我怼面试官：loop engingeer你都不知道，你面个啥？我反向给补了一课
公众号名称：算法狗
作者名称：算法狗
发布时间：2026-06-26 17:40
上周有个读者私信我，说他面一家中厂的AI工程师岗位，面试官问了一个问题：“你了解Prompt Engineering吗？”
他说了解，然后开始讲怎么写好提示词、怎么用Few-shot、怎么做Chain of Thought。面试官听完点点头，说”不错”。
然后他反问了一句：“那您了解Loop Engineering吗？“面试官愣了一下，说：“这个……是新的概念吧？我不太清楚。要不你说说吧…”
他当时就有点懵，心想你面AI工程师，连Loop Engineering都不知道？还面啥，就小声对了一句“你们这些概念都不追的吗？”。
于是他开始给面试官科普，从Prompt Engineering讲到Context Engineering，再讲到Harness，最后讲到Loop Engineering。
面试官听完沉默了一会儿，说：“你这个理解挺深的。” 其实啊，个人觉得这些新的概念还得追一下的，因为这些概念题的提出者都是一些大牛，他们肯定是在这个行业深耕很久的，这些新的概念也会给我们一些很多启发。
今天就把这四个概念的演化路径说清楚。
✦ ✦ ✦
AI 圈有个挺有意思的规律，就是新概念的迭代速度啊，丝毫不输底层模型的参数爆炸。
但这些词儿多数不是纯粹的营销噱头。把它们拆开来看嘛，会发现每一个概念都精准标记了一个历史节点，清晰勾勒出 AI 从”被动作答的工具”走向”主动完成任务的 Agent”的演化路径。
不妨换一个视角来理解这条路径吧。把大模型想象成一位刚入职的天才实习生，学历惊艳、智商极高，但欠缺实战经验，靠一张聪明脸闯进来，具体怎么干活，得看你怎么带。
✦ ✦ ✦
1. Prompt Engineering（提示词工程）：教实习生读懂黑话
最早一批人的做法啊，是”把指令说得足够好”。
给它设定角色，给它提供示例（Few-shot），逼它逐步推理（Chain of Thought）。本质上嘛，这是对一次对话的单次优化。
就像你用一张备忘录向新员工交代工作，备忘录写得漂亮，对方才不会交出一堆垃圾作业。
问题在于，这层优化的天花板是显而易见的。
Prompt 再精妙，也只能决定”开场白”写得多漂亮，而无法解决模型手里”没有足够信息”的问题。
值得一提的是，Prompt Engineering 大约在 2022 至 2024 年之间达到全盛，随后逐渐走向商品化。模型越来越聪明，会说话的人越来越多，写提示词的壁垒也越来越低了。
✦ ✦ ✦
2. Context Engineering（上下文工程）：给实习生准备详尽的背景资料
单靠一条指令显然不够嘛，于是问题转移到了”模型能看到什么”。
Shopify 创始人 Tobi Lütke 在 2025 年 6 月给出了一个被广泛引用的定义，就是把任务所需的全部背景，塞进模型在推理时能看到的位置，让它至少有机会把活干成。
Andrej Karpathy 的说法更具画面感，他说这是”把对的信息塞进上下文窗口的精细艺术”。
具体手段包括 RAG 检索、Prompt Caching、对抗”Lost in the Middle”现象的信息密度控制等等。
做法上嘛，Prompt Engineering 并没有消失，它只是降了一级，变成了 Context Engineering 的一个子集。
✦ ✦ ✦
3. Harness（基准/治理框架）：给实习生定KPI和质检标准
进入多步骤自主任务之后呢，新问题出现了，就是谁来验证模型的输出是否达标？
Harness 的本意是”挽具”，套在马身上让它听使唤。放在 AI 工程里，它指的是围绕模型运行的整套脚手架，包括测试工具、输入输出约束、格式校验、评估框架。
这一层的核心不是”怎么问”，而是”怎么判断答得对不对”。
如果说 Prompt Engineering 是让 AI 接受任务，Context Engineering 是让 AI 看清任务，那 Harness 就是防止 AI 交出一份”看起来没问题但其实跑不通”的作业。
LangChain、LlamaIndex 这类框架本质上都是 Harness 层的工程化封装。Anthropic 在 2024 年 12 月发布的《Building Effective Agents》里提出的”评估者-优化者”和”编排者-执行者”模式，也是在同一个维度上做设计。
✦ ✦ ✦
4. Loop Engineering（循环工程）：让实习生在挨打中学会自我进化
到了这一层嘛，思维方式发生了根本性的转变。
前三个阶段呢，人依然是那个在循环外面等待结果的人。
Loop Engineering 把这个位置腾出来，让系统自己去转，就是执行 → 观察结果 → 判断是否达标 → 如果没有，重新规划 → 再次执行。人退到了更外面的一层，变成了”设计循环本身”的人。
这个概念在 2026 年 6 月正式成形。Claude Code 的创建者、Anthropic 的 Boris Cherny 在一场小型活动上说了一句话，触发了整个社区的讨论，他说：“我不再写提示词了。我写的是循环。是循环在提示 Claude，决定下一步干什么。”
OpenAI 工程师 Peter Steinberger 随后在 X 上跟进，指出”不应该再手动提示 AI 编程助手了，而是应该设计让 AI 自己提示自己的循环”。Google 工程师 Addy Osmani 将整个模式整理成文章，“Loop Engineering”这个词也就此定型。
这不是新鲜事物凭空冒出来的。
学术层面嘛，2022 年 ReAct 论文（Yao et al.）已经提出”让模型在推理与行动之间交替循环”的框架；2023 年 Reflexion 论文（Shinn et al.）进一步把”语言强化学习”引入 Agent 的自我修正过程。从学术到实践，中间隔了几年的工程摸索。
Cherny 本人的工作记录提供了一个典型的实证案例。他在 2025 年 11 月卸载了自己的 IDE，过去一整月，他全程没有打开过它。上个月嘛，他团队在 Claude Code 上提交了 259 个 Pull Request、497 次 commit，没有一行代码是手动敲下去的。
这不只是个人习惯的变化，而是整个工程生态的位移。截至 2026 年初，GitHub 上约 4% 的公开 commit 已经由 Claude Code 生成，SemiAnalysis 预计这一比例到 2026 年底可能超过 20%。
✦ ✦ ✦
从这条演化路径往回看嘛，会发现每一步都是对上一步的”包裹”，而非替代：
Prompt Engineering 解决的是”怎么开口”，Context Engineering 解决的是”看到什么”，Harness 解决的是”怎么验收”，Loop Engineering 解决的是”谁来持续驱动”。
每一层都没有消失，只是下沉成了基础设施。
✦ ✦ ✦
这里有一个值得思考的反例，就是 Loop Engineering 并不适用于所有场景。
对于高度不确定的探索性任务，或者需要实时人类判断的工作流，一个全自动的闭环反而可能带来风险。它会在错误的方向上越跑越远，直到你发现问题时已经积累了大量偏差。LangChain 的实践中明确提出，在敏感操作或关键节点引入”人在回路”（Human-in-the-Loop）是设计良好 Loop 的标配，而非降级选项。
所以嘛，Loop Engineering 的真正门槛不是”会写循环”，而是”知道在哪里设终止条件、在哪里留一个人工卡点”。
✦ ✦ ✦
如果未来最值钱的 AI 工程师不再是”会写最好的提示词”的人，那会是谁？
大概率是这样一类人：他们设计的循环，能在没有人盯着的情况下，自己把活干完，自己发现错误，自己重新规划。而一旦撞上人才能判断的岔路口呢，知道该在哪里停下来等一下。
这听起来更像是”系统设计”，而不是”和 AI 对话”。
内容效果不满意？点此反馈