循环工程：设计可以放手的人工智能循环

循环工程是AI编码领域的一个新兴概念，它标志着从手动提示工程向设计自主循环的转变。工程师不再需要逐条指导AI，而是构建一个能够独立运行、持续执行任务的系统。这个术语最近在X平台上引发热议，彼得·斯坦伯格和克劳德代码负责人鲍里斯等人都强调了这一转变。

循环工程并非全新概念。早在今年1月，杰弗里·亨特利就提出了“ralph循环”的概念：让AI代理反复执行同一目标，通过git历史、文件和外部记忆来保持进展，无需人工介入。Anthropic也在研究层面发表了类似的研究：代理轮班工作，每个代理都利用磁盘上的笔记继续任务。

与传统提示、上下文管理和工具工程不同，循环工程的核心在于消除人工干预。提示是孤立的指令，AI响应后即停止；而循环是递归目标，系统会自动导航整个流程，直到目标完成。

构建循环需要五个核心模块加上一个状态层：自动化（按计划查找和处理任务）、工作树（并行代理各司其职）、技能（项目知识写就一次）、插件和连接器（通过MCP连接外部工具）、子代理（编写代码和审查代码分离）。状态层（磁盘上的记忆）虽然易被低估，却是关键，它记录了完成和待办事项，使每次运行都能恢复。

作者分享了一个成功的循环设计案例：一个个人项目从用户反馈开始，循环自动拉取请求、分类、制定计划，然后由Claude编写代码，CodeRabbit审查直到无问题，再运行测试，等待CI，自动合并，并在部署后验证。整个循环只需要作者决定哪些功能值得实现以及验证结果。质量门（测试通过和CodeRabbit审查通过）确保了“完成”信号的可靠性。

在CodeRabbit方面，它与Claude Code配合：规划代理将原始反馈转化为编码计划，CLI在循环内运行审查以便Claude修复问题，而审查产品是PR的最终关口。

最后，文章提醒：在构建循环前要评估任务是否值得。循环适合稳定的目标（如重构代码库），如果目标不断变化，则继续使用手动提示。