Loop Engineering 已死
想象雇佣一个从不问"这样行吗？"的人。他们只是继续工作，直到自己决定完成为止。
这就是 Loop 工程背后的承诺：构建一个能够行动、检查自己工作并持续进行而无需等待你下一个提示的 AI。
这听起来像是未来。有几周时间，每个人都表现得好像它就是未来。
然后现实来了。
Uber 在四个月内耗尽了全年的 AI 预算。开发者开始质疑2026年最大的 AI 热词是在解决真正的问题，还是在制造一个更昂贵的问题。
本文解释了 Loop 工程到底是什么，它真正有帮助的地方，以及它在哪里悄悄崩溃。
1、Loop 工程到底是什么
大多数人第一次接触 AI 是在聊天窗口。你输入一些内容，它回复，你阅读回复，你再次输入。每一步都需要你。
这对于快速问题来说没问题。当任务有多个步骤时它就崩溃了。 比如你想让 AI 修复代码中的一个 bug。
单个回复无法做到这一点。AI 需要查看代码，做出猜测，运行它，看看什么出了问题，再试一次，然后重复直到它真正有效。
Loop 工程是围绕 AI Agent 设计执行周期的实践——它如何行动、验证自己的工作、决定下一步做什么，以及知道何时停止。
周期通常看起来像四个步骤：
- 行动。 AI 做一些事情：编写一些代码、搜索信息、编辑文件。
- 检查。 某些东西查看结果并问：这真的有效吗？
- 决定。 根据检查，系统决定是继续、尝试不同的东西，还是停止。
- 重复。 回到第一步，使用所学到的东西。
系统自行持续循环这四个步骤，直到目标达成或有东西告诉它停止。
你不再站在那里等待每一步。你是最初设计循环的人。
以下是用几行 Python 表示的相同想法，精简到其基本形状：
def run_loop(task, agent):
while not agent.goal_met(task):
result = agent.try_something(task)
task.update(result)
return task.final_result()
用通俗英语说： 持续尝试并更新你所知道的，直到目标真正达成。这就是所有热词背后的全部概念。没有什么神奇的，概念上没有什么新鲜的。新鲜的是人们开始有意识地构建这个并给它命名，而不是手动或偶然地做它。
2、Loop 工程，用类比解释
想象你雇了一个新实习生。你不想告诉他们每一个微小的步骤。相反，你给他们一个任务：
"持续工作直到这个匹配预期结果。每次尝试后检查你的工作。如果不匹配，改进它再试一次。只有通过预期结果才停止。"
现在实习生不需要你每次行动后都跟他们。
那就是 Loop 工程。
不是反复告诉 AI 下一步做什么，你设计它遵循的循环：
行动 → 检查 → 决定 → 重复
直到目标真正完成。
智能不在于重复。它在于检查和知道何时停止。没有这两个，实习生会永远工作——AI 也一样。
3、这个想法从何而来
这不是一个全新的发明。研究人员早在2022年就在为 AI 编写"尝试、检查、重复"系统，这叫做 ReAct 模式： AI 推理该做什么，做了它，查看发生了什么，然后再次推理。
2025年，一位名叫 Geoffrey Huntley 的开发者更进一步，提出了他称之为 Ralph Loop 技术的东西： 在一个循环中运行 AI，每一轮都完全从零开始，但 AI 读取它上一轮留在磁盘上的笔记。他用这种方式构建了一个完整的编程语言，总成本约297美元。
2026年6月，一位知名开发者在网上发帖说人们应该停止逐条输入 AI 指令，开始设计为他们做这件事的循环。这个帖子在一周内获得了650万次浏览。
突然间，每个人都称这个为"Loop 工程"，它成了 AI 圈子里当月的流行语。
这是值得诚实对待的部分。
技术是旧的。名字是新的。
而名字传播的速度比任何人对它何时真正有效的理解都要快得多。
4、它在哪里崩溃
4.1 它主要是旧想法加上新名字
许多有经验的开发者正确地指出，这只是旧的编程概念（"持续尝试直到满足条件"）穿上了新衣服。一个大型在线讨论帖认为整个事情归结为一个带有 AI 调用的重复循环。这没错。
这个抱怨是合理的，但它实际上是关于营销的抱怨，而不是关于底层想法是否有效。重命名某物不会让它变成假的。它只是让重命名有点烦人。
4.2 AI 说"完成"并不证明它真的完成了
这是最重要的失败，也是大多数解释者快速跳过的失败。
想象之前那个清理车库的人。如果你只是问他们"你完成了吗？"并相信他们的话，你可能会回家发现箱子被塞在角落里，什么都没有真正整理好。他们相信自己完成了。但这不一定是真的。
AI 循环中也会发生同样的事情。如果循环中唯一的检查是问 AI 自己是否成功，那不是真正的检查。它只是相信 AI 对自己工作的看法。真正的检查意味着 AI 之外的东西实际验证结果：代码是否运行，数字是否加起来，文件是否在它应该在的地方。
跳过这个步骤的循环往往会产生三个问题之一：AI 在没有证明的情况下声称成功，工作产出的速度快于任何人实际审查的速度，或者一个人只是接受返回的任何内容而不自己检查。
4.3 它可以悄悄变得非常昂贵
这就是从关于定义的辩论变成真实财务故事的地方。
Uber 的工程团队在4月表示，该公司在短短四个月内就耗尽了全年的 AI 预算。不久之后，Uber 限制了每位工程师每月在 AI 编码工具上的支出。Uber 自己的运营负责人后来公开表示，他不相信额外的支出实际上产生了更好的结果。
一位名叫 Ed Zitron 的 AI 评论者对此提出了尖锐的观点。他尖锐地问，鼓励人们不断运行 AI 循环的公司是否是实际支付这些循环消耗的电力和计算成本的公司。
他的论点： 如果告诉你运行更多东西的人不是买单的人，对这个建议要有点怀疑。
在你构建一个整夜自行运行而无人监控的系统之前，这是一个完全合理的提问。
4.4 它仍然需要人类的关注
Loop 工程的宣传通常是"设置它运行然后走开"。在实践中，一家知名科技刊物指出，这些循环仍然需要真正的人类监督，而且演示视频往往隐藏了使它们看起来毫不费力所需的大量引导。
还有一个值得指出的简单偏见：关于这个的成功故事大多来自销售工具的人，或者来自在开始之前就已经是信徒的人。这与它对你特定情况有效的证据是不同的。
5、廉价和昂贵之间的九行代码差距
花费297美元的循环和在四个月内烧掉一年预算的循环之间的差距不在于想法。而在于是否有人添加了真正的停止点。
以下是之前相同的循环，但添加了两个实际缺失的东西：
def run_loop(task, agent, max_tries=20):
last_result = None
repeats = 0
for attempt in range(max_tries):
result = agent.try_something(task)
if result == last_result:
repeats += 1
if repeats >= 3:
return "停止：连续三次相同失败"
else:
repeats = 0
last_result = result
if agent.check_this_actually_worked(result):
return result
return "停止：达到最大尝试次数"
两个改变： 首先，有一个硬性上限，规定在它被迫停止之前最多可以运行多少次，无论发生什么。
其次，有一个真正的检查 check_this_actually_worked，它独立于 AI 自己的意见。如果 AI 连续三次以完全相同的方式失败，循环会放弃，而不是永远在同样的错误上烧钱。
这就是这个想法的有纪律版本和出现在公司费用报告上的版本之间的全部差距。
5、所以它真的死了吗？
这里我想稍微反驳一下这个框架，即使它是获得最多关注的那个。
想法本身并没有死。构建一个检查自己工作并知道何时停止的系统是真正有用的东西。人们在任何人给它一个朗朗上口的名字之前很久就在做各种版本了。
真正消亡的是前几周被兜售的版本故事： 这是什么全新的魔术，你只需将它指向问题然后走开，你和不费力的自主 AI 之间唯一的障碍就是不知道正确的热词。
诚实的版本远没有那么令人兴奋： 构建一个真正的检查，设置一个硬性重试上限，不要相信 AI 自己声称它完成了。做这三件事，这个想法就能正常工作。跳过它们，你就会得到 Uber 的账单。
6、决策框架
关键要点：
- Loop 工程意味着构建一个系统，让 AI 尝试一些东西，检查结果，决定下一步做什么，然后重复，而你自己不必输入每一步。
- 这个想法本身是旧的。它追溯到2022年及更早的真实案例。新的是名字和突然的流行。
- 最大的失败模式是相信 AI 自己声称它完成了，而不是用 AI 之外的东西检查结果。
- Uber 在四个月内烧掉了全年的 AI 预算，不得不限制支出，这是没有真正限制时会发生什么的直接例子。
- 这个想法的廉价有效版本和昂贵损坏版本之间的差距通常归结为两个缺失的东西：重试的硬性限制，和不依赖 AI 自己意见的真正检查。
7、诚实的回答
关于 Loop 工程作为全新发明的炒作已经死了，它活该。
嘲笑和真实的账单都对那个版本的故事进行了公平的打击。
没有死的是它下面那个平凡、不起眼的版本： 构建真正的检查，设置硬性限制，不要相信你没有验证过的声明。那部分从来不是新的，也不会消失。
如果你想的话，可以叫它 Loop 工程。标签从来都是可选的。检查和限制从来不是可选的，而这是病毒式帖子遗漏的部分。
原文链接：Loop Engineering Is Dead: Here’s the Data Behind the AI Backlash
汇智网翻译整理，转载请标明出处