude Code机械地执行了人类盲目授权的terraform destroy指令。短短几秒内生产数据库、集群及备份被物理抹除两届学生、近 200 万行核心数据瞬间清零。图4: Harness缺位引发的灾难值得反思的是这场灾难只是由于Claude Code执行了一段看似合理的代码并不存在“失控的 AI”。真正的问题在 Harness 上系统缺乏危险操作的二次确认、缺乏基础设施的刚性红线也缺乏Human-In-The-Loop的交互机制。因此设计 Harness 的核心思维是从“预期行为”反推系统组件[7]想要持久状态就配置 Filesystem 与 Git想要安全执行就强制隔离 Sandbox想要对抗上下文腐烂Context Rot就引入 Compaction压缩与 Skills 渐进式披露机制。围绕生产环境业界进一步沉淀出八条“非妥协原则”[9]Model proposes — Harness executes模型仅负责提议Harness 才拥有最终执行权Every call returns a result即使超时或拒绝也必须结构化回传Risk changes the process根据风险高低动态匹配只读、草稿、外部写入三档权限Draft 与 Commit 分离危险操作必须由人类进行显式确认Context is assembled, not dumped上下文要分层装配绝不能直接倾倒Long tasks have budgets从步数、时间、Token、成本四个维度卡死单次任务预算Skills Connectors 渐进式披露先暴露名称按需加载细节Recurring failures become Harness features重复出现的偶发错误必须沉淀为 Hook 或校验器。上述原则落到自动化Code Review中便形成了由 CodeRabbit 提出的由硬到软、层层收窄的分层拦截流水线[18]确定性规则层如 Semgrep毫秒级近乎零成本负责拦截明显的语法和安全红线策略网关层如 OPA对基础设施配置IaC进行刚性阻断拦截结构性错误AI 审查层分钟级消耗 Token结合代码库上下文拦截业务逻辑错误人类终审最慢最贵但判断力最高只负责最高阶的架构与战略决策。利用这套漏斗模型约 80% 的低级错误在最便宜的硬规则层被拦下15% 的复杂逻辑交给AI 层人类最终只需要审核剩余 5% 的核心决策。这套范式在工程上落地为 Skill Issue框架[18]即当 Agent 线上表现不佳时团队的第一反应不再是责怪模型而是排查 Harness 代码。Terminal Bench 2.0 的实证印证了这一逻辑同一款原生大模型在不改变权重的前提下仅通过改写 Harness 约束其 Benchmark 排名便从 30 名提升至 前五名[7][10]。这表明当下模型“能做的事”与在生产环境中“做成的事”之间差距几乎全由研发团队所提供给大模型的 Harness水平决定。4. Loop Engineering —— 自主迭代如果说 Harness 工程是为大模型搭建安全的系统围栏那么 Loop Engineering则赋予了系统自主迭代的能力。随着系统从静态的、由人类单次触发的工具演进为具备独立运行周期的自主工程大模型在系统中的定位开始转变为受控的“子程序”。在这一阶段系统的控制权交给了由状态机和多 Agent 编排构建的闭环架构。LoopEngineering在工程上可以用一个公式来概括LoopCron决策器。 人类的职责也随之从直接编写提示词或控制流走向循环系统架构设计师[14]。在架构设计上成熟的循环系统都遵循“机制Mechanism与策略Policy分离”的哲学。底层平台作为 Harness 提供基础机制如定时器、工作区隔离而具体的控制策略如触发时机、子Agent数量则由架构师根据业务逻辑进行独立配置。这种设计哲学使人类能够真正抽离于执行循环之外。从整个技术路径的演进来看业界对Loop的定义经历了以下几个阶段[12]图5: Agent Loop技术路径的演进根据演进特征当前的 Loop 成熟度通常可以划分为三档第一档是 Open Loop开环模型自行判断并输出done即告结束通常仅适用于 Demo 演示第二档是Closed Loop闭环每轮执行都必须强制通过单元测试、Lint 检查或自动化 Review达到了生产级交付标准第三档是 Review Loop评审环由后台常驻的异步审查 Agent 在新鲜上下文中提供持续反馈是解决长会长任务的最优解[12]。图6: Loop Engineer系统架构框图无论是哪一种成熟度一个工业级自主循环系统的底层都必须由“五件套 一个记忆”构成Automations自动触发层提供心跳机制如 Cron 表达式、自定义定时器或 GitHub Actions 等。Worktrees并行隔离工作区为每个子 Agent 分配独立的隔离环境防止并发代码相互覆盖。Skills技能树资产将项目独有的领域知识固化为配置或规范避免循环每次重新摸索。Plugins / Connectors (MCP)赋能标准连接器让循环具备开 PR、发 Slack、同步项目管理看板的真实动作。Sub-agents多 Agent 编排实行“研发与审计分离”的核心设计自己给自己改作业必然放水让写代码与审代码由不同的 Agent 承担。State 文件落盘记忆由于模型天生缺乏状态系统的运行进度与记忆必须实时持久化落盘。诸如 Claude Code 和 Codex 等主流Vibe Coding工具在产品形态上都完整实现了这套“五件套记忆”的基础构型[13]。然而为了防止基于自主循环的工具退化为失控的死循环整个系统必须在策略层强制执行一套循环协议Loop Contract严格约束以下六个维度[12]TRIGGER触发条件如每 15 分钟 / PR 评论 / CI 失败SCOPE作用范围如仅限特定仓库 / 仅处理自己提交的 PRACTION具体行为如运行测试 / 自动修复 Lint 错误BUDGET预算红线如单次最多衍生 3 个子 Agent / 50k Tokens / $5 成本STOP停止条件如测试全绿 / 达到 10 轮上限 / 预算耗尽REPORT上报通道如异常时投递至 Slack 频道在工程落地时合同里的BUDGET预算与STOP停止条件会直接固化为两道硬性约束熔断器Circuit Breaker配置连续失败次数上限max_consecutive_failures。一旦连续报错 N 次系统立即跳闸并回退代码将当前运行栈日志打包成工单转交人工同时加设墙上时间max_runtime_min超时无条件熔断。看门狗Watchdog专防由于退避策略缺失导致的自旋死循环。系统利用一个独立于主异步线程的外部进程监控 CPU一旦检测到占用率满载且长时间无 I/O 交互越过应用层直接发送SIGKILL信号强杀进程并回收资源。当这一整套工程防线与自动化流水线串联起来时便形成了标准的自主闭环AI 编码 → 沙箱测试 → 日志自动回灌 → AI 修复 → CI 绿标通过 → 自动发起 PR全流程无人类介入高频迭代的 Agent 得以在安全的边界内日夜运转。三、AI 工程范式的对比若将上述四个阶段的演进路径抽象为数学表达可以清晰地看出两种截然不同的架构范式。早期阶段核心关注单次推断的质量其范式可表达为该模型下输出的可靠性完全取决于输入质量提示词的润色与上下文的装配。而在当前的系统级智能体架构中范式已转化为基于状态机和自愈机制的循环此时任务的最终成功率不再由单次推断决定而是取决于循环迭代的深度、验证器的严密性以及系统在多轮执行中的状态自愈能力。为了更全面地对比这四种工程范式下表从核心挑战、技术栈和人类角色的转变等维度进行了系统梳理上述四种范式在实际落地中并非互斥或替代关系而是层层组合、向外扩展的嵌套结构*Prompt ⊂ Context ⊂ Harness ⊂ Loop*。Prompt 决定了模型对单一指令的理解基础Context 决定了该指令所需的动态信息输入Harness 充当每次执行时的系统级围栏保障单步动作的安全和规范而 Loop 则是在最外层动态调度 Harness、驱动状态不断迁移的调度引擎[8]。四、Loop Engineering 对工程实践的影响Loop Engineering概念能在工业界引发巨大的反响主要源于以下三点技术驱动力为缓解幻觉提供了可工程化的收敛路径基于大语言模型的底层概率预测特性单次生成的错误难以完全避免。对抗幻觉的有效手段不再是调优提示词而是依赖Text → Code → Execute → Read Result → Self-correct的闭环控制[10][13]。自动化控制范式的升级传统的自动化脚本通常在遇到单次异常或 Bug 时中断运行。而具备循环工程特征的自动化系统则具备容错、自愈与动态自适应特征。例如现代化命令行 Agent如 Claude Code 的/loop能够根据任务执行状态在编译运行期分钟级轮询与常态挂起期小时级轮询之间动态调整状态检查间隔[12]。基础设施的产品原语化HaaS 化主流工程工具已开始将这套能力固化为标准组件。Claude Code 内置了/loop指令、SKILL.md 规范与 Subagent Team编排Codex 提供了自动化面板与多 Agent 配置规范.codex/agents/。这种将Worktree Skills Connector Subagent State封装为标准底座的模式在业界被定义为“Harness-as-a-Service (HaaS脚手架即服务)”[10]。五、开发者如何拥抱 Loop Engineering在Loop Engineering范式下开发者的生态位正在逐渐转向更高阶的系统架构角色。这一角色可定义为 Loop Designer循环设计师其核心职责聚焦于以下三点定义终止边界Goal Verifier 设计负责编写 VISION.md全局愿景文件、完工条件、测试用例与评估矩阵。[13]。维护工具链与领域资产Tooling Skill 配置配置安全沙箱、对接 MCP 连接器、将高频重用的工程逻辑固化为命名的 Skill 资产避免系统在单次执行中重复产生提示词开销[10][13]。设计安全断路器Human-in-the-Loop Budget Guard设定步数、时间、Token 消耗以及资金成本等多维约束在出现异常时进行人工干预。同时也鼓励大家从今天就开始上手复现一个简易的Loop Agent以下是复现周计划Day 1写一份 AGENTS.md 60 行每行都对应你踩过的坑Day 2把一个反复重复的 prompt 沉淀成 SKILL.mdDay 3装一个 Hook跑 typecheck / lint错了把报错回灌Day 4上 Ralph 循环while :; do cat PROMPT.md | claude; done务必在 worktree 或 sandbox 里跑Day 5把 maker 和 verifier 拆成两个 subagentDay 6补齐 Loop Contract——TRIGGER / SCOPE / BUDGET / STOP / REPORT 五件齐Day 7上 cron 或/loop 30m把它真正放到无人值守模式。六、总结与思考AI 时代上半场我们研究语言的艺术下半场拼的是系统工程的能力。未来的高薪人才不是那个懂得给 AI 说请和谢谢的提示词专家而是那个能为 AI 搭一间完美办公室、写一套靠谱循环、让 AI 自己加班到深夜的循环设计师——而他白天在思考下一个值得自动化的问题。最后想与大家分享三个问题第一你今天还在手动重复哪些事它能在本周变成 SKILL.md第二如果你的 AI 半夜在 Loop 里失败 50 次你的系统会及时把你叫醒还是任由它把 Token 烧光第三当 Loop 替你写完 90% 代码时你打算如何保住自己对系统的理解力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】