AI编程的未来：多层Loop自动化

大家好，我是卡颂。

近期备受热议的概念 ——Loop Engineering

今天咱们来探讨一下Loop Engineering解决了AI编程的哪些痛点，顺便做个预测～

简单来说：Loop Engineering意味着「人不再亲自处理细节，而是构建循环机制让AI自主作业，最终由人来验收结果」

举个例子，在我的项目中，所有代码编写都由AI完成，如何确保交付质量？

靠人工去检查代码显然不可行，效率太低。因此只能设置各种“门禁”机制，例如：

将其作为验收标准。此时，「开发需求」就形成了一个Loop：

Agent的执行过程就是不断迭代，直到通过所有门禁。

Loop Engineering本质上解决的是「信息压缩」难题。

在此之前，为了判断代码质量，人类需要关注具体的代码逻辑。

现在，只需关注门禁本身的设计是否周全即可。

比如，开发一个TODO App，以前要关注增删改查的代码细节。

现在只需关注“点击新增，输入内容确认，点击删除确认删除”这条 e2e 测试用例。

因为你清楚，测试通过意味着对应的代码逻辑大概率是正确的。

在这个过程中，你需要关注的信息被大幅压缩了。

随之出现新问题：采用这种模式后，若一次性让Agent处理大量需求，势必会产生大量门禁。

门禁本身也是代码，同样存在代码质量、覆盖不全等问题，该如何解决？

答案是为门禁设计另一个Loop。

例如，在我的项目中，会有定时任务每日扫描压缩后的Agent Session Log，找出其中符合预设模式的偏差

例如：lint、类型错误是在Agent执行过程中发现的，但缺少对应的gate

然后基于这些偏差提出“新增gate的issue”。

信息从“审查每个需求产生的大量门禁”压缩到了“关注Agent每日提出的改进issue”

这就是套了2层Loop。

还能继续套吗？当然可以！

当前“发现改进意见”是基于“预设的模式规则”。

为什么要让Agent提issue，而不是直接输出到本地md文件呢？

因为类似：

这些信息都能作为正/负反馈，驱动loop优化这些预设的模式偏差规则。

3层Loop总结如下：

随着Loop层数增加，人类需要关注的信息越来越少，这就是未来AI编程的走向。

今天的分享就到这里，看完别忘了在右下角点个“赞”哦

您的关注，是我持续创作的动力