针对复杂任务,通过 /goal 命令设定机器可验证的硬指标(如"Lighthouse 评分超 90 分”)及最大重试次数。AI 将在后台自主尝试、测试与修正,直至达标或触达上限。此举将模糊的审美判断转化为确定性数字,消除 AI 对“何为优质”的猜测成本。
定时制循环:杂活自动化
通过 /loop 指令设定时间间隔(如每 5 分钟),将代码审查、回复评论、修复 CI 等重复性工作转化为后台守护进程。在内容与办公场景中,亦可用于定时汇总行业新闻、整理会议纪要或生成学习复盘,将繁琐事务交由 AI 预处理。
主动循环:事件驱动的自主工作流
此为最高级形态,结合动态工作流与自动模式。典型场景包括系统每小时自动巡检 Bug 反馈区并处理完毕。在修 Bug 环节,系统可开启多个隔离工作区,让不同 AI 提供多套解决方案,并由“裁判 AI"进行对抗性审查后择优合并,实现低成本赛马机制。为防止自动化失控,建议引入独立验证者进行代码审查;对确定性任务使用脚本代替模型推理以节省 Token;并在大规模运行前进行小范围测试与预算监控。
循环工程的基础设施
生产级循环系统依赖五大基础组件:自动化机制:负责任务触发,支持定时任务、Hooks 或事件监听。Worktrees:为多 Agent 提供隔离工作区,避免进度污染与合并冲突。Skills:以 SKILL.md 等形式固化项目经验与避坑指南,将人类经验转化为 AI 肌肉记忆。插件与连接器:通过 MCP 等协议接入工单、数据库、CI 及通讯工具,使 AI 从助手升级为执行者。子 Agent:实现制衡机制,由独立智能体负责审查,确保判断客观性。Andrew Ng 将软件开发分为左环(Agent 执行)、中环(工程师架构)与右环(用户反馈)。越靠近左环越适合自动化,越靠近右环越需人类判断。循环工程本质是搭建一条 AI 生产线,机器负责高频执行,人类定义节奏与边界。
从执行者到管理者:Loop 的普适价值
Anthropic 已将 Claude Code 接入 PR 处理流程,夜间自动执行审查与维护任务,内部人均代码交付量提升约 70%。然而,深度自动化也带来“理解负债”、架构变形、Token 成本失控及安全权限风险等挑战。循环工程不仅属于程序员。ChatPRD 创始人 Claire Vo 指出,这实则是设计“岗位”的过程。无论是客服、产品助理还是运营,均可被编排进持续运转的组织结构中。AI 取代的是单纯的“执行”工作。未来,懂得设计目标、管理权限、把控大局的管理型人才将变得不可或缺。人类的真正价值,在于判断与决策。
【声明】内容源于网络
0
0
APPSO
AI第一新媒体,「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al
内容 15571
粉丝 0
APPSO
AI第一新媒体,「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al