社区

原创 张帆 智讯智库

作者：智讯智库分析师 张帆

Loop Engineering火了，而Anthropic的免费公开课程，可能比当前市面上任何的付费课程要来得更直接有效——AI时代真正拉开人与人之间差距的，不再是谁的prompt提示词写得更好。当AI已经能够读取文件、调用工具、执行任务和检查结果，人类真正需要学习的，已经不只是“怎样问AI”，而是“怎样为AI设计一套能够持续运转的工作循环”。

这次课程的视频总时长61分钟[1]，先讲解了Claude Code机制与功能，然后转入Agent Factory访谈和实战演示。核心用一句话总结就是：AI工作的质量，越来越取决于任务如何进入循环、结果如何得到反馈，以及系统如何根据反馈继续行动。

这意味着，过去人们强调的Prompt Engineering正在从一项核心能力，降级为更大系统中的一个环节。

如果说提示词工程研究的是“这一句话应该怎么问”，那么Loop Engineering研究的就是：如何让AI获得目标、调用资料、执行步骤、检查结果，并在未达到标准时自动进入下一轮。

针对这个课程，智讯智库分析师进行了学习消化，并将其按照“普通人也能看懂、甚至上手”的标准，进行了汇总梳理如下。无论是Claude还是Codex，任何想要用好AI Agent提升个人生产力和创造力的朋友，都值得一看。

Claude Code和AI Agent的本质，

不是聊天，而是一个循环

课程首先解释了Claude Code为什么能够连续工作。一个关键事实是，大模型本身没有真正的长期记忆。每次模型被调用，都像一位刚坐到工位上的新同事，并不天然知道项目进展、历史决策和用户偏好。

Claude Code之所以表现得像一个能够持续行动的Agent，是因为模型外部存在一套工作框架。这套框架会收集任务目标、对话记录、项目文件、工具说明和上一轮执行结果，再把它们重新交给模型。

模型阅读这些信息，决定下一步是读取文件、搜索资料、修改内容还是运行工具。外部框架执行这个动作，把结果返回给模型；模型观察结果后，再决定继续、修正或停止。

这就是Agentic Loop：

目标与资料 → 制定计划 → 执行动作 → 观察结果 → 验证质量 → 更新状态 → 进入下一轮

因此，连续向AI追问几次，并不等于建立了Loop。真正的Loop必须回答四个问题：

• 如果资料不够，AI应该怎么办？

• 如果执行失败，AI应该如何修正？

• 如果结果不合格，谁来判断？

• 满足什么条件以后，任务才能停止？

没有反馈、验证和停止条件，就只有连续生成，没有真正的工作闭环。

AI没有凭空出现的项目记忆，

文件才是可靠的上下文

Claude Code启动时会把CLAUDE.md的内容加入初始上下文。随后的视频演示也说明，如果某个普通项目文件还没有被读取，它的内容并不会自动出现在模型面前。

这揭示了一个经常被忽略的问题：很多AI任务失败，并不是模型能力不足，而是模型根本没有获得完成任务所需的信息。

在普通对话中，用户往往默认AI“应该知道”此前讨论过什么、公司有哪些要求、材料之间是什么关系，以及最终结果应该符合什么标准。但对AI而言，没有进入当前上下文的信息，就等于不存在。

Claude Code解决这个问题的方式很朴素：把需要长期保留的规则写进文件，把任务资料放进项目目录，再让Claude根据任务按需读取。

官方文档目前也明确说明，CLAUDE.md会在每次会话开始时进入上下文，并支持通过@路径导入其他小型说明文件。但文件不宜无限扩张，因为所有自动加载的内容都会占用上下文空间。真正有效的做法，是把稳定、简短、需要反复遵守的要求放在CLAUDE.md中，把报告、数据、图片和参考案例放在项目目录中按需读取。

对于普通工作，这条原则同样适用。无论是撰写行业报告、分析市场数据，还是制作方案和PPT，都应该先建立一个相对完整的资料环境，而不是只在聊天框里输入一句“帮忙写一份报告”。

比提示词更重要的，是把意图说清楚

这次视频着重讨论的，还有Intent-driven Development，也就是“意图驱动的开发”。

这里的重点不是告诉Claude每一步具体怎么做，而是让它充分理解：为什么要完成这项工作，最终希望解决什么问题，哪些条件不能被破坏，以及什么样的结果才真正有价值。

在实战中，演示者没有先给出复杂的技术规格，而是描述了想要制作的弹弓游戏：需要一个固定视角、可以控制并释放弹弓，后续再加入飞行轨迹、目标和击中特效。Claude根据这个意图建立项目，选择实现方式，并随着反馈持续完善。

视频还提出一个非常实用的建议：先从宽泛问题开始，再逐步深入。比如先讨论应该采用什么架构、使用哪些框架、是否需要补充最新资料，再与Claude来回交流，让方案逐渐收敛。

这比追求一条“万能提示词”更接近真实工作。复杂任务通常无法在开始时被一次性定义完整，人的想法也会在看到中间结果后发生变化。高质量协作的关键，是先把方向说清楚，再允许细节通过循环逐渐形成。

对于日常工作，一条更有效的启动提示可以包含六项信息：

1. 目标：这项工作最终要解决什么问题？

2. 原因：为什么现在要完成它？

3. 交付物：最终需要得到文章、报告、表格，还是演示文稿？

4. 已有资料：哪些材料必须使用，哪些只能作为参考？

5. 限制：哪些内容不能出现，哪些事实不能自行推断？

6. 验证方式：怎样判断结果已经达到要求？

这不是视频提供的固定模板，而是基于视频“表达意图而非只下达动作”这一原则整理出的实操方式。

Plan Mode的价值，

是把思考和执行分开

在介绍Plan Mode时（在终端使用Claude Code时可以使用），课程将它称为一种权限模式。进入这一模式后，Claude可以读取文件、分析问题和提出计划，但不能直接修改项目。

这项能力看似只是一个功能开关，实际上改变了人与AI的协作关系。

如果没有计划阶段，用户提出一个复杂任务后，Claude可能立即开始写作、修改文件或者生成代码。方向一旦理解错误，后面的执行速度越快，返工成本反而越高。

Plan Mode提供了一个必要的检查点：在AI开始行动前，先确认它是否理解了目标、是否找到了正确资料、是否遗漏了关键步骤，以及准备如何验证结果。

因此，复杂任务更合理的启动方式不是“直接完成”，而是：

1. 先不要执行。

2. 请先读取相关资料，复述任务目标和限制，指出信息缺口

3. 然后提出分步骤计划，并说明每一步将产生什么结果、如何验证。

4. 等待计划确认后再开始执行。

Claude Code官方文档对Plan Mode的定义也是“先研究并提出计划，不修改文件”。这不是让AI多写一份形式化方案，而是防止错误方向过早进入执行环节。

真正决定结果质量的，

不是生成，而是验证

验证是整段视频中出现频率最高、也最重要的主题之一。

课程强调Claude需要验证，并提到可以把图片作为验证依据；演示者再次强调必须学习验证输出，可以直接检查应用行为、查看代码，也可以通过GitHub Actions将部分验证自动化；Claude读取设计文件，并根据设计规范重建项目；而最后一步必须注意的，是必须建立Verification Layer，也就是验证层。

这些内容指向同一个结论：不能只告诉AI做什么，还要给它一种判断自己是否做对的方法。

在游戏开发中，验证可以是运行程序、观察交互行为、对照设计稿和执行自动化测试。在普通工作中，验证同样可以被具体化：撰写行业文章时，可以检查关键数字是否有来源、结论是否得到材料支持、标题是否准确反映正文；制作PPT时，可以检查文字是否溢出、图表是否与数据一致、重点是否能在十秒内被识别；分析表格时，可以检查计算公式、数据口径、异常值和总分关系。

结果看起来不错，不能成为验收标准。“关键数字可追溯到原始材料”、“所有页面不存在文字遮挡”、“结论均有证据支持”，才是可以执行的验证标准。

这也是Loop得以成立的关键。没有验证，所谓循环只是AI反复生成；有了验证，AI才知道下一轮应该修正什么。

从单个AI到Agent Factory：

复杂任务需要分工与收口

课程也讲解了Sub-agent的用法。每个子代理都拥有独立上下文，可以专注处理一个具体任务，避免主对话被大量文件读取和过程信息占满。

视频里展示的Dynamic Workflow更加接近一个完整的“AI工厂”：多个代理分别负责游戏引擎、界面、音频、关卡和触觉反馈；完成后进入Integration阶段进行整合，再进入Review阶段检查结果。

这里值得关注的不是“同时启动多少个Agent”，而是它背后的工程思想：复杂任务不能只靠一个AI从头做到尾，而要被拆成边界清晰、可以独立检查的工作单元，并在最后设置整合与审查环节。

这一原则同样适用于非技术工作。制作一份产业研究报告，可以分别安排AI处理资料检索、数据核对、竞争格局、案例分析和图表制作，但最终必须统一口径、消除矛盾，并由一个明确的审查流程决定哪些内容可以进入最终版本。

Agent越多，并不意味着结果自然越好。没有统一目标、共享资料和最终验证，多Agent只会更快地产生一组彼此冲突的答案。

AI越自主，

人越需要成为合格的审查者

课程后半段还讨论了权限、Auto Mode、Hooks和长时间运行的Claude Code任务。这些能力可以减少频繁确认，让Claude更自主地完成复杂工作。

但视频同时反复强调，人仍然对工具和最终输出负责。传统编程中的大量检查发生在亲手编写代码的过程中；而当AI承担更多生成工作后，人的工作重心会从“亲自生产”转向“集中审查”。因此，AI时代并不是不再需要专业能力，而是专业能力越来越体现在目标判断、标准制定、风险识别和结果验收上。

这可能是整段视频最重要的产业信号。当生成成本大幅下降，真正稀缺的不再是产出第一版内容的能力，而是判断什么值得做、什么结果可以相信，以及什么时候应该让AI停止。

普通用户如何搭建

自己的第一个工作Loop

基于视频内容，一个不需要编程基础的最小实践流程可以被归纳为五步。

第一步，把相关资料放进同一个项目或文件夹，并用清晰的文件名标注内容。不要期待AI仅凭一条提示词理解整个业务背景。

第二步，先说明任务意图，包括目标、原因、交付物、限制和验证方式。不要一开始就陷入字体、格式或句式等局部细节。

第三步，进入Plan Mode，要求Claude先读取资料、复述任务、指出缺口并提出计划。计划没有确认前，不进入正式执行。

第四步，让Claude分阶段工作，每一阶段都产生可以检查的中间结果。发现方向错误时立即修正，不必等到最终版本全部生成。

第五步，按照事先约定的标准验证结果。未通过就把问题重新交给Claude修正，通过后再进入下一阶段。

如果任务规模较大，还可以进一步把任务目标、资料索引、验收标准和执行进度分别写入markdown文件，放在项目目录提供给Claude进行loop工作：

然后将工作规则，告知Claude，或者直接写入CLAUDE.md文件：

##Loop 工作规则

开始任务前：

• 阅读 TASK.md、SOURCES.md、ACCEPTANCE.md 和 STATUS.md。

• 根据 STATUS.md 确认当前起点，不重复已经完成的工作。

执行过程中：

• 只使用 SOURCES.md 收录或用户明确提供的资料。

• 每完成一个阶段，依据 ACCEPTANCE.md 验收。

• 验收未通过时继续修改，不得直接宣布完成。

每轮结束前：

• 必须更新 STATUS.md。

• 记录本轮完成事项、生成文件、验证结果、遗留问题和下一步。

• 不得只在聊天消息中汇报进度。

Loop真正沉淀的，

是组织的工作能力

一套Loop第一次运行时，需要人不断补充规则、纠正错误。但当任务卡、资料结构、验收清单和状态表逐渐稳定，它就不再只是一段对话，而会成为可以重复使用的流程资产。

例如，企业可以分别建立行业简报Loop、销售线索研究Loop、会议跟进Loop、内容审查Loop和客户反馈分析Loop。下一次执行时，只需替换资料，AI就能沿用相同的目标、步骤和质量标准。

这与Anthropic课程中Skills的设计思想一致：把过去依赖个人经验、需要反复解释的工作方法，沉淀成AI可以持续调用的标准流程。

从产业角度看，这可能是Loop Engineering更重要的意义。提示词通常属于个人技巧，Loop则有机会成为组织资产；提示词优化的是一次生成，Loop改造的是完整生产过程。

从Prompt Engineering

到Loop Engineering

Prompt Engineering不会消失，但它正在成为Loop中的一个局部组件。未来真正决定AI工作质量的，将是五个更大的问题：

AI获得了什么上下文？

AI应该完成什么目标？

AI可以采取哪些行动？

结果应该怎样验证？

失败以后如何继续修正？

如果这些问题没有答案，再强的模型也可能产生不稳定的结果。如果这些问题被设计清楚，即使不懂编程，普通人也能搭建出可靠的AI工作闭环。

Anthropic这套免费课程的重要信号，不是又出现了一个需要追赶的新概念，而是AI的使用门槛正在发生迁移：过去比拼的是谁更会提问，接下来比拼的将是谁更会定义目标、组织资料、设计流程和验收结果。

提示词工程是在给AI写一句指令，Loop Engineering是在给AI建立一套工作制度。

当AI开始成为执行者，人类真正需要掌握的，也将不再只是怎样与AI聊天，而是怎样管理一套由AI参与的生产系统。

    参考资料：

[1]https://x.com/precisox/status/2075824818440519692

​