1. 从“会写代码”到“会设计循环”Loop Engineering 到底在解决什么问题第一次听到 Loop Engineering 这个词很多人会以为是某种新的编程语言或者框架。其实不是。它描述的是一套围绕 AI 编程工具构建“自动化工作循环”的工程方法论。你可以把它理解成以前我们用 Claude Code、Codex、Cursor 这些工具是“我问一句它答一句”而 Loop Engineering 要做的是把“提问—执行—验证—修正”这个链条变成一个可以自动跑起来的闭环让 AI 在没有人盯着的情况下也能持续产出可用的代码。我最初接触这个概念是因为一个很现实的问题用 Claude Code 写一个中等规模的模块前几轮对话效果很好但一旦任务超过二三十步它就开始“忘事”——忘记之前的约定、忘记文件结构、忘记测试没通过。你不得不反复把上下文重新喂给它效率反而比手写还低。后来我意识到问题不在于模型不够强而在于我没有为它设计一个“循环结构”。模型本身是无状态的每一次调用都是独立的所谓“记忆”和“连续性”其实是我们用工程手段在外面搭出来的。Loop Engineering 的核心就是这套“在外面搭出来的东西”。它包含几个关键部分任务分解策略、上下文管理机制、执行与验证的自动化回路、失败重试与回滚逻辑以及人机协作的介入点设计。这五个部分组合起来才能让 AI 编程工具从“玩具”变成“生产力”。适合谁来学如果你已经在用 Cursor 或 Claude Code 写一些小脚本但总觉得“差点意思”那这套方法就是为你准备的。如果你是完全的新手也没关系我会从最基础的工具安装和配置讲起把每一步的“为什么”都说清楚。整篇内容会围绕一个真实项目实战展开——我会用一个“批量图片元数据整理工具”作为案例从零开始把 Loop Engineering 的完整流程走一遍。提示Loop Engineering 不是某个具体产品的功能而是一种使用 AI 编程工具的思维方式。工具会变但这套循环设计的逻辑是通用的。2. 工具链选型与基础环境搭建2.1 Claude Code、Codex、Cursor 三者的定位差异在开始搭建循环之前得先搞清楚手里这几把“刀”各自适合切什么菜。我用了大半年时间把 Claude Code、Codex 和 Cursor 都深度用了一遍下面这张表是我自己的实际体感总结工具核心定位最适合的场景循环工程中的角色Claude Code终端内的 AI 编程代理多文件重构、复杂逻辑实现主力执行器适合跑长循环Codex代码补全与轻量生成单文件内快速补全、小函数生成辅助补全适合短循环CursorAI 增强的 IDE交互式开发、实时预览人机协作界面适合调试环节Claude Code 最大的优势是它能在终端里直接执行命令、读写文件、运行测试。这意味着你可以把“写代码—跑测试—看结果—改代码”这个循环完全交给它。Codex 更轻量适合在编辑器里做即时的代码补全但它不具备自主执行能力所以它在循环里扮演的是“快速填充”的角色。Cursor 则介于两者之间它有 IDE 的完整功能同时集成了 AI 对话和生成能力适合作为整个循环的“控制台”。我个人的组合方案是用 Cursor 作为主编辑器和人机交互界面用 Claude Code 作为后台的自动化执行引擎Codex 作为补全插件。这样既能享受 IDE 的便利又能让 Claude Code 在后台跑长任务。2.2 安装与配置的实操步骤先说 Claude Code 的安装。官方推荐的方式是通过 npm 全局安装npm install -g anthropic-ai/claude-code安装完成后在项目目录下运行claude命令即可启动。第一次启动会引导你完成认证配置。这里有个细节如果你在 Ubuntu 上安装可能会遇到权限问题建议用nvm管理 Node 版本避免sudo npm install带来的权限混乱。# 安装 nvm curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash # 安装 Node 20 nvm install 20 nvm use 20 # 再安装 Claude Code npm install -g anthropic-ai/claude-codeCodex 的安装更简单如果你用的是 VS Code直接在扩展市场搜索安装即可。Cursor 则是下载安装包一路下一步。这里重点说 Cursor 的中文设置因为很多人第一次用会找不到地方打开 Cursor按CtrlShiftPWindows或CmdShiftPMac输入 “Configure Display Language”选择 “中文简体”重启后界面就变成中文了。如果你想让 AI 回复也用中文需要在设置里找到 AI 对话的语言偏好手动设置为中文。注意Cursor 注册时如果遇到手机号填写问题建议优先使用邮箱注册。国内手机号在部分时段可能收不到验证码这是实际使用中比较常见的坑。2.3 环境变量与项目初始化在开始 Loop Engineering 之前我建议先建立一个标准的项目结构。以我的“图片元数据整理工具”为例project/ ├── src/ │ ├── main.py │ ├── metadata_parser.py │ └── utils.py ├── tests/ │ ├── test_parser.py │ └── test_utils.py ├── docs/ │ └── spec.md ├── .claude/ │ └── config.json └── README.md.claude/config.json是 Claude Code 的项目级配置文件你可以在这里定义项目级的提示词、忽略规则和执行权限。这个文件在 Loop Engineering 中非常关键因为它决定了 AI 在循环中能做什么、不能做什么。{ projectName: image-metadata-tool, allowedCommands: [python, pytest, ls, cat], ignoredPaths: [node_modules, .git, __pycache__], maxLoopIterations: 10, autoTest: true }allowedCommands限制了 AI 可以执行的命令范围这是安全底线。maxLoopIterations控制单次循环的最大迭代次数防止无限循环消耗资源。autoTest开启后每次代码修改都会自动触发测试。3. Loop Engineering 的核心循环设计3.1 循环的四个阶段规划、执行、验证、修正Loop Engineering 的循环不是简单的“重复”而是一个有明确阶段划分的结构。我把它拆成四个阶段规划阶段AI 根据任务描述生成一个步骤列表。这个列表不是随便写的而是需要包含每一步的输入、输出和验证条件。比如“读取图片 EXIF 数据”这一步验证条件就是“能正确解析至少三种格式的图片”。执行阶段AI 按照步骤列表逐步执行每一步执行后都会产生一个中间产物。这个阶段的关键是“小步快跑”每一步只做一件事做完立刻验证。验证阶段用自动化测试或脚本检查执行结果是否符合预期。验证不通过就进入修正阶段通过则进入下一步。修正阶段AI 分析失败原因调整代码或策略然后重新执行当前步骤。如果连续多次修正失败则触发人工介入。这四个阶段循环往复直到所有步骤完成。听起来简单但实际操作中有很多细节需要处理。比如如何让 AI 在规划阶段就考虑到边界情况如何设计验证条件才能既严格又不至于误报这些都需要在实战中不断调整。3.2 上下文管理让 AI 不忘事的三个技巧AI 编程工具最大的痛点就是“上下文窗口有限”。Claude Code 虽然支持较长的上下文但在一个几十步的任务中早期的信息仍然会被稀释。我试过几种方法最后总结出三个最有效的第一个技巧是“状态文件”。在项目根目录维护一个STATE.md文件记录当前进度、已完成步骤、待办事项和已知问题。每次循环开始前让 AI 先读这个文件每次循环结束后让 AI 更新这个文件。这样即使上下文被截断AI 也能通过状态文件恢复记忆。第二个技巧是“摘要压缩”。每完成一个阶段就让 AI 把该阶段的关键信息压缩成一段简短的摘要存入状态文件。摘要只保留“做了什么、结果如何、有什么遗留问题”不保留具体代码。这样既能保留关键信息又不会占用太多上下文。第三个技巧是“分而治之”。不要把一个大任务一次性丢给 AI而是拆成多个子任务每个子任务单独开一个会话。子任务之间通过文件系统传递结果。这样每个会话的上下文都是干净的AI 的注意力不会被无关信息干扰。实操心得状态文件最好用 Markdown 格式因为 AI 对 Markdown 的结构化信息理解得更好。我试过用 JSON效果不如 Markdown。3.3 验证回路的设计自动化测试是核心Loop Engineering 能不能跑起来关键看验证回路是否可靠。如果验证靠人眼看那循环就断了。所以必须把验证自动化。对于代码类任务最直接的验证就是单元测试。我通常会让 AI 在写功能代码之前先写测试代码。这叫“测试驱动”的循环。具体做法是让 AI 根据需求描述生成测试用例人工审核测试用例是否覆盖了关键场景让 AI 写功能代码直到所有测试通过如果测试失败AI 自动分析失败原因并修正对于非代码类任务比如数据处理验证方式可以是“检查输出文件的行数、字段数、数据类型是否符合预期”。这些都可以用简单的 Python 脚本实现。# verify_output.py import pandas as pd def verify_metadata_output(filepath): df pd.read_csv(filepath) assert len(df) 0, 输出文件为空 assert filename in df.columns, 缺少 filename 字段 assert timestamp in df.columns, 缺少 timestamp 字段 assert df[timestamp].notna().all(), timestamp 存在空值 print(验证通过) return True这个脚本可以作为验证回路的一部分每次 AI 生成输出后自动运行。3.4 失败重试与回滚让循环更健壮循环不可能一次就成功。失败是常态关键是怎么处理失败。我的策略是“分级重试”第一级AI 自动分析错误信息尝试修正。最多重试 3 次。第二级如果自动修正失败AI 回滚到上一个稳定状态换一种实现方式重试。第三级如果仍然失败暂停循环生成一份“问题报告”等待人工介入。回滚机制依赖于版本控制。我强烈建议在循环开始前先git commit一次这样任何时候都可以git reset --hard回到起点。Claude Code 支持直接执行 git 命令所以回滚可以完全自动化。# 在循环开始前打一个快照 git add -A git commit -m checkpoint: before loop iteration # 如果失败回滚 git reset --hard HEAD注意自动回滚会丢失未提交的修改所以一定要确保快照是在干净的工作区打的。我踩过一次坑回滚后发现之前手动改的配置也没了又得重新配一遍。4. 项目实战批量图片元数据整理工具4.1 需求拆解与任务规划这个项目的需求很明确给定一个文件夹里面有一堆 JPEG 和 PNG 图片需要提取每张图片的 EXIF 元数据拍摄时间、相机型号、GPS 坐标等整理成一个 CSV 文件并且按照拍摄日期分文件夹归档。我用 Loop Engineering 的方式先让 Claude Code 做任务规划。我给它的提示词是这样的我需要一个 Python 工具功能如下 1. 扫描指定文件夹下的所有 JPEG 和 PNG 图片 2. 提取每张图片的 EXIF 元数据 3. 将元数据整理成 CSV 文件 4. 按照拍摄日期YYYY-MM将图片复制到对应的子文件夹 5. 如果图片没有 EXIF 数据记录到单独的日志文件 请先不要写代码而是生成一个详细的步骤列表每一步包含 - 步骤描述 - 输入 - 输出 - 验证条件Claude Code 返回了一个 12 步的计划从“检查依赖库”到“生成最终报告”。我审核了一遍发现它漏掉了“处理损坏图片”的情况于是补充了一条。最终的计划如下步骤描述验证条件1检查 Pillow 库是否安装import 成功2扫描文件夹收集图片路径路径数量 03逐个读取 EXIF 数据至少 80% 图片能读到4处理损坏图片不抛出未捕获异常5生成 CSV 文件文件存在且行数匹配6按日期创建子文件夹文件夹数量 07复制图片到对应文件夹复制后文件存在8生成日志文件日志内容非空9运行单元测试全部通过10生成最终报告报告包含统计信息这个计划就是循环的“路线图”。接下来的执行阶段就是让 AI 按照这个路线图一步步走。4.2 核心代码的循环生成过程执行阶段我用了 Claude Code 的“自动执行”模式。具体操作是把计划文件plan.md放在项目根目录然后运行claude --task 按照 plan.md 执行每完成一步就运行对应的验证脚本验证通过后更新 STATE.mdClaude Code 会逐步执行每完成一步就停下来等验证结果。这里有个细节我提前写好了每一步的验证脚本放在tests/目录下命名规则是test_step_N.py。Claude Code 会自动找到并运行对应的脚本。以第 3 步“读取 EXIF 数据”为例AI 生成的代码是这样的from PIL import Image from PIL.ExifTags import TAGS def extract_exif(filepath): try: image Image.open(filepath) exif_data image._getexif() if not exif_data: return None result {} for tag_id, value in exif_data.items(): tag_name TAGS.get(tag_id, tag_id) result[tag_name] value return result except Exception as e: return {error: str(e)}验证脚本test_step_3.py会检查返回的字典是否包含DateTime和Model字段。如果缺少就触发修正循环。整个执行过程跑了大约 40 分钟中间触发了 5 次修正循环。其中一次是因为 PNG 图片没有 EXIF 数据AI 一开始没有处理这种情况验证失败后自动修正了。另一次是因为日期格式解析错误AI 把2023:01:15 10:30:00直接当成了字符串没有转换成2023-01。这些修正都是自动完成的我只在最后审核了一遍最终代码。4.3 验证与修正的实战记录修正循环中最有价值的一次是处理“GPS 坐标解析”。EXIF 中的 GPS 信息是嵌套的字典结构AI 第一次生成的代码直接把它转成了字符串导致 CSV 里出现了一堆乱码。验证脚本检查到GPSLatitude字段不是数字类型触发了修正。AI 的分析过程是这样的它先读取了验证脚本的错误信息然后检查了自己的代码发现result[tag_name] value这一行没有对 GPS 字段做特殊处理。接着它搜索了 Pillow 的文档找到了GPSTAGS的用法重新生成了代码from PIL.ExifTags import GPSTAGS def parse_gps(gps_info): if not gps_info: return None result {} for key, value in gps_info.items(): name GPSTAGS.get(key, key) result[name] value # 转换经纬度为十进制 if GPSLatitude in result and GPSLatitudeRef in result: lat convert_to_degrees(result[GPSLatitude]) if result[GPSLatitudeRef] S: lat -lat result[latitude] lat return result这次修正后验证通过。整个过程 AI 没有问我任何问题完全自主完成。这就是 Loop Engineering 的威力——你只需要设计好循环剩下的交给 AI。4.4 最终产出与效果评估项目最终产出了一个约 300 行的 Python 工具包含 4 个模块和 12 个单元测试。我拿一个包含 500 张图片的文件夹做了测试处理时间约 2 分钟成功提取了 487 张图片的元数据13 张损坏图片被正确记录到日志。CSV 文件包含 15 个字段日期归档文件夹创建了 24 个。对比我手动写这个工具的时间大概需要 3-4 小时。用 Loop Engineering 的方式从规划到完成大约 1.5 小时其中我实际投入的时间只有 20 分钟左右审核计划和最终代码。效率提升是明显的但更重要的是这个过程是可复现的。下次遇到类似任务我可以直接复用这套循环模板。实操心得循环跑完后一定要人工审核一遍关键代码。AI 有时候会写出“能跑但很丑”的代码比如重复的逻辑、硬编码的路径。这些不影响功能但影响可维护性。5. 常见问题与排查技巧实录5.1 Claude Code 安装与连接问题问题一安装后运行claude提示命令不存在。这通常是 npm 全局路径没有加入 PATH。解决方法# 查看 npm 全局路径 npm config get prefix # 把输出路径加入 PATH比如 export PATH$PATH:/usr/local/bin如果是 Ubuntu 系统可能还需要检查~/.bashrc或~/.zshrc是否加载了 nvm。问题二Claude Code 启动后无法连接。先检查网络环境是否正常。如果公司网络有代理限制需要配置环境变量。但这里不展开代理配置的细节建议在个人网络环境下使用。问题三执行命令时提示权限不足。Claude Code 默认只允许执行白名单内的命令。如果遇到command not allowed需要在.claude/config.json的allowedCommands里添加对应命令。我建议只添加必要的命令不要图省事用*安全第一。5.2 Codex 与 Cursor 的配置问题问题一Codex 无法加载组织设置。这个错误通常出现在企业账号环境下。如果你用的是个人账号可以忽略。如果确实需要组织设置检查账号是否有对应的权限。问题二Cursor 响应速度慢。Cursor 的响应速度受网络和模型负载影响。我试过几个方法一是关闭不必要的插件减少资源占用二是在设置里把 AI 模型切换到更轻量的版本三是避免在单个文件过大时使用 AI 对话先把文件拆小。问题三Cursor 中文设置不生效。Cursor 的语言设置分两部分界面语言和 AI 回复语言。界面语言通过命令面板设置AI 回复语言需要在设置里单独配置。如果设置后 AI 仍然回复英文可以在对话开头加一句“请用中文回复”这样最直接。5.3 Loop Engineering 循环中的典型故障故障一循环卡死AI 反复执行同一步骤。这通常是因为验证条件太严格AI 怎么改都通不过。解决方法是放宽验证条件或者把这一步拆成更小的步骤。我遇到过一次验证脚本要求 CSV 的行数精确等于图片数量但有一张图片被跳过了导致永远差一行。后来改成“行数 图片数量 * 0.95”就通过了。故障二AI 修改了不该修改的文件。这是最危险的情况。有一次 AI 在修正代码时顺手把config.json里的maxLoopIterations从 10 改成了 100导致循环跑了很久。后来我在配置里加了readonlyPaths把配置文件设为只读。故障三上下文丢失导致 AI 重复劳动。如果循环跑了很长时间AI 可能会忘记之前的约定。这时候状态文件就派上用场了。我养成了一个习惯每完成 5 个步骤就让 AI 重新读一遍STATE.md确保它还记得目标。5.4 常见问题速查表问题现象可能原因解决方法命令不存在PATH 未配置检查 npm prefix 并加入 PATH连接失败网络限制检查网络环境权限不足命令不在白名单修改 config.json响应慢模型负载高切换轻量模型或拆分文件循环卡死验证条件过严放宽条件或拆分步骤文件被误改权限控制不足设置 readonlyPaths上下文丢失循环过长定期重读状态文件中文不生效设置未保存对话中直接要求中文避坑技巧在循环开始前先用一个小任务测试整个流程。比如让 AI 写一个“Hello World”并运行测试。这样可以在正式跑大任务之前确认工具链和配置都是正常的。6. 循环工程的扩展思路与个人体会Loop Engineering 这套方法我用了几个月后发现它的适用范围远不止代码生成。比如写技术文档你可以设计一个“大纲—初稿—审核—修订”的循环做数据分析可以设计一个“清洗—统计—可视化—报告”的循环。核心逻辑是一样的把大任务拆成小步骤每一步都有明确的验证条件失败就自动修正。我最近在尝试把循环工程和定时任务结合起来。比如每天早上自动跑一次“检查项目依赖更新”的循环AI 会检查requirements.txt里的包有没有新版本如果有就自动升级并跑测试测试通过就提交。这样我早上到公司只需要看一眼报告就行。还有一个扩展方向是“多 AI 协作”。让 Claude Code 负责写代码让另一个 AI 负责审核代码两者形成一个对抗循环。审核方专门挑毛病执行方负责修正。我试过几次效果比单个 AI 自己检查要好因为审核方没有“自己写的代码没问题”的偏见。最后分享一个小技巧在循环的每个阶段结束时让 AI 输出一句“当前状态XXX”。这句话会出现在终端里你可以随时扫一眼就知道循环跑到哪了。比翻日志快得多。这个项目后续还可以这样扩展把循环工程和 CI/CD 流水线打通让 AI 在每次代码提交后自动跑一轮“检查—修正—测试”的循环只有全部通过才允许合并。这样就把 AI 编程从“个人助手”升级成了“团队守门员”。