bb 是一个开源、本地优先的 AI 开发环境，提出循环驱动开发（LDE）理念，让 AI 持续执行“分析—修改—测试—验证”循环，而非单次问答。它支持多 Agent 协作、Git Worktree 隔离和插件自扩展，适用于自动修 Bug、重构和无人值守任务。与传统 IDE 不同，bb 将 AI 从助手升级为持续工作的开发成员，代码归用户所有，运行在本地。

谷歌前工程师创办Discovery Loop，旨在用AI自动化科研实验循环，将周期从年压缩至秒，覆盖材料、生物等领域。此举可能颠覆科研权力结构，使AI设计能力成为核心，但也面临高成本和现实数据鸿沟。文章认为这暴露了传统科研效率低下，科学正被资本和代码重塑。

管理AI代理的关键在于教其自我验证，而非催促。以早餐工厂为喻，验证环节是限速步骤，需自动化。通过配备工具、沉淀失败经验、搭建自动循环，AI代理能自主修复Bug并产出证据。信任但验证，小步快跑，最终打造自我验证的学习系统，提升产出三倍。

海博研发RoadMap提出AI原生研发框架，解决传统对话式AI编程的随机性、难复用和管控难问题。通过双层架构、文件驱动机制、技能/Agent/规则三位一体体系，实现流程标准化、知识沉淀和自动化执行。案例显示效率提升1680倍，成本降低99.25%，推动AI从辅助工具升级为标准化工程交付。

文章探讨AI Agent工程从“循环工程”向“图工程”的范式转移。循环工程因指标失真、盲视等四类缺陷易失效，图工程通过循环监督、分层治理等网络结构弥补，但需“锚点”确保与现实连接。文章提供14步实操路线图，用Claude Code将线性agent改造为图结构，并给出六个应用场景，强调“画图的人才是架构师”。

Loop Engineering是AI领域的新概念，指设计自动化闭环系统来替代人工提示智能体，核心是让人从执行中抽离。它包含自动化、工作树、技能、连接器、子代理和状态六个组件，映射到组织管理即目标、团队、流程、协作、分工和记录。本质是用AI语言重述传统管理规律，推动组织向人设计循环、循环管人转变。

本文探讨了AI技术栈的核心组成部分，强调“驾驭框架”在AI产品中的重要性。基础模型是被动的计算单元，真正的智能来自于驾驭框架的设计与优化。AI系统通过自我进化机制不断提升性能，克服传统模型的局限。文章介绍了三种关键的驾驭框架模式，强调上下文管理和子智能体的使用，以实现高效的任务处理和系统自我修复。

本文探讨了基于 Java 的开源 Loop-based Agent Harness 框架，旨在提升 AI 的执行效率。通过 Loop Engineering 和 Harness Engineering，框架实现了任务的自动执行、观察、评估和修正。文章还介绍了工具管理、权限控制、上下文压缩和记忆管理等关键技术，强调了上下文的重要性和动态加载机制，以优化 AI 的任务处理能力。

本文介绍了终身学习智能体的设计，强调通过循环工程实现自主学习和调参。智能体利用技能库不断迭代，避免灾难性遗忘。五步法包括自我设定任务、编写代码、运行测试、修正错误和存储技能。循环工程通过自动化调优提升效率，确保预算控制和评估准确性，形成可复现的调参流程。

2026年上半年，AI研发工具将从“写代码”转向“执行任务”。如Codex、Copilot等AI工具将具备任务委派、后台执行和多人协作能力。未来的竞争将集中在如何有效整合Agent进真实工程环境，确保安全性和可验证性。企业需关注任务生命周期、权限管理和验证机制，以提升研发效率和质量。

本文讨论了提升Agent系统稳定性与效率的方法，强调“循环工程”取代传统的“提示词工程”。Karpathy提出九条黄金法则，如角色分离、状态持久化和合同协商，旨在使Agent独立运行并交付可用产品。通过优化设计，开发者能够更有效地管理复杂性，消除不确定性，推动AI技术进步。

Loop Engineering和Looped World Models（LoopWM）正在推动AI的发展。LoopWM通过循环迭代和共享参数，增强模型在复杂环境中的稳定性，标志着AI从执行工具向世界建模系统的转变。这一进展为AI在机器人和仿真训练等领域的应用奠定了基础。

本文探讨了循环工程的概念，强调从手动提示代理转向设计自动提示系统。通过自动化、工作树、技能、连接器和子代理等五个要素及记忆，循环实现自主运行。Boris Cherny和Peter Steinberger的实践展示了循环如何提高代码产出和效率。循环的成功依赖于验证机制，以确保代理输出的质量。

Ralph Loop是一种自主循环开发技术，源于《辛普森一家》角色Ralph Wiggum。它通过不断迭代相同的提示，利用自指涉机制改进AI输出，直到达到预设标准。该技术依赖明确的完成标准和循环控制结构，适用于有清晰验收标准的任务。核心在于通过Stop Hook拦截AI的退出请求，确保持续迭代，直到任务完成或达到最大迭代次数。

本文探讨了大型语言模型（LLM）在工程中的应用，强调了从Prompt Engineering到Loop Engineering的四个阶段。每个阶段通过增加token提升模型的可用性，解决了模型在执行任务时的局限性。尽管工程不断优化，模型能力未显著提升，真正的挑战在于如何定义和维持任务完成标准，最终仍需人类参与判断。

最近，AI 编程圈的“循环工程”引起了关注。Claude Code 创始人 Boris Cherny 表示，从 2025 年 11 月起，他将不再使用 IDE，所有代码将由 Claude Code 自动生成，显示出 AI 在编程中的重要性和潜力。