Loop Engineering是什麼?一次解密6大組件,搞懂工程師為什麼不再寫提示詞
Loop Engineering是什麼?一次解密6大組件,搞懂工程師為什麼不再寫提示詞

如果你還在一句一句下指令給 AI 寫程式,2026 年一批站在 AI coding 工具前線的工程師,已經換了一種工作方式。

近期 X 上有兩則貼文被反覆轉傳。一則來自 Peter Steinberger(@steipete,開源工具 OpenClaw 創作者,現於 OpenAI 任職):

「你不該再去提示(prompt)你的程式碼代理了。你應該設計會去提示代理的迴圈。」

另一則來自 Boris Cherny(@bcherny,Anthropic 旗下 Claude Code 負責人,Claude Code 是 Anthropic 的 AI 寫程式工具):

「我不再直接提示 Claude。我讓迴圈跑著去提示 Claude、自己決定要做什麼。我的工作是寫迴圈。」

兩位在 AI 工具圈很受關注的工程師,講的是同一件事。但多數人看完只有一個問題:這到底是什麼意思?

以下先把「迴圈工程(Loop Engineering)是什麼」講清楚,後半段再帶你建出第一個迴圈。

迴圈工程(Loop Engineering)是什麼?

開發者 Addy Osmani(@addyosmani,Google 工程師、長期撰寫 AI 開發方法論)給了一句最精準的定義:迴圈工程,就是把「負責提示 AI 的你」這個角色,換成一套替你做這件事的系統。

也就是說,過去兩年你跟 AI 寫程式的方式是這樣:你輸入一段提示、讀回覆、再輸入下一段,你整個過程都握著這個工具,一輪接一輪。你自己就是那個迴圈。

迴圈工程要做的,是建一個小系統,讓它自己去尋找工作、把工作交給代理、檢查結果、記下做了什麼,再決定下一步,然後由這套系統去戳 AI,而不是你。你只設計這套系統一次,之後它就持續運轉。

可以用一組對照來看:提示,是給代理一道指令;迴圈,是給代理一份工作。

迴圈工程跟「寫提示詞」差在哪?

迴圈工程不是更厲害的提示詞技巧,兩者是不同的技能。

提示工程師拚的是語言能力:把指令寫得更精準,換來一次更好的單次輸出,但每跑一次他都要手動檢查,他本人就是回饋迴圈。

迴圈工程師拚的是軟體工程能力:設計更好的回饋循環,換來「可靠、已驗證」的結果,系統自己跑、自己檢查、自己修正,系統本身就是回饋迴圈。

差別濃縮成一句:提示工程師說「幫我寫一個函式」;迴圈工程師說「寫出來、測試、修到全部通過為止」。Cherny 的重點從來不是工作變簡單了,而是槓桿點往上移了一層,從「打字下提示」變成「設計那套會下提示的系統」。

每個迴圈無論簡單或複雜,都走同樣五個階段:探索(Discover)→ 規劃(Plan)→ 執行(Execute)→ 驗證(Verify)→ 迭代(Iterate)。通過驗證就交付,沒通過就再跑一次。

整個概念其實就這麼簡單,後半段要談的,是怎麼把這個循環「建得對」。

為什麼該關注迴圈工程?

最關鍵的轉變,是迴圈工程已經不再是「工具能力」的問題。

Osmani 點出,一年前你想要一個迴圈,得自己寫一堆 bash 指令稿、永遠自己維護,那套東西只屬於你。現在這些零件已經陸續內建在主流產品裡了。

Steinberger 列出的清單,能對應到 OpenAI 的 Codex(Codex 是 OpenAI 的 AI 寫程式工具),也能對應到 Claude Code;但兩邊的指令名稱、成熟度與可用介面不完全相同。

更精準的說法是:Claude Code 官方文件已列出 /loop、/goal、worktree、skills、MCP、subagents 與 memory;Codex 官方文件也列出 automations、worktrees、skills、MCP、subagents 與記憶/狀態機制。

當你發現兩邊的形狀相近,就不必再爭論該用哪個工具,而是設計一個「坐在哪一邊都能跑」的迴圈。

但要先有一個觀念:迴圈工程位在 Osmani 先前提出的「代理束縛工程」(agent harness engineering,指打造單一代理運行的環境)的上一層。束縛是固定的環境,迴圈則是「會自己定時跑、會生出小幫手、會自我供給」的束縛。

一個好迴圈要建哪些東西?

概念講完,進入實作。一個迴圈在概念上有五個階段,但你實際要「建」出來的是六塊組件。Claude Code 與 Codex 都已提供相近能力,但實際操作時要按各自的官方文件確認指令、介面與權限設定。

1. 自動化(Automations):迴圈的心跳。 這是讓迴圈成為「迴圈」而非「跑過一次」的關鍵。你定義一段提示、一個執行頻率、一個目標,它就照排程跑,有發現才回報給你。在 Claude Code 裡,/loop 負責按週期重跑,/goal 則負責讓代理持續工作到你寫下的條件成真。你可以丟給它「test/auth 底下所有測試通過、且程式碼檢查乾淨」,然後就走開。

2. Worktree(工作樹):讓多個代理平行跑而不打架。 一旦同時跑兩個以上代理,檔案就會撞在一起,等於兩個工程師沒先講好就改同一行程式。git worktree(git 版本控制的一種隔離工作目錄機制)給每個代理一個獨立的工作目錄與分支,共用同一份專案歷史,誰都動不到別人的檔案。

3. 技能(Skills):把專案知識寫一次,每次都讀。 一個技能就是一個內含 SKILL.md 檔案的資料夾(SKILL.md 是一份純文字檔,寫下專案慣例、建置步驟、「我們因為某次事故所以不這樣做」這類規矩)。沒有技能,迴圈每一輪都要從零重新摸索你的專案;有技能,知識就會累積複利。

4. 外掛與連接器(Connectors):讓迴圈碰得到你真正在用的工具。 只看得到檔案系統的迴圈是個小迴圈。連接器建立在 MCP(Model Context Protocol,一套讓 AI 串接外部工具的開放協定)之上,讓代理能讀你的待辦追蹤系統、查資料庫、戳測試環境的 API、在 Slack 丟訊息。這是「告訴你怎麼修」與「自己開好 PR、連好 Linear(一套團隊任務管理工具)票、CI 一綠就通知頻道」的差別。

5. 子代理(Sub-agents):讓驗證誠實,檢查的人絕不是動手的人。 寫程式的那個模型,對自己的作業太寬容了。換一個有不同指令、有時甚至是不同模型的代理來檢查,才抓得到第一個代理「自己說服自己」的問題。這正是 Anthropic 在 2024 年 12 月就寫過的「評估者/優化者模式」(evaluator-optimizer pattern,一個模型生成、另一個批改、反覆進行)。

6. 記憶(Memory):讓迴圈跨次不失憶。 一個 markdown 檔案、一塊 Linear 看板,任何活在「單次對話」之外、記著「做了什麼、還剩什麼」的東西都行。Osmani 的原則很傳神:代理會忘,倉庫不會忘。 明天早上的那一輪,就接著今天停下的地方繼續。

延伸閱讀:Claude Skills是什麼、怎麼用?新手零基礎入門教學,不用每次重貼提示詞

第一個迴圈怎麼建?

別一開始就堆大系統。@0xCodez 在他的 14 步路線圖裡給出最小可行迴圈,四個零件,不搞代理群:

  • 一個自動化:照週期觸發、遇到明確條件就停的排程執行。
  • 一個技能:一份 SKILL.md,存好代理本來每次都要重新摸索的專案脈絡。
  • 一個狀態檔:一個 markdown 檔或 Linear 看板,記下做了什麼、還剩什麼,讓明天的那一輪是「續跑」而非「重開機」。
  • 一道關卡(gate):能自動把爛結果擋下來的測試、型別檢查或建置。這一塊決定了迴圈是在幫你,還是只在燒錢。

順序很重要:先讓「一次手動執行」穩定可靠,再把它變成技能,再包成迴圈,最後才排程。跳步驟,正是迴圈在正式環境翻車的主因。

要看的指標只有一個,「每個被採納的修改花了多少成本」,而不是燒了多少 token。採納率低於五成,代表迴圈省下的審查工作又回到你身上了。

延伸閱讀:Claude Code Skill怎麼寫、SKILL.md放什麼?Anthropic官方揭9大實戰用法

我到底需不需要建迴圈?

這是最被略過、卻最該誠實面對的一段。@0xCodez 強調:多數開發者現在還不需要迴圈。 迴圈只在四個條件同時成立時才划算,缺一個,它的成本就高於回報:

  1. 這件事會重複:迴圈靠多次執行攤平建置成本。一次性的工作,一個好提示更快更省。
  2. 驗證能自動化:迴圈需要一個「沒有你在場也能讓工作不及格」的東西,測試、型別檢查、linter、建置。
  3. 你的 token 預算扛得住浪費:迴圈會反覆讀脈絡、重試、探索,不管最後有沒有產出都在燒 token。
  4. 代理有資深工程師等級的工具:日誌、可重現問題的環境、能跑自己寫的程式並看到哪裡壞掉。

還有一個 30 秒戰術版檢查表,套在「某個具體任務」上,少勾一項就讓它維持手動提示就好:這件事至少每週發生一次、有自動關卡能否決爛輸出、代理能跑它改動的程式、迴圈有硬性停止點(預算/次數/時間上限)、不可逆動作(合併、部署、改相依套件)前有人類審核。

成本問題還有解方。多位作者都提到,迴圈最大的瓶頸不是智慧,是 token 消耗。一次執行可能燒掉 5 萬到 20 萬 token,跑多代理或每天排程更是直線上升。

因此,有作者主張 DeepSeek、Kimi、MiniMax 等以低價著稱的中國模型,可能讓迴圈在經濟上變得更可行;當每跑一輪的成本夠低,普通預算的人才更有機會建得起一個迴圈。

延伸閱讀:如何用Cowork整理發票?一段指令抓日期、金額、統編建成Excel,5步驟教學一次搞定

迴圈不會幫你扛的三件事

迴圈改變了工作,但它沒有把你從工作裡刪掉。 有三個問題會隨著迴圈越做越好而越尖銳,不是越輕鬆:

  • Ralph Wiggum 迴圈(無聲失敗的迴圈):工程師 Geoffrey Huntley 命名的失敗模式,代理本該完成才發出「完成訊號」,卻提早發出,迴圈就在半成品上退出,還繼續燒錢。解法就是那道關卡:一個客觀、能讓工作不及格的訊號(測試過不過、能不能編譯),而不是一個「有意見」的驗證者。
  • 理解債(comprehension debt):迴圈越快交付你沒寫過的程式,你懂的和倉庫裡實際有的,落差就越大。真正會痛的不是 token 帳單,而是某天你得去除錯一套全隊沒人讀過的系統。解法不是技術性的:讀那些 diff。
  • 認知投降(cognitive surrender):迴圈自己跑起來後,很容易就放棄形成自己的判斷,全盤接受它丟回來的東西。

Osmani 講了一句值得記住的話:兩個人建出一模一樣的迴圈,可能得到完全相反的結果。一個用它在自己深刻理解的工作上跑得更快,另一個用它來逃避理解工作本身。迴圈分不出差別,你分得出。

所以結論很簡單:先過四條件測試,再決定要不要建;先讓一次手動執行穩定,再包成迴圈;先設好那道客觀關卡,再讓它自己跑。建你的迴圈,但要像一個打算「繼續當工程師」的人那樣建,而不是只當那個按下執行鍵的人。

延伸閱讀:
隱藏功能公開!Claude Code之父曝15項技巧:如何讓AI自己排程寫程式?
ChatGPT指令大全!70組提示詞一次整理,復古膠片朦朧風、生日海報、簡報封面全搞定


資料來源:@sairahul1、@addyosmani(Addy Osmani)、@0xCodez;補充查核:Claude Code Overview、Claude Code /goal、Claude Code scheduled tasks and /loop、Claude Code skills、Claude Code worktrees、Anthropic—Building effective agents、OpenAI Codex automations、OpenAI Codex subagents、OpenAI Codex skills、OpenAI Codex MCP

本文初稿為AI編撰,整理.編輯/ 李先泰

關鍵字: #Anthropic #Claude
往下滑看下一篇文章
業績兩年從28億突破百億,諾億保經攜手自由系統強化IT與資安以接住高速成長
業績兩年從28億突破百億,諾億保經攜手自由系統強化IT與資安以接住高速成長

企業高速成長,市場最先看見的是業務營收與市場排名的飆漲,但真正決定企業能走多遠的,往往是水面下看不見的IT與營運骨幹。

諾億保經就是一個經典案例。

2024年,諾億保經的全年保費規模約28億元,隔年直接翻被衝破60億,今年,更預計挑戰120億到150億大關,強勢躍居台灣前十大保經公司;業績快速成長的同時,諾億保經的組織配置也很精實:外勤業務團隊約500人,負責核保、行政與稽核的後勤單位卻僅約30人。

值得特別注意的是,隨著營收在短時間內翻倍,受到考驗的不只是業務能力,也包括後台系統、資訊設備、網路、資安,以及法遵與內控能否同步跟上。

諾億保經總經理賴柏翰直言:「客戶資料是諾億保經的核心資產,特別是我們以投資型保單為主力業務,對個人隱私與財務資訊的防護要求極高。」此外,隨著營運規模擴大,金管會對資訊安全與內控稽核的監管標準也隨之提高,必須重塑IT與資安體質以回應高速成長。

評估完自身資源後,諾億保經做了一個重要決定:不從零自建IT團隊,而是採取資訊外包模式,提供企業擴展所需的支援。

諾億保經
諾億保經總經理 賴柏翰
圖/ 數位時代

諾億保經總監張維倫表示:「我們需要合作夥伴提供完整支援,自由系統不僅具備金融產業經驗與深厚維運實力,還能提供一站式服務,因而雀屏中選。」由自由系統負責台北與台中辦公室的端點設備、儲存架構、網路與資安維運等工作。

診斷重於工具:先清查環境盲點,再談防禦升級

缺乏專職資訊人力的中小企業或快速成長型組織,很常陷入一個迷思:市場上出了什麼新工具、新架構,就急著導入;然而,自由系統的作法是先回歸營運本質:盤點現況。

在雙方正式簽約前,自由系統的顧問團隊便深入檢視諾億保經的既有環境,找到一個最急迫的營運隱患:內勤行政人員與外勤業務人員,竟在辦公室內共用同一套網路網段,這意味著外部裝置一旦連網中毒,極可能直接橫向感染存放敏感保單資料的內部系統,為降低風險,自由系統隨即協助諾億保經進行網段隔離與權限切割,在第一時間化解安全未爆彈。

這套「先釐清現況、確認優先級、消弭落差」的邏輯,也體現在資安合規的推進上。

自由系統服務顧問黃麒翰以ISO 27001認證輔導為例指出:「諾億的認證合規由專職顧問主導,但底層關鍵的端點偵測回應(EDR)、託管偵測回應(MDR)、防火牆規則、特權帳號管理及硬體資產盤點,全由自由系統提供技術支援。我們的目標是替企業建立完整的『環境可視性』(Visibility),讓風險一目了然。」

對諾億保經來說,資訊設備、網路與日常維運雖然是營運不可或缺的基礎,卻不是公司的核心業務,如果自行建立完整IT部門,不僅要負擔人力成本,也必須長期維持涵蓋網路、設備、資安與系統維運的專業能力;相較之下,將這些工作交給自由系統的專業團隊負責,諾億保經可以將時間與精力放在可直接創造營收的核心業務。

「與自由系統合作至今,我們不僅更好強化IT體質、順利補強合規缺口,也為接下來的AI應用打下穩健基礎。」張維倫如是說道。

從防守走向進攻:雲地協同架構,讓AI真正走入第一線

IT與資安基礎逐步穩定後,諾億保經開始將資源放到下一階段:如何利用AI提升業務與營運效率。

在業務端,諾億嘗試透過AI實現「保險情境遊戲化」。

賴柏翰指出,一般客戶很難體會重大疾病帶來的財務衝擊,與其單向說明「萬一罹癌怎麼辦」,不如透過AI模擬動態情境,讓客戶在虛擬人生中面臨關鍵決策;甚至,將台股加權指數、S&P 500走勢融入情境,模擬面臨資金缺口時,抵押借款或贖回投資將對個人資產產生何種實質影響,讓保險規畫轉化為主動的探索體驗。

同樣的邏輯也導入內部培訓與後勤自動化。

過去高度仰賴資深講師與紙本教材的訓練流程,被轉化為AI互動式推演,讓500位業務能在高度擬真的客戶抗拒或理財情境中反覆演練,大幅縮短新人上手週期。至於在行政方面,傳統業務助理得耗費大量時間進行分類、掃描、校對保單文件的繁瑣流程,也交由AI與自動化工具處理,助理僅需做最終核對與歸檔,使30人的後勤編制得以支撐暴增數倍的合規案件。

在AI探索的過程中,自由系統就像是諾億保經的IT團隊、協助評估與提供所需產品服務。

自由系統售前顧問劉威利強調:「金融保險業涉及大量機敏個資,絕不能盲目把所有資料拋上公有雲AI。」因此,自由系統協助諾億精準劃分「地端與雲端邊界」,例如,哪些非機敏資料可藉助雲端模型運算、哪些敏感核保數據必須保留在地端進行私有化推論,並協同評估相應的地端硬體算力與加密機制,讓創新應用不以犧牲資安為代價。

總的來說,從28億飆升至百億規模,諾億保經展現了一家新銳金融服務企業的高敏捷度;而自由系統則證明了託管服務(MSP)已不再只是被動的修電腦與顧網路,更是高速成長企業在架構選擇、資安風控與AI轉型路上,不可或缺的最佳夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓