本次研讨会由 canonical 分享，主题是 Loop Engineering 在中型 ERP 产品全自动开发中的具体实践方案。分享者基于自研的 Noob 平台，采用 Attractor Guided Engineering（吸引子引导工程，简称 AGE）工作流，7x24 小时连续运行 28 天，实现了一个对标 Odoo、OFBiz 的中型 ERP 产品的全自动开发，覆盖 18 个业务域、154 个模块、300 多张表。
整个过程从需求调研、设计、代码实现到端到端测试，全部由 AI 完成。28 天的运行中仅出现 28 次人工干预，且其中 90% 属于可编码的通用类型，真正需要人做战略性判断的不到 10%。分享者还提出了 Attractor（吸引子）概念，认为仅仅依靠 Harness 的边界和护栏来约束 AI 是不充分的，需要在问题空间和解空间中建立收敛地形，让 AI 自主运行时自然趋向正确方向。
01 Attractor 引导：为什么 Harness 不够
分享者提出了一个核心观点：Harness 是把问题硬掰回来的，而 Attractor 是让系统自然收敛的。
现在 Harness Engineering 已经很流行，但它本质上是在边界上做约束，用护栏把 AI 拉回来。分享者用了一个很形象的比喻：牛顿认为天体绕太阳转是因为受力，而爱因斯坦的解释是时空本身就是弯曲的——天体并没有受到力，它只是沿着弯曲的时空自然运动。
Attractor 的思路类似，不是用强制力约束 AI，而是在问题空间和解空间中建立一个类似收敛地形的东西，让 AI 在里面自主运行时，自然而然地趋向正确的结构。随心所欲而不逾矩，这才是自主系统的理想状态。
02 28天28次干预：90% 可以被 AI 替代
在整个 28 天的自动化运行中，分享者记录了 28 次明显的人工干预。但深入分析后发现，这些干预中 90% 以上属于通用的、可编码的知识类型，只有 10% 左右涉及方向性、战略性的判断。
也就是说，真正需要人去干预的，可能只有 28 次中的 2-3 次。 分享者在干预时甚至不需要明确告诉 AI 要做什么，只需要问它"这些东西是不是一致的"，AI 就能自己推导出结论并继续执行。
这个数据说明，在满足条件的场景下，AI 全自动开发的 Human on Loop 模式是完全可行的，人的角色从执行者变成了偶尔回答问题的监督者。
03 产品级全自动开发：不是脚手架，是真正的 ERP
这次实践开发的不是针对某个特定需求的脚手架工程，也不是用完即弃的临时软件，而是一个达到产品质量标准的 ERP 产品。
它支持多租户、多组织部署，支持通过元数据定制而不修改源码，覆盖了 CRM、Finance 等 18 个业务域，代码质量和设计水平都达到了可超越业内主流开源软件的程度。全自动开发出来的软件，不应该是低质量的 Demo，而应该是可以长期维护的产品。
分享者特别强调，这个 ERP 基于 Noob 平台开发，平台内置的元数据驱动机制是实现产品化定制的关键基础。
04 不依赖最强模型：国产模型也能跑
一个值得注意的细节是，这个实践并不依赖于最强大的模型。 分享者使用的是 GM5.1 到 5.2 级别的模型，属于国产模型的智能水平，少量使用 Flash 模型辅助。
这意味着 Attractor 引导的方案在中等智能水平的模型上就能实施，不需要 GPT-4 级别的模型能力。分享者也提到，有人建议不要用最强模型编程，因为最强模型写的代码，用最强模型也可能修不了——系统状态反而更脆弱。
05 研发过程即文档：AI 自主运行的信息完备性
分享者在系统中维护了一个 logs 目录，完整记录了 28 天的研发过程，包括 AI 在什么地方做了什么关键决策、人在什么地方做了什么干预。
AI 自主运行的前提是信息完备：仓库里的文档和代码是唯一的信息真相源。 任何时间点打开一个新的对话窗口，AI 都能基于这些信息得到一致的结论。
分享者对比了其他所谓的 AI 自主开发项目——代码提交到 Git 后，另一个人 checkout 出来，如果没有原来的 Cloud 环境和 Codex 环境，根本不知道研发过程发生了什么。而 AGE 工作流强调的就是把研发过程作为仓库的一部分，让信息可追溯、可移交。