01 一个被忽视的巧合
2026年6月，一个叫"Loop Engineering"的概念在AI编程圈突然火了。
Anthropic的工程师说"我现在的工作就是写Loop"，Google的AI工程总监Addy Osmani系统整理了这个概念，OpenAI和Anthropic的最新产品都在往这个方向演进。
Loop Engineering架构：五大模块 + 记忆机制（来源：基于Addy Osmani的Loop Engineering概念）
所有人都在讨论：Loop是什么？怎么配置？怎么省钱？
但没人注意到一个更深层的问题：Loop的底层逻辑，跟钱学森1954年提出的工程控制论，几乎是完美对应的。
这不是巧合。这是"从理论到实践"和"从实践到理论"在同一个点上相遇了。
钱学森在70年前推导出的控制论原理，正在被2026年的AI工程师从实践中"重新发现"。
这篇文章不是Loop的入门教程（网上已经有很多了）。这篇文章要做的是：用控制论的框架，重新理解Loop Engineering。
02 钱学森工程控制论的五个核心原理
在讲Loop之前，先快速回顾钱学森工程控制论的核心思想。这五个原理，是理解后面所有内容的钥匙。
原理一：系统观
整体系统，要素关系及交互，非孤立部件。
一个系统不是零件的简单堆砌，而是零件之间关系的总和。改变一个零件，可能影响整个系统的行为。
原理二：反馈原理
输出回输输入，比较偏差调节。负反馈趋稳，正反馈偏离。
这是控制论的灵魂。系统的输出被送回输入端，与期望值比较，偏差驱动调节。负反馈让系统趋于稳定，正反馈让系统加速偏离。
原理三：动态平衡（稳定性）
扰动中调节回归期望状态。
系统不是静态的，它会在扰动中不断调节，最终回归期望状态。稳定性不是"不动"，而是"在动中保持平衡"。
原理四：最优控制
约束下寻找性能指标最优策略，设计即优化。
在给定约束条件下，找到让性能指标最优的控制策略。设计本身就是优化问题。
原理五：从工程到科学
实践反哺理论，经验抽象为原理。
工程实践中的经验，可以抽象为科学原理。理论指导实践，实践修正理论，循环往复。
方法论：还原与整体统一、定性定量结合、理论与实践循环。
适用范围：任何"感知 - 判断 - 调节 - 优化"的闭环系统。
03 Loop Engineering是什么？
Loop Engineering的核心定义：用你设计的系统替代你本人去提示Agent。
你不再是那个不断输入指令的人。你是那个设计循环结构的人。
具体来说，Loop由五个组件构成：
1. 自动化调度：让Loop自动触发、自动执行、自动停止
2. 工作树隔离：让多个Agent同时工作而不互相干扰
3. Skill：外部化的意图，让Agent有"记忆"
4. 连接器：让Agent能访问文件系统之外的资源
5. 子Agent：分离执行和验证，让系统能自我审查
加上一个记忆机制（状态文件），记录已做什么和下一步做什么。
现在，让我们用控制论的视角，重新审视这五个组件。
04 深度映射：控制论原理如何对应Loop设计
映射一：反馈原理 ↔ Loop的闭环迭代
这是最直接的对应。
Loop的核心是什么？是闭环。
Agent执行任务 → 验证Agent检查结果 → 如果没达到目标，继续迭代 → 如果达到了，停止。
这就是控制论里的"负反馈"：输出（代码质量）被反馈回输入端，与期望值（目标条件）比较，偏差驱动调节（下一轮迭代），直到误差归零（条件满足）。
对比一下：
关键区别在于：你不再手动调节，系统自己调节。
这就是为什么Loop比Prompt高级——它不是"更好的Prompt"，它是"Prompt的控制系统化"。
用控制论的术语说：
-
Prompt Engineering是开环控制（你输入，AI输出，结束） -
Loop Engineering是闭环控制（你定义目标，系统持续调节，直到收敛）
映射二：系统观 ↔ 五个组件相互依赖
钱学森强调：系统不是零件的简单堆砌，而是零件之间关系的总和。
Loop的五个组件也是相互依赖的，缺少任何一个，系统就无法自洽。
举个例子：
-
没有工作树隔离，多个Agent会互相干扰，自动化调度就变成了"自动制造混乱" -
没有Skill，每次运行都从零推导项目背景，自动化调度就变成了"自动重复错误" -
没有连接器，Agent只能看到文件系统，无法真正行动，Loop就变成了"自动建议器" -
没有子Agent，执行和验证是同一个人，系统就无法自我审查，闭环就变成了"自欺欺人的闭环"
这五个组件不是"模块"，它们是系统的要素。改变一个，会影响整个系统的行为。
这就是为什么"设计Loop"比"写Prompt"难——你不是在写一条指令，你是在设计一个系统。
映射三：动态平衡 ↔ /goal的收敛机制
钱学森说：稳定性不是"不动"，而是"在动中保持平衡"。
Loop里的/goal就是这个原理的完美体现。
/goal不是按频率循环，而是一直跑到条件为真才停。每一轮结束后，一个独立的小模型负责判断是否已完成。
这意味着：
-
系统在持续迭代（"动"） -
每轮都在检查是否达到目标（"比较偏差"） -
如果没达到，继续迭代（"调节"） -
如果达到了，停止（"回归期望状态"）
这就是动态平衡：系统在扰动（代码bug、测试失败）中不断调节，最终回归期望状态（所有测试通过）。
更妙的是，这个过程是自适应的。如果第一轮就通过了，系统只跑一轮；如果需要十轮，系统跑十轮。系统不需要你预设"跑多少次"，它自己知道什么时候该停。
这就是控制论里的"自适应控制"——系统根据反馈自动调整行为，直到达到目标。
映射四：最优控制 ↔ Skill固化约束
钱学森说：设计本身就是优化问题——在约束条件下，找到性能指标最优的策略。
Loop里的Skill就是这个原理的体现。
Skill是什么？是外部化的意图——项目约定、构建步骤、踩过的坑，写一次，每次运行都能读到。
从控制论的角度看，Skill就是约束条件。
它告诉Agent：
-
我们用什么架构（约束） -
不用什么架构（约束） -
构建步骤是什么（约束） -
曾经踩过什么坑（约束）
Agent在这些约束条件下，寻找最优解（写出最好的代码）。
没有Skill的Loop，Agent会用自己的推断填补你没说清楚的地方。它可能会选一个"技术上最优"但"项目上不可行"的方案。
有了Skill，Agent在约束内寻优，找到的是"项目上最优"的方案。
这就是控制论里的"约束优化"——不是找全局最优，而是在约束条件下找局部最优。
映射五：从工程到科学 ↔ Skill的复利增长
钱学森说：工程实践中的经验，可以抽象为科学原理。理论指导实践，实践修正理论，循环往复。
Loop里的Skill就是这个原理的体现——但它是自动化的。
每次Loop运行，Agent会遇到新的问题、踩到新的坑。这些经验被记录在Skill里（或者在状态文件里），下次运行时就能读到。
这就是"实践反哺理论"：
-
实践：Agent执行任务，遇到问题 -
抽象：把经验写进Skill -
理论：Skill成为下次运行的指导 -
循环：下次运行时，Skill指导Agent避开同样的坑
更妙的是，这个过程是复利增长的。
没有Skill的Loop，每轮都从零推导你的项目；有了Skill，它是在累积经验。
这跟人类学习的本质是一样的：你不需要每次都重新发明轮子，因为你把知识写在了书里、画在了图上、记在了笔记里。Skill就是AI的"书"和"笔记"。
05 记忆机制：被忽视的"状态空间"
控制论里有一个重要概念：状态空间。
系统的状态，是描述系统在某一时刻所有相关信息的集合。知道当前状态，才能决定下一步怎么调节。
Loop里的记忆机制（状态文件），就是系统的"状态空间"。
它是一个markdown文件，或一块Linear看板，记录已做什么和下一步做什么。
没有记忆的Loop，每次都是从零开始——它不知道上一轮做了什么、哪些尝试失败了、哪些方向值得继续。
有记忆的Loop，是在累积状态。它知道哪些路走不通，哪些路有希望，下一轮应该往哪个方向探索。
这就是控制论里的"状态反馈"——系统根据当前状态决定控制动作。
06 为什么这个映射重要？
你可能会问：知道Loop对应控制论，有什么用？
用处很大。
第一，它说明Loop不是"新发明"，而是控制论的自然延伸。
这意味着：控制论70年积累的理论、方法、工具，都可以用来指导Loop的设计。
你不需要从零开始摸索"怎么设计Loop"。控制论已经告诉你：
-
闭环比开环好（反馈原理） -
系统观比零件观好（系统观） -
动态平衡比静态稳定好（稳定性） -
约束优化比全局优化好（最优控制） -
经验抽象比重复试错好（从工程到科学）
第二，它提供了一个评估Loop设计质量的框架。
当你设计一个Loop时，可以用控制论的五个原理来检查：
1. 反馈原理：我的Loop是闭环还是开环？有没有验证机制？
2. 系统观：五个组件是否相互依赖？缺少任何一个会怎样？
3. 动态平衡：系统能在扰动中收敛吗？还是会在错误方向上加速？
4. 最优控制：Skill是否清晰定义了约束？Agent在约束内寻优吗？
5. 从工程到科学：经验是否在积累？还是每次都在重复试错？
第三，它揭示了Loop的真正风险。
控制论里有一个概念叫"正反馈失控"——如果反馈是正的（偏差越大，调节越强），系统会加速偏离，最终崩溃。
Loop也有这个风险。
如果验证子Agent太宽松（"差不多就行了"），执行子Agent会越做越差，但系统会认为"已经完成了"。这就是正反馈失控——偏差越来越大，但系统认为在收敛。
解决方案是：验证必须严格，独立于执行。这就是为什么子Agent的设计如此关键。
07 实践意义：用控制论思维设计更好的Loop
基于控制论的框架，我给你几个设计Loop的实操建议：
建议一：确保闭环，避免开环
如果你的Loop没有验证机制，它就不是Loop，它是"自动执行脚本"。
检查方法：你的Loop有没有独立的验证子Agent？验证标准是否清晰、可检验？
建议二：五个组件缺一不可
不要只关注"自动化调度"而忽略"Skill"或"子Agent"。五个组件是相互依赖的。
检查方法：如果去掉任何一个组件，系统还能正常工作吗？如果不能，说明你依赖它；如果去掉后系统"还能跑但质量下降"，说明你需要它。
建议三：Skill要清晰定义约束
Skill不是"项目介绍"，它是"约束条件"。
检查方法：你的Skill是否明确写了"我们用什么架构、不用什么架构"？是否写了"曾经踩过什么坑"？
建议四：记忆机制要可查询
状态文件不是"日志"，它是"状态空间"。它必须可查询、可更新。
检查方法：你的状态文件是否能快速回答"上一轮做了什么、哪些尝试失败了、下一轮应该往哪个方向探索"？
建议五：验证必须严格，独立于执行
这是避免"正反馈失控"的关键。
检查方法：验证子Agent是否独立于执行子Agent？验证标准是否客观、可检验？
08 最后
2026年的AI编程，正在经历一场静悄悄的革命。
这场革命不是"AI取代程序员"，而是"程序员的角色重新定义"。
从写代码的人，变成写Prompt的人。从写Prompt的人，变成设计Loop的人。
但Loop不是"新发明"。它是控制论在AI时代的自然延伸。
钱学森70年前推导出的原理——反馈、系统观、动态平衡、最优控制、从工程到科学——正在被2026年的AI工程师从实践中"重新发现"。
这不是巧合。这是理论与实践的循环。
理论指导实践，实践修正理论。控制论指导Loop设计，Loop设计反哺控制论。
这就是钱学森说的："从工程到科学，实践反哺理论，经验抽象为原理。"
所以，当你设计Loop时，不要只关注"怎么配置、怎么调优、怎么省钱"。
用控制论的思维，设计一个真正自洽的系统。
因为最终决定产出质量的，不是模型，不是工具，而是你——那个站在系统外面，设计整个循环结构的人。
参考：
- 钱学森《工程控制论》（1954）
- Addy Osmani对Loop Engineering的系统整理
- Lance Martin的Claude Fable 5实验
如果觉得有用，转发给你那个还在一句一句跟AI聊天的朋友。
李叔 — 一名 AI 技术实践者，专注于探索 LLM 与传统系统的深度集成，让 AI 真正为你干活。