廣東
讀前提醒：5000字長文，但我敢保證你讀完會對 Agent 的理解和應用上升一個巨大臺階。
又一個新概念刷爆外網(國內也開始傳播了)，這次是由 OpenClaw 創始人和 Claude Code 之父引發。
兩個人的論調幾乎一樣：不要寫提示詞了，構建 Loop。
這次的概念雖然也叫 Engineering，但不是AI產品開發、設計相關的。
這是一個高效、正確的使用 Agent 的使用和思維方式，
所以它和所有人有關。
一句話介紹 Loop Engineering：它是圍繞一個長期任務設計的一套 Agent 之外的循環系統，讓你的 Agent 能夠穩定的被觸發、干活、交付、蟄伏、干活……
這篇文章，我們以一個真實的場景需求為起點，使用 Loop Engineering 思維把它全面交給 Agent 自動、高質量的長期執行。
如果你正在找工作，會非常喜歡這個場景。
開始介紹之前，先說重要的事情：AI產品經理轉型實訓營——線下大課即將開營！
深圳-北京-上海三城各 2 天，高強度快速建立轉型 AI 產品經理必備的知識體系，掌握真正能實踐的能力。
詳細介紹閱讀：
相關但不相關的概念
Loop和Engineering兩個詞讓人不得不想到Agent Loop、Prompt Engineering、Context Engineering以及Harness Engineering。
但是這個新的概念跟他們完全不在一個維度，后面那些都是在要設計、開發一個 Agent 產品時才會用到。
所以你不懂那些概念，完全不影響你搞明白 Loop Engineering，成為高端 AI 玩家。
Loop Engineering 需要的是任務流程抽象能力，也就是把一個重復做的事情固定下來、自動執行。
這是產品經理的基本功，很簡單。
暫時還沒有也沒關系，看完本文你就能掌握了。
Loop Engineering 第一步
在開始講場景案例之前，我們需要先搞清一個邊界：什么樣的任務值得使用 Loop Engineering？
不是所有讓 Agent 干的活都需要 Loop Engineering。
適合做 Loop 的任務通常有以下特征：
? 輸入會持續變化
? 任務不是一次性完成，而是長期跟蹤
? 用戶反饋會影響后續策略
? 多次執行之間需要共享狀態
? 需要定時、事件或外部系統觸發
? 需要審計、恢復、降級或停止規則
比如，“幫我找 10 個上海的 AI 產品經理崗位”這種任務，Agent 干一次就完事了，最多是你給它你的簡歷作為上下文。
這是找工作過程中的一次查詢，雖然這事每天可能都要做一次，但是因為你在這個循環里作為驗收交付的一環，真循環的話成本很高。
并且真正找工作的時候，也不是簡單的每天執行一次“找 10 個崗位”，而是：
? 今天沒有合適崗位，明天可能有
? 今天找到了合適的崗位，可能 2 天后才有時間仔細看
? 研究了備選崗位，之后的精力是生成投遞方案而不是繼續刷崗位
? “已投”的崗位，要從下次的搜索結果中剔除
? 或者連續幾天的交付結果都不感興趣，要調整篩選規則
? 甚至求職方向從“AI 產品”漂移到“AI 運營”，每天的搜索詞要跟著變化
實際上，沒有一個人不希望 Agent 能自動實現以上需求，不需要我們一遍一遍的發提示詞。
這就是 Peter 說的“You should be designing loops that prompt your agents.”
我使用 Loop Engineering 思維把這個問題真實解決了。
Job Hunt Loop
一個長期運行的「求職崗位發現 Agent 套件」
提供城市、崗位方向、篩選條件和簡歷，系統持續監控新 JD
發現可投崗位后生成投遞報告
你有空的時候在報告里勾選、評論或沉默，系統根據反饋繼續學習和調整
這個套件包含以下 8 個模塊，把它們搞明白，你就真正掌握 Loop Engineering 的奧義了：
1. 模塊 1：觸發器 —— 解決 Agent 不能主動作業問題，通過外部循環控制器激活它
2. 模塊 2：任務隊列 —— 解決 Agent 在長期任務中必須知道“我見過什么、現在處理什么”的問題
3. 模塊 3：上下文組裝 —— 讓 Agent 被喚醒時，立刻知道自己是誰、該做什么
4. 模塊 4：執行器 —— 不要把所有事情都交給 Agent，腳本的可靠性 > LLM
5. 模塊 5：交付載體 —— 使用飛書文檔作為交付和反饋收集的載體，事件訂閱很好用
6. 模塊 6：反饋學習 —— 讓每一輪結果都能影響下一輪
7. 模塊 7：停止和降級 —— 長期循環不是無限循環
基于這些模塊，Job Hunt Loop可以實現：
1. 提供你的簡歷、意向崗位名、城市、薪資福利要求，啟動任務循環
2. Agent 每天定時激活在 Boss 直聘或獵聘搜集崗位，整理到本地
3. 根據你的求職需求生成崗位投遞規劃，創建飛書文檔發給你
4. 一旦你在飛書文檔里標記反饋，Agent 會收到推送根據你的反饋執行對應行動
5. 比如評論“已投遞”，Agent 會把崗位遷移到投遞看板，幫你準備面試資料
6. 如果你 48 小時 / 72 小時沒反饋，Agent 會迭代篩選規則，降低相似崗位推薦
7. 每周會為你生成求職周報，跟你同步它干了啥、你干了啥
推薦崗位為模擬數據每一輪作業過程產生的數據和交付，都會在本地備份存檔
項目源代碼已開源到 GitHub，地址在文末。
下面是這個 Loop 的設計思路。
讓 Agent“主動”干活
很多人使用 Agent 產品時，會不自覺地把 Agent 想象成一個 24 小時在線的員工。
但在真實系統里，Agent 其實都是被動響應式的：只有收到明確觸發事件，它才開始工作。
所以 Job Hunter 的第一層不是 Agent，而是觸發器。
觸發器負責回答一個問題：
什么情況下，系統應該喚醒 Agent？
在求職場景里，觸發來源至少有三類：
對應到項目里，我們需要設計一系列外部控制器：
這一步是 Loop Engineering 的第一層認知：
不要把 Agent 當常駐服務，而要把 Agent 當成被外部循環控制器喚醒的執行器。
Agent 負責推理，觸發器負責讓任務持續發生。
任務隊列管理
第二個約束：招聘平臺每次返回的崗位會重復。
如果系統每 4 小時搜一次崗位，但沒有去重和隊列，就會出現兩個問題：
? 同一個崗位反復推薦給用戶
? Agent 不知道哪些崗位已經生成過報告
所以 Job Hunter Loop 需要一個輕量任務隊列。
比如我們可以在項目空間里用了下面的文件來記錄歷史崗位：
我使用了開源項目 boss-agent-cli 在招聘網站搜集意向崗位信息（部分網站有反扒風險）。
招聘 CLI 搜索完成后，會產出結構化崗位數據，典型字段包括：
{
"security_id":"job_xxx",
"title":"企業 AI 應用顧問",
"company_name":"某科技公司",
"salary_desc":"35-50K",
"city_name":"上海",
"job_desc":"負責企業 AI 轉型方案、RAG 知識庫、Agent 工作流落地..."
}
基于這些數據，可以通過腳本自動做下面這四件事：
1. 讀取本輪 CLI 搜索結果
2. 和
seen.jsonl對比3. 只把新增崗位寫入
queue.jsonl4. 生成一個批次 ID，供后續報告、反饋、審計關聯
這一步看起來很普通，但它是長期循環系統的地基。
因為系統每次醒來都要能回答三個問題：
? 我見過什么？
? 我現在要處理什么？
? 哪些任務已經交付，哪些還在等用戶反饋？
沒有隊列，Agent 只能靠對話上下文維持狀態；上下文一斷，任務就斷。
記憶組裝
第三個約束：長期任務一定會跨 session。
今天被喚醒的是一個 Agent session，明天可能是另一個。模型不會天然知道：
? 這個項目是干嘛的
? 當前用戶的篩選條件是什么
? 哪些崗位已經處理過
? 上次用戶反饋了什么
? 哪些動作不能做
所以每次喚醒 Agent 時，都要組裝一份穩定上下文。
Job Hunter 把上下文拆成幾個層級：
這里最重要的是AGENT.md。
它不是給人看的 README，而是給每次被喚醒的 Agent 看的“同頻文檔”。它告訴 Agent：
? 你是一個求職崗位發現系統的執行器
? 你不能自動投遞、不能自動打招呼
? 你要讀取隊列、偏好、簡歷和審計日志
? 用戶反饋會通過飛書文檔和消息進入系統
? 狀態變化后要更新看板和審計
這就是 Loop Engineering 和普通“記憶功能”的區別。
普通記憶是“模型記住用戶偏好”。
工程化記憶是“任何一次執行，都能從穩定文件恢復上下文”。
另外，不能假設每次被喚醒的 Agent 都會用同樣的方法處理任務。
如果沒有明確 SOP，今天的 Agent 可能按薪資排序，明天的 Agent 可能按公司名排序，后天的 Agent 可能忘了讀取簡歷。
因為不是每次會話都涉及到全部的任務規范，可以把關鍵作業規范做成標準 Skill，按需加載：
Loop Engineering 不是每次讓 Agent “憑感覺再做一遍”，而是把專業方法、交付規范和反饋規則顯式化。
執行器與工具
不要把所有事情都交給 Agent。
設計給 Agent 的任務時要區分：
Loop Engineering 不是“凡事都讓 Agent 做”，而是把 Agent 放在最該發揮判斷力的位置。
在 Job Hunter 里，除了規則迭代以外，其他所有工作都是先通過腳本對數據進行預處理和加工，然后把凝練的信息發給 Agent 做潤色后再輸出報告。
交付物
第五個約束：用戶不應該被迫回到聊天框里配合系統運轉。
求職報告發出去以后，用戶真正的消費場景是在文檔里：
? 看崗位
? 比較匹配度
? 勾選感興趣的崗位
? 評論“薪資低”“已投”“這個方向可以多找”
所以 Job Hunter 沒有把飛書文檔當成靜態報告，而是把它設計成反饋界面。
投遞報告里，每個崗位前面都有 checkbox：
- [ ] 1. 企業 AI 應用顧問 @ 某科技公司 | 35-50K | 匹配度 9.2/10
- [ ] 2. AIGC 產品運營專家 @ 某云服務公司 | 28-42K | 匹配度 8.1/10
- [ ] 3. AI 培訓解決方案負責人 @ 某企業學習平臺 | 30-45K | 匹配度 8.8/10
用戶勾選，就是強正反饋。
用戶評論“已投”，就是崗位狀態變化。
用戶 48 小時沒動，是弱負反饋。
用戶 72 小時沒動，系統自動歸檔。
這一步的核心不是“飛書文檔很好用”，而是：
用戶雖然在循環外，但用戶的消費行為必須被設計成循環的輸入。
這也是 Loop Engineering 很重要的一層。人不用一直盯著 Agent，但人的判斷要能被系統捕捉。
第六個約束：長期系統不能是黑盒。
用戶不知道它有沒有跑，開發者不知道它跑到哪一步，Agent 下次醒來也不知道上次做了什么。
所以每輪循環都要留下交付物。
Job Hunter 的一輪完整交付會產生這些文件：
workspace/
├── queue.jsonl
├── seen.jsonl
├── preferences.json
├── market-intel.json
├── kanban.csv
├── audit.jsonl
└── reports/
├── batch_xxx-delivery-report.md
└── weekly-YYYY-WW.md
這些文件各自承擔不同的“可觀察性”職責：
其中飛書文檔是用戶層交付，本地工作區是系統層交付。
用戶可以截圖報告和周報。
開發者可以檢查隊列、審計和看板。
Agent 下一次被喚醒時，可以讀取這些文件恢復上下文。
這就是長期循環任務的可觀察性。
反饋學習
第七個約束：如果系統每輪只是重復搜索，那它只是定時任務。
Loop Engineering 要求每輪結果能影響下一輪。
在 Job Hunter 里，反饋會進入preferences.json：
下一輪評分時，系統就不會只看關鍵詞，而會更理解用戶的真實方向：
? 更偏 AI 應用落地，而不是底層模型訓練
? 更偏企業培訓和 ToB 解決方案，而不是純研發
? 更偏 RAG / Agent / 知識管理，而不是 CUDA / K8s / 分布式訓練
這樣循環就不只是重復了，而是在持續生長。
停止/降級
第八個約束：長期循環不能無限等，也不能無限跑。
它必須知道什么時候繼續、什么時候沉默、什么時候降級、什么時候停止。
Job Hunter 里有幾條基本規則：
這一步很容易被忽略。
很多人理解 Agent Loop 時，會誤以為“越自動越好”。
實際不是。
可靠的循環系統，一定要有停止條件、降級策略和人工介入點。
Loop Engineering 不是無限循環工程，而是可控循環工程。
總結
回到概念：Loop Engineering 到底是什么
把 Job Hunter 拆完以后，再看 Loop Engineering，就會清楚很多。
它不是一個單獨的 prompt 技巧。
它也不是“Agent 自己循環調用工具”。
而是圍繞一個長期目標搭建的外部任務循環系統：
更準確地說，Loop Engineering 是：
圍繞一個長期任務，設計一套能持續感知輸入、保存狀態、喚醒 Agent、組裝上下文、執行動作、觀察反饋、更新記憶、驗證結果并決定下一步的工程系統。
普通 Agent Loop 解決的是：
模型這一步該調用什么工具？
Loop Engineering 解決的是：
這個任務系統如何長期穩定地跑？
AI產品轉型線下課
用 2 天高密度學習，把原來需要數周甚至數月要學習的內容快速搞定。
你將收獲：
1. 所有 AI 產品化應用的技術概念，全搞清楚并且會用
2. 至少一個完整可演示的作品級 AI 產品 Demo
3. 知識概念、技能、認知對齊到當前最前沿的 AI 產品落地和招聘要求(Agent、Skills、Harness)
價格，時間，人數限制:
城市
時間
深圳
6 月 27 日 - 6 月 28 日
7 月 4 日 - 7 月 5 日
7 月 11 日 - 7 月 12 日
課程原價：3999 元，首期早鳥價：2999 元
小班教學，深度實踐+指導，每期定量招生。
Job-Hunter 開源地址：https://github.com/comeonzhj/job-hunter
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
