你怎么看loop engineering

提问

AI根据立正公开的文章和视频整理,不是他本人回复

立正认为 Loop Engineering 值得了解,但对实际工作来说,它的有用部分已经融进三步:用 agentic 工具、写好功能型 skill、管好 context。

Loop Engineering 是了解项,不是入门主线

材料里的观点

立正在讲普通人成为 AI 高手的三步时,专门把 Harness Engineering 和 Loop Engineering 拿出来当“错误选项”的对照:这两样需要了解,但真正对工作有用的步骤已经包含在那三步里了。三步分别是停止把 AI 当聊天工具、改用 Codex 这类 agentic 工具;写好一个功能向而非风格向的 skill;管理好自己的 context⁠1。这个排序的意思是,先建立“让 AI 在真实任务里持续跑起来”的基本功,再去看围绕 agent 循环搭脚手架、做编排这类更外围的工程话题,否则容易在还没跑通基本流程时就去追框架名词。

循环能不能收口,取决于人有没有判断力

这套三步之所以能覆盖 loop 类工程,是因为它们指向同一个能力:让 AI 产出之后有人能判断好坏、给反馈、把事情收口。Ethan 在访谈里说,AI 能做八九成工作,最后那一点仍要人 close loop,而只有专家才 close 得了,因为非专家分不清两个答案哪个更好、错在哪里⁠2。立正在同一篇里补充,全栈不只是技术全栈,能写前端又懂设计、文案和转化的人价值更高⁠2。放到 loop engineering 上:循环本身是机器在转,但每一圈的验收标准、什么算跑偏、什么时候该停,仍然来自人的领域判断。没有这个判断,循环只会更快地放大盲区。

现有片段只在一期视频开头提到 Loop Engineering,没有展开它具体包含哪些做法,也没有立正对它的系统评价。

回到2份原文

context 管理具体指什么?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

Context 管理是给 AI 准备并组织它完成任务所需的背景信息:分清哪些长期保留、哪些按任务加载、哪些要定期提炼,让 AI 每次拿到不多不少、恰好够用的材料。

Context 管理是组织信息,不是写更好的提示词

材料里的观点

立正把上下文管理列为 RAG 这类概念背后的第一个“动词”,与切分、判断、评估、诊断、编排并列;他强调高手关心的是任务需要什么样的上下文结构,而不是哪个模型最强或提示词怎么写⁠1。所以它管的是“AI 动手前手里有什么”:任务相关的资料、项目积累的经验、团队长期的标准,按需要被找到并送进 AI 的工作窗口。

分三层记忆,按需加载,定期提炼

材料里的观点

具体做法上,立正把 context 分成工作记忆(当前任务直接需要的)、项目记忆(这个项目积累的经验和决策)、组织记忆(跨项目的长期知识),并规定什么保留原始形态、什么提炼成精华、什么定期清理⁠2。加载上不能一股脑全塞进去撑爆窗口,也不能什么都不给让 AI 成空壳,而要建索引、做分类、设计加载策略,让 AI 执行任务时自动找到需要的那部分⁠2。原始会议纪要、讨论、文档是 raw context,可以定期提炼出有效经验、踩过的坑和判断标准,沉淀成高质量 insight⁠2。团队的设计规范、代码质量要求、审核清单也可以写成 AI 能理解的规则注入工作流,让 AI 自动拿这些规则做检查⁠2。

个人也能做,关键是让经验可复用

AI推演

对个人来说,立正的建议是设计自己的知识组织方式:哪些长期不变(写作风格、价值判断原则),哪些按项目加载(客户背景、具体需求),哪些需要定期更新(行业动态、AI 能力边界);不需要复杂系统,但需要一个结构⁠3。他举的例子是反复做的任务类型各配一个经过验证的模板或 skill,从已包含自己偏好和标准的起点开始,而不是每次从空白对话重来⁠3。判断自己是否在做 context 管理,可以看一件事:上个月摸索出的方法,这个月再用时还需不需要从头调。

三层架构和工具链来自面向团队的服务介绍,个人场景的对应做法见个人上下文架构那篇,两者颗粒度不同。

回到3份原文