面试官：“你怎么用提示词的”，我开怼：“我现在写loop，知道 loop Engineering吗”，面试官：“细聊”，我：“你自己看吧，我走了”

公众号名称：代码随想录

作者名称：程序员Carl

发布时间：2026-06-18 11:30

录友们好，今天继续聊 Claude Code。

前面我们讲过 CLAUDE.md 到底怎么写，还拆过 Claude Code 怎么读懂大代码库。

这几篇文章其实一直在讲同一个问题：

AI 编程不是把模型换强一点就完了。

模型很重要，但真正决定体验的，是模型外面那层 Agent 内核、工具系统、项目记忆、验证流程、权限边界。

最近 Claude Code 作者 Boris Cherny 有一句话被很多人讨论：

“我已经不写 prompt 了，我写 loop。”

完整采访视频，大家可以去B站搜一下，选一个带字母的，看起来舒服一下。

过去很多人以为，AI 编程的核心能力是“怎么写一句更聪明的提示词”。

现在越来越明显：真正有价值的不是写一句 prompt，而是把任务设计成一个能持续推进、自动验证、出错能纠偏、该停能停下来的 loop。

这就是今天要讲的重点。

Prompt 到 Loop 的 AI 编程范式迁移图

一、为什么只写 Prompt 不够了？

先别急着把 prompt 贬得一文不值。

Prompt 当然有用。

你问一个概念，让 AI 解释一下。

你贴一段代码，让 AI 帮你改写。

你让它生成一个 SQL、一个正则、一个接口文档。

这些场景里，prompt 就够了。

因为任务短、边界清楚、结果也容易人工判断。

但 AI 编程不是只做这种小任务。

真实项目里，你让 Claude Code 修一个 bug，往往不是一句话就能完成。

它要先读代码。

要定位调用链。

要判断哪个文件该改，哪个文件不能动。

要修改实现。

要跑测试。

测试失败了，还要回头看日志。

日志里可能暴露了另一个问题。

修完之后，还要确认没有引入新的副作用。

这时候你会发现，prompt 只是任务的起点，不是任务的完成机制。

你写一句：

“帮我修一下登录失败的问题。”

这句话只表达了目标。

但它没有说：

去哪里找入口
哪些文件不能动
怎么判断修好了
测试失败了怎么办
什么时候必须停下来问人
什么改动算越界

这些东西如果都靠模型自己猜，就会出现两个问题。

第一，模型会浪费大量上下文摸索。

第二，模型可能看起来很努力，最后却朝错方向越走越远。

很多录友说“AI 写代码不稳定”，根源不是它每一行代码都差。

而是你只给了它一个 prompt，却没有给它一个能稳定工作的闭环。

二、Loop 到底是什么？

Loop 不是玄学。

也不是让 AI 一直自动跑，跑到天荒地老。

一个最小的 Agent Loop，大概是这样：

目标 → 计划 → 执行 → 观察 → 验证 → 反馈 → 下一步

如果验证通过，就停止。

如果验证失败，就把失败信息带回去，重新计划。

如果触碰边界，就暂停，让人决策。

这才叫 loop。

Agent Loop 的最小闭环结构图

你看，这和普通 prompt 的差别很大。

普通 prompt 更像是：

“我说一句，你答一句。”

Loop 更像是：

“我给你目标、工具、规则和验收标准，你自己推进，但每一步都要留下证据。”

这也是为什么 Claude Code 这类工具和网页聊天框差别很大。

网页聊天框里，你主要是在和模型对话。

Claude Code 里，模型不是只回答你。

它会读文件、搜代码、改文件、跑命令、看报错、继续修。

这些动作串起来，才是 Agent Loop。

所以 Boris 说“不写 prompt，写 loop”，不是说一句提示词都不写了。

而是说：不要把 AI 编程理解成“我怎么问得更好”，要理解成“我怎么设计一个可执行的闭环”。

三、坏 Loop 比坏 Prompt 更危险

这里我要泼点冷水。

Loop 听起来高级，但坏 loop 很危险。

一个坏 prompt，最多就是回答不理想。

一个坏 loop，可能会一直跑、一直改、一直消耗 token，还可能把项目改乱。

很多人第一次用 Agent 工具，容易上来就说：

“你自己看着办，直到修好为止。”

这句话听起来很潇洒。

但对 Agent 来说，这就是一个危险指令。

因为“修好”没有被定义。

没有测试。

没有验收标准。

没有权限边界。

没有停止条件。

那它只能自己脑补。

脑补就会出事。

坏 Loop 和好 Loop 的差异路径图

好的 loop 至少要有四个东西：

第一，有明确目标。

不是“优化一下性能”，而是“让接口 P95 从 800ms 降到 300ms 以内，不能改变返回结构”。

第二，有可执行工具。

不能只让它想。

要能读代码、跑测试、看日志、查文档、调用脚本。

第三，有验证反馈。

测试结果、lint 结果、构建结果、接口返回、日志差异，这些都要能回到上下文里。

第四，有停止条件。

什么时候算完成？

什么时候算失败？

什么时候必须停下来问人？

这四个东西缺一个，loop 就会变成“AI 自己猜自己对不对”。

这种用法，不是先进。

是危险。

四、Prompt 工程和 Loop 工程不是一回事

很多录友之前学 prompt engineering，重点是怎么把一句话写清楚。

比如：

给角色
给背景
给输出格式
给示例
给约束

这些还要不要？

当然要。

但在 Agent 场景里，这些只是第一层。

更重要的是 loop engineering。

它关心的是：

任务怎么拆
信息怎么进上下文
工具怎么调用
失败怎么反馈
规则怎么长期保存
验收怎么自动化
权限怎么限制
成本怎么控制

你会发现，这已经不是“文案能力”了。

这更像工程能力。

Prompt 工程和 Loop 工程的能力边界对比图

举个例子。

你让 Claude Code 修改一个支付回调 bug。

只写 prompt 的人会说：

“帮我修一下支付回调偶尔失败的问题，注意代码质量。”

这太虚了。

会写 loop 的人会这样给任务：

“先从支付回调入口开始读，不要修改数据库迁移文件。定位失败原因后，给出改动计划。修改完成后跑支付模块单测，如果测试失败，优先根据错误日志修复；如果涉及幂等逻辑或金额计算，先停下来说明风险，不要直接改核心规则。”

你看，这里不是提示词更华丽。

而是它把 loop 的关键部件放进去了：

搜索入口
禁止修改范围
计划阶段
测试反馈
错误恢复
高风险暂停点

这就是差别。

Prompt 工程解决“模型怎么回答”。

Loop 工程解决“任务怎么被可靠完成”。

五、Claude Code 为什么天然适合 Loop？

Claude Code 的价值，不是它把 Claude 模型搬进了终端。

如果只是终端里聊天，那没什么稀奇。

它真正厉害的地方，是把 AI 编程常见动作做成了可循环执行的系统。

一个真实的 Claude Code 工作流大概是这样：

你给一个目标。

它先读项目规则，比如 CLAUDE.md。

然后用搜索工具找入口。

读相关文件。

形成修改计划。

改代码。

跑命令。

看输出。

如果报错，就把错误日志作为新证据，继续修。

如果测试通过，就收束改动，给你结果。

Claude Code 从读代码到验证结果的 Agent Loop 工作流图

这套东西看起来像“AI 会自己干活”。

但拆开看，里面都是工程问题：

搜索准不准。

上下文有没有污染。

工具返回值够不够清楚。

测试命令能不能跑。

错误信息有没有被正确利用。

权限边界有没有卡住。

所以我一直说，Claude Code 不是一个“更聪明的聊天框”。

它是一个 Agent 执行环境。

你写 prompt，是在给模型一句话。

你写 loop，是在给 Agent 一套工作方式。

六、没有验证的 AI 编程，都是表面完成

AI 编程最容易骗过人的地方是什么？

不是代码写得差。

而是它很会“看起来完成了”。

它会给你一个很完整的解释。

会列出改了哪些文件。

会告诉你问题已经修复。

甚至还能把理由说得很顺。

但如果没有测试、构建、日志、人工验收这些反馈，它说“完成了”没有意义。

AI 的完成感，不等于工程上的完成。

没有验证反馈的 AI 编程为什么容易表面完成图

真实项目里，我们判断一个改动能不能交付，不是看它解释得多漂亮。

而是看：

单测有没有过
构建有没有过
关键路径有没有回归
日志有没有异常
用户行为有没有变化
边界条件有没有覆盖

这些东西，就是 loop 的“眼睛”。

没有它们，Agent 只能靠语言自信。

语言自信是最不值钱的。

很多录友做 AI 项目，喜欢把重点放在 prompt 模板上。

我建议你换个角度：

先问自己，这个任务有没有反馈信号。

没有反馈信号，就不要轻易让 Agent 自动循环。

它不知道什么叫对。

不知道什么叫错。

那就只能越跑越玄学。

七、开发者不是被替代了，而是位置变了

看到“不写 prompt，写 loop”，有些人会紧张：

那是不是以后开发者不用写代码，只写规则？

没这么简单。

更准确地说，开发者的工作位置在变化。

以前你亲手写每一行代码。

后来你开始用 AI 生成代码，但你还要一直盯着它、提醒它、复制粘贴错误。

再往后，你要把这些反复提醒，沉淀成规则、测试、脚本、文档和权限边界。

也就是把“人盯人”变成“系统约束”。

开发者从盯着 AI 到设计规则闭环的角色迁移图

比如以前你会反复提醒：

“别改这个文件。”

现在你应该把它写进项目规则，或者用权限拦住。

以前你会反复说：

“改完跑测试。”

现在你应该让测试命令成为默认验证步骤。

以前你会在聊天里解释项目结构。

现在你应该把关键入口写进 CLAUDE.md。

以前你靠肉眼判断它有没有改对。

现在你要补测试、补脚本、补验收样例。

这不是开发者价值下降。

恰恰相反。

越是 Agent 能干活，越需要懂工程的人来定义什么叫干对。

不会写代码的人，很难写出好的 loop。

因为他不知道哪里危险，不知道哪里要验证，不知道什么改动会引发连锁问题。

所以别把 loop 理解成“AI 替我做所有事”。

它更像是：

开发者把自己的工程判断，外化成 Agent 可以执行的闭环。

八、未来开发者到底要写什么？

如果说过去开发者主要写代码。

现在开发者开始写 prompt。

那再往后，开发者会越来越多地写这些东西：

任务目标
项目规则
测试用例
验收标准
工具接口
权限边界
错误恢复策略
监控和评估指标

这些东西合在一起，就是 loop 的骨架。

AI Coding 时代人、Agent、模型、工具的新分工图

模型负责生成。

Agent 负责执行。

工具负责连接真实环境。

测试和日志负责反馈。

人负责目标、边界和最终判断。

这个分工如果看懂了，你就不会再纠结“提示词该怎么写得更神”。

你会开始关心：

我的项目有没有足够清楚的规则？

我的任务有没有可验证的完成标准？

我的测试能不能给 Agent 稳定反馈？

我的工具返回值能不能让模型看懂？

我的权限边界会不会让 Agent 乱动生产资源？

这些问题，才是 AI 编程真正开始工程化之后的核心问题。

九、普通开发者怎么开始写 Loop？

如果你现在还只是偶尔让 AI 写点代码，不需要一下子搞很复杂。

从几个小动作开始就行。

第一，别只写目标，要写验收。

不要只说“修复登录问题”。

加一句：

“修完后跑登录模块测试，并说明失败用例是否恢复。”

第二，别只让它改，要让它先定位。

不要上来就说“直接改”。

先让它：

“先找登录入口、认证中间件和错误日志位置，列出可能原因，再改。”

第三，给它边界。

比如：

“不要修改数据库 schema。”

“不要改公开 API 返回结构。”

“不要调整鉴权策略，除非先说明风险。”

第四，把反复说的话写进项目规则。

如果你每次都提醒同一件事，就别再靠聊天提醒了。

写进 CLAUDE.md。

这就是从 prompt 走向 loop 的第一步。

第五，优先补反馈信号。

没有测试的项目，用 Agent 会很累。

不是不能用。

但你会一直靠人工判断。

一旦补了测试、lint、构建脚本，Agent 才有东西可以观察，loop 才跑得起来。

十、最后

Boris 这句话真正值得关注的地方，不是“不写 prompt”这四个字。

而是它提醒我们：

AI 编程正在从对话技巧，进入工程闭环。

Prompt 是入口。

Loop 是系统。

只会写 prompt，你最多让模型回答得更像你想要的样子。

会写 loop，你才能让 Agent 在真实项目里持续推进、自动验证、出错纠偏、边界内行动。

这就是差距。

以后 AI 编程里最值钱的能力，不是会不会喊 AI 干活。

而是你能不能把一个模糊任务，拆成一个可执行、可验证、可停止的闭环。

这才是工程能力。