loop-engineering
让 AI 编程工具从被动响应升级为主动循环，设计师而非操作者的元框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI 编程工具从被动响应升级为主动循环，设计师而非操作者的元框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你想过没有——每天早上第一件事，不是打开 IDE 写代码，而是打开 Slack 扫一眼机器人整理的 CI 红灯、Issue 积压、依赖告警，然后点几下去处理它们。现在想象一下，这个机器人不是别人提示它这么做，而是它自己决定今天要扫哪里、扫到什么程度、什么时候停下来等你。 这就是 Loop Engineering 在做的事——不是给 AI 写更好的提示词，而是设计一个让 AI 自己管理自己的系统。
Boris Cherny（Anthropic Claude Code 负责人）有句著名的表述：「我不再手动提示 Claude 了，我写的是让 Claude 自己提示自己的循环（loops）。」这句话是 Loop Engineering 最好的注解。
这个理念最早由 Google Chrome 团队工程总监 Addy Osmani 提出，随后由独立开发者 Cobus Greyling 整理成一个完整的知识体系、工具链和工程框架。GitHub 上现已积累 590+ Stars，被冠以 loop-engineering、agentic-ai、ai-coding 等多个 Topic，是 AI Coding Agent 领域的元框架级项目。
Loop Engineering 的核心洞察在于：人类在 AI Agent 时代的新角色，不是「提示词工程师」，而是循环设计师（Loop Designer）——你定义目的和边界，AI 在循环内自主迭代，直到任务完成或主动交还控制权。
Loop Engineering 框架围绕五个原始语（Primitives）构建，每个循环都由它们的不同组合构成：
| 原始语 | 在循环中的作用 |
|---|---|
| Automations / Scheduling | 定时发现 + 分诊，触发循环执行 |
| Worktrees | Git 工作树隔离，确保并行执行不互相污染 |
| Skills | 持久化的项目知识，让 Agent 理解上下文而非每次从零学起 |
| Plugins / Connectors | 外部能力集成（GitHub MCP、Linear、Slack 等） |
| Memory | 循环状态与历史，防止重复劳动和状态丢失 |
Memory 在此语境下尤为重要——不是向量数据库，而是以 STATE.md 为载体的结构化状态文件。每次循环结束后，Agent 写下「上次扫到这里」「这次发现了 X」「用户上次说先别动 Y」，下次运行时从 STATE 读起，真正像人一样有记忆地工作。 |
项目定义了 7 种经过生产验证的循环模式，每种都有明确的节奏、风险等级、Token 消耗和人工介入门控：
| 模式 | 节奏 | 风险 | 典型场景 |
|---|---|---|---|
| PR Babysitter | 5-15分钟/次 | 中 | 监控 PR 进度，推动合并，解决 CI 红灯 |
| Daily Triage | 每天 | 低 | 早晨一键扫描 CI、Issue、Commit 摘要 |
| CI Sweeper | 5-15分钟/次 | 中 | CI 失败后自动分类、根因分析、必要时小修 |
| Dependency Sweeper | 6小时-1天 | 中 | 自动发现并安全更新依赖，处理 CVE |
| Post-Merge Cleanup | 1天-6小时 | 低 | 合入后跟进技术债、清理废弃代码 |
| Issue Triage | 2小时-1天 | 低 | 分类 Issue，补充标签，标记需要关注的 |
| Changelog Drafter | 1天 | 低 | 自动生成 Release Notes 草稿 |
| 每种模式都配备了 L1 / L2 / L3 三级就绪度：L1 是报告模式（只看不改），L2 开始小修，L3 完全自主。推荐所有循环从 L1 起步，跑满 10 次稳定运行后再升级——这个设计显著降低了 AI 循环工具在团队中的信任建立成本。 |
项目提供了三个独立的 npm 包，构成完整的工程化闭环：
@cobusgreyling/loop-audit（v1.4）是 Loop 就绪度审计工具，对任意项目扫描 Loop Readiness Score（L0-L3），检测 15 项信号：状态文件、Skills 目录、Verifier 存在性、MCP 配置、Budget 文档、循环活动证据等。运行 npx @cobusgreyling/loop-audit . --suggest 可以一键输出差距分析和修复建议。
@cobusgreyling/loop-init（v1.2）是脚手架生成器，运行 npx @cobusgreyling/loop-init . --pattern daily-triage --tool grok 即可在任意项目初始化指定的循环模式，包含 LOOP.md、STATE.md_example、Skills 目录和 GitHub Actions 配置。
@cobusgreyling/loop-cost（v1.0）是 Token 预算估算器，基于 cadence、就绪度级别和 Agent 工具计算每日/每周 Token 消耗上限，帮助团队在让 Agent 自由跑之前有成本感知。
三个工具均采用 TypeScript 编写，构建产物为纯 ESM 模块，依赖极简（loop-cost 仅依赖 yaml），Node.js >= 18 即可运行。
Loop Engineering 从设计之初就坚持工具无关原则。相同的循环模式可以为 Grok、Claude Code、OpenAI Codex 或 GitHub Actions 分别配置，Pattern 定义文件（registry.yaml）和 Phase 描述保持一致，工具特定实现放在各平台的 skills/ 目录下。例如 Daily Triage 模式同时提供了 .grok/skills/loop-triage/、.claude/skills/loop-triage/ 和 .codex/skills/loop-triage/ 三套实现。
此外，GitHub Actions 示例允许将循环直接部署为 CI/CD 流水线中的自动化任务，MCP Connector 示例（GitHub Read-Only、Linear、Slack）则让循环可以读写外部系统。
Loop Engineering 完全是文本处理和 API 调用密集型工作，不需要 GPU。每轮循环的 Token 消耗从几千（空跑无操作）到 25 万（高风险 PR 修复）不等，完全取决于模式和操作复杂度。Daily Triage 报告模式每次约 5 万 Token，成本极低；CI Sweeper 激进模式每次可达百万 Token 级，需要配合 loop-cost 做预算管控。
Loop Engineering 的核心局限在于它是一套方法论，不是一个能直接安装运行的程序。每个团队需要根据自己的项目特点选择合适的模式、配置 Skills、维护 State，这要求使用者对 AI Agent 有基本认知。项目自身也坦承「跳过 L1 直接上 L2 是 Loop 工具被骂噪声的常见原因」。 此外，Token 消耗的可预测性有限——即使是同一模式，不同复杂度项目的消耗可能差一个数量级。loop-cost 提供了估算工具，但 AI Agent 行为的固有不确定性使得精确预算几乎不可能。
Loop Engineering 代表了一类新兴的「Agent 元框架」——不解决具体问题，而是给 Agent 装上可重复、可审计、可调控的工作流程系统。随着 Claude Code、Copilot、Cursor 等工具的普及，越来越多开发者意识到「让 Agent 跑起来容易，让它安全地跑起来难」。Loop Engineering 提供了结构化答案。 该项目 Star 增长稳健（持续有新模式贡献者和企业采纳案例），GitHub Pages 文档站点提供了交互式 Pattern Picker 和 Primitives Matrix，Substack 深度文章进一步扩大影响力。如果你或你的团队已经在使用 AI Coding Agent，Loop Engineering 几乎是必读框架。