循环工程师：智能体时代的新机遇

来源：抖音 @AIJason

“循环工程师”是当前人工智能领域最热门的话题之一，它标志着我们与大语言模型（LLM）交互方式的巨大转变。过去，我们可能仅仅通过简单的提示来使用LLM完成文本补全等任务，但现在，随着模型变得更智能、上下文窗口更大，我们开始构建能够自主发现问题并完成工作的智能体循环。

智能体工程的演变

传统的LLM应用场景普遍依赖“提示工程师”通过精心设计的提示词引导模型输出。然而，随着LLM能力的提升和上下文窗口的扩展，出现了更复杂的角色。

提示工程师 (Prompt Engineer)

在2023年GPT-3.5/4 API刚发布时，LLM主要用于简单的文本补全任务。提示工程师关注如何通过系统提示词（如“始终使用大写字母返回文本”）来约束模型行为，确保输出符合特定格式或风格。这本质上是关于如何在调用LLM时注入正确的上下文以引导其行为。

上下文工程师 (Context Engineer)

到了2024年中期，LLM变得更智能，上下文窗口也显著增大（从4K tokens到128K甚至1M tokens）。这使得LLM能够处理更长的对话和更复杂的任务。此时，“上下文工程师”应运而生，他们专注于如何有效地利用这巨大的上下文窗口：

系统提示词优化： 如何在系统提示词中添加信息以更好地触发缓存。
长对话处理： 通过压缩策略（Compaction strategy）管理和处理长对话。
工具与技能加载： 决定加载哪些工具和技能，以扩展智能体能力。
工具调用信息管理： 如何截断（truncate）和存储工具调用信息。

上下文工程师的目标是在不超出上下文窗口的情况下，提供最相关的信息，从而直接影响智能体的性能。

智能体与马具(Agent Harness)

到2025年底，AI已经能够处理更长、更庞大的任务。我们不再满足于让单个智能体完成整个任务，而是开始将任务分解，让多个不同的智能体并行处理不同的子任务，并持续迭代直到完成。这被称为“跨会话工作”（Cross-session work）。

为了协调这些智能体的工作，并跟踪它们之间的状态或文件系统，引入了“智能体马具”（Agent Harness）的概念。最初由LangChain的Viv提出，马具指的是模型本身之外的所有代码、配置和执行逻辑。它赋予了原始模型状态管理、工具执行、反馈循环和可强制约束等能力，使其成为一个真正的智能体。

然而，马具的概念过于宽泛，涵盖了从系统提示词、工具、基础设施到编排逻辑和执行钩子等诸多方面。因此，需要一个更具指导性的框架来优化和构建这些系统，这正是“循环工程师”的核心职责。

循环工程师的核心机制

循环工程师关注如何构建一个外部环境，使其能够触发智能体的运行，跟踪状态和日志，并通过持续改进实现目标。其核心机制包括：

触发器 (Trigger)： 这是唤醒智能体的机制，让它在适当的时间和情境下开始工作。常见的触发器包括：
- Cron Job (定时任务)： 定时唤醒智能体。
- Webhook (网络钩子)： 外部事件触发。
- Daemon (守护进程)： 持续运行并在特定条件下激活。
调查与行动 (Investigate & Act)： 被触发后，智能体将进行调查，分析现状并采取行动。这包括生成一系列待办事项或想法。
待办事项生成与任务分配 (Backlog gen & Assign task)： 智能体根据调查和行动的结果，生成待办事项并确定优先级，必要时将任务分配给其他智能体。
回顾与学习 (Review & Learn)： 任务完成后，智能体将回顾整个过程，从经验中学习，从而优化下一次的行动。这一环节是实现复利效应的关键。

案例：AI支持循环

以一个处理客户支持请求的智能体循环为例：

简化版： 每30分钟，智能体被唤醒，查看所有支持工单，回复尚未自动处理的工单，并记录遇到的摩擦点和想法。这些记录可作为未来产品改进的参考。
增强版： 在简化版的基础上，如果智能体记录到某个摩擦点或想法，并且该问题被多次报告，它将触发一个编程智能体（coding agent）来直接实现其中一些改进，并监控其性能。这样一来，支持团队不仅能及时响应客户，还能通过AI驱动的自动化流程不断改善产品，实现强大的复利效应。

四大核心要素

要为你的业务构建高效的智能体循环，需要关注以下四个核心组件或要素：

触发器 (Trigger)： 定义多种触发器，如Cron Job、Webhook或Daemon，以确保智能体能在相关时间和场景下被唤醒。通过设置正确的触发器，智能体可以变得更加自主，在无人干预的情况下交付有意义的工作。
文件结构 (File structure) & 日志 (Logs)： 这是确保循环高效运行的关键。我们需要一个结构化的文件系统作为知识库和长期记忆，包括：
- 交付物 (Artifacts)： 文档、信号、任务和内容等，由智能体生成或发现。这些是跨循环共享的知识载体。
- 循环契约 (Loop Contract)： 为每个循环定义其目标、工作流、任务列表和时间线，明确其职责和运行方式。
- 日志 (LOG.md)： 一个全局的工作日志，记录每个智能体的工作进展。智能体在工作前会读取最新的记录，完成后则写入更新，确保持续的上下文和协作。
工具 (Tools) 与技能 (Skills)： 为智能体提供执行有意义工作所需的工具集和连接器。这包括：
- 定制化技能： 根据业务需求开发特定技能，如Intercom技能用于获取工单、Stripe CLI用于检查支付信息、渲染（Render）技能用于获取后端日志，以及分流支持工单的技能等。这些技能通过明确定义的工作流程和规则，使智能体能够处理复杂任务。
- 工作流： 可重用的工作流，用于标准化特定任务的执行过程。
- MCPs： 允许模型拥有更高的自主决策能力，决定何时以及如何使用其工具和技能。
验证 (Verify)： 这是最容易被忽略但至关重要的一点。需要确保你的代码库和环境设置能支持并行和自主工作，并允许每个智能体验证自身工作。
- 可读性/约束 (Legible/Constraints)： 代码库应清晰易读，智能体能轻松理解在哪里修改什么。通过自定义lints（代码检查工具），可以对智能体生成或修改的代码施加约束，确保其符合规范。例如，禁止导入旧模块或强制使用特定API版本。
- 可执行性 (Executable)： 智能体应能在本地开发服务器上启动并运行，不消耗过多的tokens或认知负荷。通过dev-local脚本可以一键启动整个开发环境。
- 工作树友好 (Worktree friendly)： 当多个智能体并行工作时，每个智能体都在独立的工作树上操作，确保互不干扰，便于测试和验证。
- 可验证性 (Verifiable)： 智能体需要合适的工具来测试和记录结果，例如使用Playwright CLI进行端到端测试，并录制视频片段作为验证证据，上传到Pull Request中。同时，要避免智能体自我验证，因为它通常不可靠。

实践：构建你的代码库马具

为了加速这一过程，作者创建了一个名为 loop-engineer-setup 的GitHub仓库模板，其中封装了构建高效智能体循环的所有最佳实践和设置。你可以直接复制该仓库，并根据其Quickstart指南进行配置，快速启动你的第一个智能体循环。

通过遵循这些原则和工具，能够让AI agents更好地理解、执行和验证任务，从而实现更大规模的自动化和业务增长。循环工程师的角色，正是为了构建和优化这些强大的AI驱动系统，将AI从简单的任务执行者提升为能够跨领域协作、自我演进的生产力引擎。