老黄：Prompt已死，整个AI圈都在疯狂追Loop

新智元报道 【新智元导读】 这些天，硅谷最热的词，就是Loop！老黄、Karpathy、吴恩达、Anthropic工程师、龙虾之父都在纷纷告诉你，Prompt已死，必将被Loop取代。 最近，硅谷最火的是哪个词？ Loop。 一打开X，全网铺天盖地都在讲Loop Engineering。 硅谷一众大佬，都在纷纷放弃提示词，转向自主循环！ 黄仁勋给我们划出下一阶段的新重点（也是烧token的新方法）： Nobody writes prompts anymore. The new job is to write and handle loops. （没人再写提示词了，新工作是写Loop，搞Loop。） 最近，Anthropic工程师透露： Anthropic内部80%以上工程师已在使用自改进循环（self-improving loops），3-6 个月将达 100%。 吴恩达断言：3到6个月后，prompt将消亡！Loop取代prompt，已成定局。 Karpathy此前在讲解自己的AutoResearch项目时，就讨论AI agents 闭环（generation → execution → evaluation → improve），呼吁要把人类从loop中部分移除。 Karpathy在3月在访谈里，专门深入谈了 AutoResearch / Karpathy Loop OpenClaw之父Peter Steinberger直言：每月一提醒，别再手写提示词了，设计循环才是王道。 Claude Code之父Boris Cherny直接豪言：Loop循环就是未来！ 两年前，我们还在手动写代码。后来开始过渡到让智能体来写代码。 而现在，我们正迈向这样一个阶段：由智能体来提示其他智能体，再由后者生成代码。 从源代码到智能体这一步虽然很大，但引入循环机制的意义和影响，丝毫不亚于前一步。 没想到，提示工程火了两年，顶流AI工程师已经不玩了。 为什么硅谷大佬，都纷纷看好Loop？ 传统 prompting 的本质是：人类就是loop本身。 你写prompt → Agent输出 → 你review → 你再写下一个prompt → 循环往复。 每一步都依赖人类注意力、上下文记忆和决策带宽。一个人一天能有效驱动的token量和任务复杂度是有限的。 Loop Engineering的本质是：系统自己成为loop。 因此，循环工程比提示词工程更重要。 人类只做一次高价值设计： 1、定义目标与停止条件 2、搭建验证机制（最关键） 3、建立持久化记忆（markdown / 外部状态） 4、 配置发现与调度 之后， AI循环系统可以自主发现任务 → 执行 → 验证 → 持久化 → 再次发现，24/7 运行，人类只在必要时介入。 这就是硅谷大佬，都纷纷看好Loop的原因。 他们是基于这个判断：一旦loop成熟，手动提示词的性价比会直接崩盘！ Loop Engineering 11页白皮书，全网疯转 所以，循环过程到底是什么？ 最近几天，X上开始疯转这样一份关于Loop Engineering的白皮书。 https://drive.google.com/file/d/1qzKI4DKnyHRpXK1J3ATPqwaqLc0iNu-M/view 这个11页PDF，本质上是一份流行总结/现场指南，汇集了相关公开讨论和实践经验。 其中的核心想法，源于 Peter Steinberger、Boris Cherny和Addy Osmani的公开表述。 什么是循环工程？ Loop Engineering（循环工程） ，由 Google Chrome 工程师 Addy Osmani 在 2026 年 6 月命名。 它是提示词工程、上下文工程、工具链工程之上的第四层：前三层都假设你坐在键盘前逐行指挥 AI；Loop Engineering 要把你从这个位置上移走，彻底将你从干活的位置上解放出来。 从此，你不再是驱动AI的引擎，而是设计这台引擎的架构师。 系统将在设定好的时间自动唤醒、衍生子智能体进行工作，并将输出结果反馈给自身作为下一轮的输入。 文章将一个完整的Loop拆解为五个关键动作 ： 发现 ：AI利用固化的技能库自己去寻找有价值的工作，比如读取最新的CI失败记录或未解决的Issue。 交接 ：为每个任务开启独立的沙盒，让多个智能体并行且互不干扰 。 验证 ：这是最核心的一步。让写代码的AI给自己打分，它只会盲目自我赞美。因此，必须引入一个完全独立的、默认持怀疑态度的「评估者」智能体来挑错。 持久化 ：AI的记忆不能只停留在随时会被清空的上下文窗口中，必须将其状态和进度固化到磁盘上，以便第二天能接着干。 调度 ：通过自动化脚本让系统周期性地自主运转，闭合整个循环。 其中，最难、也最容易被偷懒跳过的是验证。 让 AI 自己给自己打分，它几乎总会夸自己，因为它脑子里装着自我说服链条。而解法，就是引入一个独立的评估 Agent，默认假设代码是坏的。 然而，系统全自动运行并不意味着你可以高枕无忧。作者警告：当循环在深夜狂奔时，可能会悄悄积累四大隐性成本。 验证债务：未经验证的细微错误被悄悄合并入库。 理解腐化：AI写代码太快，导致人类对代码库的理解严重脱节。 认知投降：人类懒得再审查，全盘接受AI的结果。 Token失控：AI在死循环中彻夜重试，烧光预算。 同一个Loop，两个人来建，可能会得出截然相反的结果。带进去判断力，就放大判断力；带进去懒惰，就放大懒惰。 总之， 这篇报告揭示了一个深刻的行业变化：循环工程让代码的生成几乎免费，而人类的判断力，则成了唯一的稀缺资源！ 另外，同时全网疯转的还有Codez发出的一份14步的实操手册，目前已经有百万转发。 文章大意如下：Prompt已经过时了，杠杆点已经上移了一层——从「写给AI看的话」，变成「设计一套自动喂给AI的系统」。 这个转变可以拆成14步、3个阶段—— 先判断你是否真的需要一个循环（任务是否重复？验证是否可以自动化？预算能否承受？），再学会五个构件（调度、隔离工作目录、技能文件、外部连接器、独立评估子 Agent），最后搭出最小可用的循环。 其中最关键的一点是：让写代码的 Agent 和审代码的 Agent 分开。同一个模型既当运动员又当裁判，结果永远是给自己打满分。 没有客观验证门控的循环只是「两个乐观主义者互相点头」，跑得越好的循环，越容易让工程师停止真正理解代码。 Loop Engineering诞生时间线 如果要给循环工程理一条时间线，大致如下。 前期基础阶段 2022 年：姚顺雨等人提出ReAct框架，奠定理论基石。 2025 年：Geoffrey Huntley 提出 「Ralph」 。 2025–2026 年初：Andrej Karpathy 发布 AutoResearch 项目，形成经典的自主实验循环，这是一大里程碑。 概念爆发与命名阶段 2026 年 6 月初，Peter Steinberger发声：你不应该再手动提示编码智能体，而应该设计提示它们的循环。 Boris Cherny表示：我不再直接提示 Claude，我的工作是编写运行 Claude 的循环。