聚焦：人工智能、芯片等行业
Prompt 红利为何见顶
2023 年，"Prompt Engineer"曾是年薪百万的热门岗位。然而三年后，若简历仍仅标注“精通 Prompt Engineering”，恐难获青睐。
Prompt 权重断崖式下跌，核心原因有二：
第一，模型智能显著提升。两年前需精巧话术引导模型，如今 DeepSeek V3、Claude 4.5 等先进模型意图理解能力大幅增强，即便粗糙的 Prompt 也能被准确领会。
第二，单次问答难以应对复杂任务。供应链 Agent 需执行检测库存、分析销量、预测需求、生成补货单及发送审批等多步骤流程，单一 Prompt 无法胜任。MIT 2026 年初研究指出，顶尖模型与轻量模型性能差距收敛，边际效应递减。竞争焦点已从“模型能力”转向“工程能力”，即如何利用现有模型完成更复杂任务。
从“回合制”到“闭环”：Loop 的核心逻辑
回顾旧范式，用户需反复编写 Prompt、查看结果、再修改，人始终是驱动对话的“发动机”。
Loop 彻底颠覆了这一模式。其核心逻辑是：用户定义目标，AI 自主运行、自我验收，若不合格则携带报错信息进入下一轮迭代，直至达成目标或触及预算上限。正如 Osmani 所言，循环工程是“设计一套替你提示的系统”，将递归式迭代交由 AI 完成。
一个完整的 Loop 包含五大要素：明确目标、上下文管理、工具调用、产出评估及停止标准。由此，Agent 从“接收指令输出结果”的单次调用，进化为具备自我迭代与修正能力的闭环系统。
产业实践：双雄对峙格局形成
目前，Loop 工程已形成两大主流技术路径：
Claude Code构建了"/loop（定时循环）、/goal（目标驱动）、/schedule（云端任务）”三件套。其精妙之处在于/goal 背后的“写查分离”原则：由大模型编写代码，独立小模型 Haiku 负责验收，避免自我评分失真，确保约束力。
OpenAI Codex则采用“自动化流水线 + 目标驱动 + 多子 Agent"架构，支持最多 8 个 Agent 在云端沙箱并行工作。尽管实现路径不同，两者最终形态高度趋同。
实战数据印证了其效能：Boris Cherny 曾卸载 IDE，单月通过 Claude Code 提交 259 个 PR，无一行人工代码；明略科技已有超 2900 个 AI Agent 协同运作；Anthropic 内部超 80% 工程师已应用自改进循环。
三大驱动力拉开差距
相较于 2023 年 AutoGPT 的失败尝试，2026 年 Loop 的爆发源于三大底层驱动力的成熟：
1. 基础设施补齐，模型能力够用。工具调用标准化（MCP 协议）、长上下文稳定输出（百万 token）、以及“写查分离”的工程机制，让循环运行成为可能。
2. 人力成本成为瓶颈。传统 Prompting 依赖人类注意力与决策带宽，效率有限。Loop 将系统变为驱动主体，人类仅需进行一次高价值设计。
3. 竞争维度转向编排。模型本身差异缩小，真正的护城河在于上层的 Loop 编排能力，即从“操作机床”升级为“设计整条产线”。
挑战与边界：Loop 并非万能
尽管前景广阔，Loop 仍面临三重挑战：
成本控制。无上限的自由循环可能导致巨额账单。开发者需设定严格的调用次数与预算阈值。
评估难题。营销方案优劣、产品方向对错等主观判断，算法难以完全替代。明略科技引入“品鉴者”角色，在关键节点进行人工方向性把控。
边界控制。必须在 Loop 中植入说“不”的机制（如测试、类型检查），否则系统将沦为低效的重复劳动机器。
结语
Prompt 并未消失，而是从手动输入转入 Loop 内部复用。工程师的角色从“逐句敲击”后退至“设计循环”，手中的杠杆却呈几何级放大。从写代码到写 Prompt，再到写 Loop，这是 AI 工程化的必然跃迁。
网络援引：
凤凰网：《老黄：Prompt 已死，整个 AI 圈都在疯狂追 Loop》
新智元：《Claude Code 之父删了 IDE，干掉提示词，只写循环》
钛媒体：《Prompt 已死，Loop Engineering 成了硅谷 AI 圈新顶流》
澎湃：《黄仁勋：Prompt 正在过时，Loop 才是新范式》