Loop Engineering 是什么Loop Engineering 的核心是回答一个问题怎么让 AI Agent 持续、自主、可控地运行传统的 LLM 调用是一问一答模式——你发一条消息模型回复对话结束。Agent 稍微进了一步模型可以在一次调用里决定我要用工具执行完再把结果塞回上下文继续推理。但本质上模型还是被动地等你的输入。Loop Engineering 要做的是把模型放进一个你设计好的循环里让它自己跑起来。Agent Loop 的核心机制一个典型的 Agent Loop 长这样Thought → Action → Observation → Thought → ...模型先思考当前该做什么Thought然后执行动作比如调用工具或写代码Action接着观察执行结果Observation再基于观察继续思考下一步……这个循环自主运转直到满足某个终止条件才停下来。模型不再是被动等指令的聊天机器人而是你设计的循环里的一个自主参与者。你定义循环的规则、工具和终止条件模型在规则范围内自己做决策。演进脉络这个思路不是凭空冒出来的它有一条清晰的演进线ReAct2022Yao 等人提出推理与行动交替的框架奠定了思考→行动→观察的基本模式但当时是单步推理没有持续循环的概念。AutoGPT2023把循环跑起来了Agent 全自主决策、自主执行。问题是太容易失控——目标漂移、无限循环、账单爆炸热度来得快去得也快。Agent SDK 时代2025Claude SDK、OpenAI Agent SDK 等提供了结构化的循环框架开发者可以编排 Agent 的执行流程但循环的驱动力还是单次用户请求。Loop Engineering2026声明式目标 自动循环触发。人负责设计 loop 的结构什么时候触发、用什么工具、怎么判断完成AI 负责在 loop 里自主运行。人和机器的职责第一次被清晰地分开了。Loop 的本质一个公式如果把 Loop 的本质压缩成一句话大概是Loop Cron定时触发 决策器判断下一步做什么Cron 负责什么时候推进下一轮决策器就是 LLM负责这一轮该做什么。模型变成了你程序里的一个子程序而你变成了这个循环的作者——你写主循环模型跑子程序。概念层级链把 Loop Engineering 放到更大的图景里看AI 工程化经历了这样一层层的能力堆叠Prompt Engineering怎么跟模型说话→Harness Engineering怎么给模型造一个稳定的运行环境→Loop Engineering怎么让这个运行环境自己跑起来→Factory Model怎么让多个 loop 协同起来产出完整的软件每一层都建立在前一层的基础之上。没有 Harness 的隔离和工具调用能力Loop 就无从谈起没有 Loop 的持续运转能力Factory 级别的多 Agent 协作也只是纸上谈兵。六大原语Addy Osmani 在梳理 Loop Engineering 时总结了六个核心原语可以作为设计一个 loop 的 checklist原语作用指令InstructionLoop 要达成的目标声明式描述工具ToolsLoop 里模型能调用的能力集上下文Context每轮注入的 prompt 和运行时信息记忆Memory跨轮次的状态积累和知识沉淀终止Termination判断 loop 什么时候该停下来评估Evaluation每轮执行结果的校验和反馈机制这六个原语听起来抽象但你在接下来的/loop实现里每一个都能找到对应的工程决策。概念和代码之间其实只隔了一层窗户纸。三、解剖 OpenClaw.NET 的/loop命令概念聊完了来看代码。geffzhang 的 PR #156 把 Loop Engineering 的六个原语落到了实处其中几个设计决策尤其值得细品。PR #156 概览这个实现的核心能力很直观用户在聊天界面输入/loop 5m check CI status系统注册一个定时循环每 5 分钟向指定 session 注入一次系统消息驱动 Agent 检查 CI 状态并汇报。Agent 可以自主决定任务已完成调用loop_control工具也可以由系统根据语义关键词强制终止。1,033 行代码11 个文件变更62 个单元测试。体量不算大但设计密度很高。四大核心设计决策1. TickerQ 混合调度编译期声明 运行时注册表这是整个实现的地基也是最需要权衡的地方。OpenClaw.NET 的调度底层用的是 TickerQ 10.4.0这个版本有个特点只支持编译期的 cron 表达式不暴露动态注册接口。也就是说你不能在运行时说给我新建一个每 5 分钟执行一次的任务只能在代码里写死[TickerFunction(AgentLoopExecutor, * * * * )]编译后就定了。但/loop命令显然需要动态创建定时任务——用户随时可能发起一个新的循环间隔也各不相同。PR 采用的方案是混合调度编译期挂一个每分钟 tick 一次的定时器作为心跳运行时维护一个ConcurrentDictionarystring, LoopEntry内存注册表记录每个活跃 loop 的下一次触发时间和间隔。每次 tick 到来时扫描注册表里哪些 loop 该执行了把到期的推进一轮。这个方案的优点是简洁且可靠——没有魔改 TickerQ没有引入新的调度依赖ConcurrentDictionary 的线程安全性也经过了充分验证。代价是多了一层内存中的轮询逻辑但对于分钟级精度的场景完全够用。2. 零入侵 AgentRuntime借助现有管道注入这是一个非常干净的设计决策。Loop 的提示词不是直接往模型里塞而是通过MessagePipeline.InboundWriter以ChannelIdcron的系统消息注入。这条消息会进入和正常用户消息完全相同的投递管道由已有的GatewayInboundMessageWorker消费、转发给 AgentRuntime。AgentRuntime 一行代码都不用改。这个设计的高明之处在于解耦。Loop 模块不依赖 AgentRuntime 的内部实现只复用现有的消息基础设施。这意味着无论是当前的 AgentRuntime还是未来的 MafAgentRuntime或者其他任何实现了同样消息接口的运行时/loop都能直接兼容。不修改只扩展——这是我在这个 PR 里最喜欢的一个决定。3. 双层语义自终止工程教训的产物终止机制是这个实现里我最想展开聊的部分因为它直接来自血泪教训。OpenAI 的 Codex 在早期版本中曾因缺乏有效的终止机制导致 Agent 在任务完成后继续无意义地运转日志膨胀到 34GB/天。这不是理论上可能出问题是真真切切发生过的事故。PR #156 采用了双层防御主路径模型主动调用loop_control(statuscomplete)工具显式声明我干完了。这是最干净的终止方式——模型自己知道什么时候该停。备用路径检测模型响应文本中的终止关键词包括LOOP_TERMINATE、DONE、WORK_COMPLETE等。如果模型没用工具但嘴上说了完成了系统也能识别并终止循环。两层机制兜底避免单点失效。FrozenSet 存储关键词O(1) 的查找效率。这套设计说明作者是真的在生产环境里踩过坑——只有被无限循环整过的人才会在终止条件上如此 paranoid。4. NativeAOT 全兼容零反射零动态代码如果你是 .NET 开发者会知道这个 PR 在 NativeAOT 兼容性上花了多少心思。整个实现零反射、零动态代码生成[GeneratedRegex]编译期生成正则匹配代码[TickerFunction]源生成器处理调度声明System.Text.Json源生成器序列化所有 payloadsFrozenSet存储终止关键词集合启动时冻结、运行时只读在 NativeAOT 模式下反射和动态代码会被编译器裁剪掉轻则性能下降重则直接跑不起来。PR 从第一天就规避了这些陷阱说明作者对部署目标有清晰的认识——这个系统是要打包进容器、启动速度要快、内存占用要低。状态机设计/loop维护了一个精简的三态机Scheduled已注册等待触发 ↓ 定时器到期注入提示词 Running正在执行本轮任务 ↓ 语义终止触发 Terminated终态不可恢复围绕这个状态机有三条关键规则幂等覆盖同一个 session 只能有一个活跃 loop。用户重复发起/loop时新 loop 会覆盖旧 loop。这避免了 session 里堆叠多个循环导致的行为混乱。非抢占执行如果某个 session 当前正在处理消息比如上一轮还没跑完定时触发的新消息会排队等待不会强行中断。这是防止 race condition 的关键设计。静默自毁当 loop 因语义终止而结束时系统不会主动发送通知打扰用户。任务完成了就安静地退出把界面还给用户。这个细节体现了对用户体验的考量——没人喜欢被一个已经没必要的循环反复弹窗。与/goal的互补关系/loop不是 OpenClaw.NET 里唯一的循环原语。平台里还有一个/goal命令两者形成了有趣的互补/loop/goal驱动方式外部定时器驱动模型停止时自动续跑典型场景持续监控检查CI、扫描日志、定期代码审查一次性目标修完所有测试、清完所有 lint循环节奏固定间隔连续推进不等待/goal适合干到条件满足就结束的任务——模型推不动了会自动重试直到达成目标或超出限制。/loop适合需要等待外部状态变化的场景——每 5 分钟看一眼 CI不是一直盯着而是间歇性地检查。两者独立运作互不干扰。同一个 session 可以同时拥有/loop和/goal一个负责定时巡检一个负责持续推进。这种组合能力让 OpenClaw.NET 的 Agent 系统同时具备了间歇性监控和持续性推进两种工作模式。Loop Engineering 的魅力就在于此——它不是给你一个固定的运行方式而是给你一套组合原语让你根据场景搭配出合适的自主运行模式。四、Loop Engineering 不是噱头但有前提
)
