-
Loop engineering：把 agent 放进工程循环
本文探讨了“Loop engineering”这一理念，即工程师不再逐轮提示agent，而是设计包含读取状态、判断任务、执行操作、验证结果、记录状态和判断停止条件的自动化循环系统。文章详细拆解了支撑该系统的六大组件：负责唤醒的自动化机制、隔离并行的worktrees、沉淀项目知识的skills、接入外部工具的插件、分离读写职责的子agent以及确保状态持久化的记忆层。作者强调，loop engin…- 2.1k
- 0
-
别再只卷Prompt 了，真正拉开Agent差距的是Context Engineering
如何写出让模型“最听话”的提示词？这就是 Prompt Engineering 的核心问题。它催生了 Zero-shot、Few-shot、Chain-of-Thought 等大量技术，这些方法有一个共同点：它们都在优化“单次 LLM 调用”——写好一条输入，获得一条更好的输出。这在单轮任务里非常有效，但“单轮”是它的硬边界。 1. 引言：从 Prompt Engineering → ReAct …- 1.4k
- 0
-
零基础也能看懂的 Loop Engineering
前言 假设一个场景： 小朋友做完作业，说了一声“写完了”，老师检查后发现：有一道题算错了，还有一道漏了单位。于是，小朋友根据批注订正，再检查一次，直到符合要求，或者遇到需要老师帮助的问题。 这里有一条很重要的线索：上一次的结果，决定了下一次要做什么。 Agent 完成复杂任务，也需要这样的过程。它不仅要能执行指令，还要能看见结果、对照目标、记住进度，并判断什么时候继续、什么时候停。 Loop En…- 1.4k
- 0
-
从 Loop 到 Graph Engineering 的演进思考与实战
文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。 背景：之前，我写了一篇关于 Loop Engineering 的文章《Loop Engineering概念解析、思考与实践》，专门介绍了如何使用 Loop 的方式来构建那些可以自我验证、能自动循环执行的 Agent。今年7月，AI 界又双叒叕出现了新的 Agent 范式概念，叫做 Graph Engineering，让我们一探…- 1.2k
- 0
-
场景营销互动&体验 AI Coding— AI Native 视觉还原的两个支点：上下文工程与循环工程
三个月前，我们介绍了 Tarot Pixel—— 一个不替 Agent 写代码，而是让 Coding Agent 自己看懂设计稿的系统。三个月后，一份混乱的设计稿让我们看到了更深层的问题，也催生了一种新的工程范式。这篇文章讲两件事：当上下文工程深入到"治理脏数据"，以及当上下文做到位了之后，为什么还需要循环工程（Loop Engineering）。（文章内容基于作者个人技术实践…- 1.1k
- 0