Agent Loop 介绍
Agent Loop（智能体循环）是AI Agent的核心工作机制。它让大语言模型（LLM）从”只会聊天”变成”能干活”的关键——通过一个”观察->思考->行动->反馈”的循环，Agent 能够自主调用工具、获取信息、根据结果调整策略，持续迭代直到完成任务。
一句话理解：Agent Loop=把LLM的推理能力放进一个while循环里，让它可以反复思考和行动。
graph TD
%% 定义组件样式
classDef startEnd fill:#e1f5fe,stroke:#01579b,stroke-width:2px,rx:5,ry:5;
classDef process fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px;
classDef decision fill:#fff3e0,stroke:#ef6c00,stroke-width:2px,stroke-dasharray: 2 2;
classDef container fill:#fcfcfc,stroke:#bdbdbd,stroke-width:1px,stroke-dasharray: 5 5;
%% 流程区域
subgraph AgentLoop ["Agent Loop 核心循环"]
StartNode[用户输入任务]:::startEnd
%% 循环内过程
Observe[观察 - Observe]:::process
Think[思考 - Think/Reason]:::process
Act[行动 - Act/Tool Call]:::process
Feedback[反馈 - Feedback/Observe]:::process
Check{判断是否完成?}:::decision
EndNode[任务完成]:::startEnd
%% 配置连线
StartNode --> Observe
Observe --> Think --> Act --> Feedback --> Check
%% 反馈循环连线
Check --"否"--> Observe
Check --"是"--> EndNode
end
%% 设置容器样式
class AgentLoop container
Agent Loop 形式化定义如下：
# Agent Loop 的核心：一个 while 循环
while not termination_condition:
# ① 观察：获取当前环境状态
observation = environment.perceive()
# ② 思考：LLM 推理下一步该做什么
plan = llm.reason(observation, history=memory)
# ③ 行动：执行工具调用
result = tool_executor.run(plan)
# ④ 反馈：将结果存入记忆
memory.store(observation=observation, plan=plan, result=result)
# ⑤ 检查终止条件
if plan.is_final_answer() or max_steps_reached():
break
Loop Engineering 介绍
Loop Engineering（循环工程）是2026年由Google工程总监Addy Osmani系统化定义、Anthropic Claude Code负责人Boris Cherny和OpenAI的Peter Steinberger共同推动的新范式。它描述的是：不再亲手给AI写Prompt，而是设计一个系统（Loop），让这个系统自动调度 AI Agent 去发现任务、执行任务、验证结果，直到目标达成。
Loop Engineering 不是替代 Agent Loop，而是在其之上增加一层自动化的调度和控制。你仍然需要一个能干的 Agent（不管是手写的还是用 LangChain 封装的），Loop Engineering 教你怎么让它自动运转起来。如下图所示：
graph BT
%% 定义组件样式
classDef layer1 fill:#e3f2fd,stroke:#1565c0,stroke-width:2px,rx:5,ry:5;
classDef layer2 fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px,rx:5,ry:5;
classDef layer3 fill:#fff3e0,stroke:#ef6c00,stroke-width:2px,rx:5,ry:5;
%% 第一层：LLM API
subgraph L1 ["第一层: LLM API — 大模型调用层"]
Node1["init_chat_model(model).bind(tools).invoke(messages)<br/><br/><b>关注:</b> 模型选择、Token管理、参数设置、流式输出"]:::layer1
end
%% 第二层：Agent Loop
subgraph L2 ["第二层: Agent Loop — 智能体循环层"]
Node2["while not done: 观察 → LLM思考 → 调用工具 → 获取结果 → 再思考<br/><br/><b>关注:</b> 工具定义、推理策略、错误处理、上下文管理<br/>LangChain create_agent() / Claude Agent SDK"]:::layer2
end
%% 第三层：Loop Engineering
subgraph L3 ["第三层: Loop Engineering — 自动化调度层"]
Node3["每天早上9点扫描异常订单 → 派Agent诊断 → 验证修复 → 提PR<br/><br/><b>关注:</b> 触发条件、验证标准、退出条件、升级路径、循环状态<br/>不是在写 Agent，而是在设计一套'自动化运行系统'"]:::layer3
end
%% 连接关系
Node1 -- "推理和执行" --> Node2
Node2 -- "调度和控制" --> Node3
旧模式（Prompt Engineering）：
旧模式（Prompt Engineering）：
人 → 写 Prompt → LLM 回答 → 人读结果 → 不满意再写 Prompt → ...
问题举例：
1)每次都要人介入
2)复杂的多步骤任务需要人手动拆解
3)人无法 24 小时盯着
4)上下文窗口有限，长对话会"失忆"
新模式（Loop Engineering）：
人 → 设计 Loop（目标 + 触发条件 + 验证标准 + 退出条件）
└─ Loop 自动运行：
├─ 发现任务（触发条件满足）
├─ 调度 Agent 执行
├─ 自动验证结果
├─ 通过 → 记录并继续下一个
└─ 不通过 → 修正重试或升级给人类
Prompt Engineering与Loop Engineering一些角度的对比如下：
| 对比维度 | Prompt Engineering（提示词工程） | Loop Engineering（循环工程） |
|---|---|---|
| 工作方式 | 人写Prompt → Agent执行一次 → 人看结果再写 | 人设计Loop → Loop自动发现任务 → 调度 Agent → 验证 → 循环 |
| 人的角色 | 每轮都要手动交互，写prompt | 设定目标、约束和退出条件，然后放手 |
| Agent角色 | 一次性工具 | 持续运行的”数字员工” |
| 典型工具 | ChatGPT对话框、API 单次调用 | Claude Code /loop、/goal、Agent SDK |
附录：Loop Engineering原文：https://addyosmani.com/blog/loop-engineering/
Loop Engineering历史演进
一个新兴范式的诞生从来不是一夜之间的事。从 2022 年一篇开创性论文，到 2026 年三方大佬同步发声，Agent Loop 走向 Loop Engineering 走过了整整四年。下面逐年梳理这条演进脉络中的关键节点、关键人物和关键突破。
2022 年：ReAct 论文——理论地基
2022 年 10 月，普林斯顿大学与Google Research的联合团队在arXiv上提交了一篇注定改变行业走向的论文：《ReAct: Synergizing Reasoning and Acting in Language Models》。第一作者是当时在普林斯顿读博的 Shunyu Yao（姚舜宇），合作者包括 Google Brain 团队的 Jeffrey Zhao、Dian Yu（于佃）、Nan Du（杜楠）、Izhak Shafran、Karthik Narasimhan 以及 Yuan Cao（曹原）。论文后来被 ICLR 2023 正式收录，至今引用量已超过 1100 次。
这篇论文的核心洞见用一句话说就是：在这之前，”推理”（Reasoning，如 Chain-of-Thought）和”行动”（Acting，如工具调用）是两拨人在分别研究的事，ReAct 第一次把它们融进了一个交替进行的循环里。
Thought（思考）→ Action（行动）→ Observation（观察）→ Thought → Action → Observation → ...这个循环之所以强大，在于它创造了一种”协同效应”：思考指导行动——模型根据推理结果决定下一步该查什么、调哪个工具；行动反过来修正思考——从外部环境拿回的真实数据把模型从幻觉中拉回现实，让推理有了”地面实况”（ground truth）的约束，这里形成了早期的ReAct概念，今天几乎所有生产级的Agent框架——LangChain、CrewAI、Anthropic的Agent SDK、OpenAI的Agents API——底层架构都长着ReAct的基因。
不过，ReAct 解决的是”单次推理+行动的循环”，它假设每次执行都需要人来启动。
2023 年：AutoGPT/BabyAGI——第一次”自动驾驶”尝试
2023年3月，两个项目几乎同时冒了出来，在GitHub上引发了现象级关注。
AutoGPT由Toran Bruce Richards（托兰·布鲁斯·理查兹） 创建。它的核心设计是让 GPT-4 自己给自己设定子目标，然后逐个执行，执行完一个再生成下一个——相当于把一个大的用户目标拆成一系列由 Agent 自己管理的子任务链。
BabyAGI由Yohei Nakajima（中岛洋平）创建，核心更简洁：一个任务列表 → 取第一个任务 → Agent 执行 → 根据执行结果生成新任务 → 插入任务列表 → 循环。它把整个系统抽象成了三个角色：执行者（Execution Agent）、任务创建者（Task Creation Agent）和任务优先级排序者（Prioritization Agent）。
这两个项目在短时间内合计斩获了超过20万GitHub Stars，是AI Agent 历史上第一次出圈级传播。
但它们也暴露了一个致命缺陷：”空转”。Agent 会陷入一个诡异的循环——比如 AutoGPT 在”写一篇博客”的任务里不断 Google 搜索”如何写博客”，搜了 50 轮还在搜，Token 烧了几十美元，产出零。因为没有真正的环境反馈闭环和外部验证机制，Agent 无法判断自己到底有没有进步。就像一辆没有 GPS 和仪表盘的自动驾驶汽车——踩了油门，但不知道开去哪了。
这次失败给后来的 Loop Engineering 留下了一条最重要的教训：闭环必须依赖可验证的客观条件，不能靠 Agent 自己说”我觉得差不多了”。
2024 年：Function Calling 标准化 + 框架化
2024年是Agent基础设施快速成熟的一年。两个重要变化发生了。
第一，工具调用标准化。OpenAI推出原生Function Calling能力，Anthropic推出 Tool Use，让LLM不再”凭空编造”工具调用，而是按照严格的JSON Schema输出结构化的调用指令。在此之前，让模型调用外部工具需要复杂的Prompt工程和脆弱的输出解析。标准化之后，框架开发者终于可以把精力从”怎么稳定调工具”转向”怎么把工具调得更好”。
第二，Agent 框架走向成熟。以Harrison Chase（哈里森·蔡斯）创立的 LangChain 为代表，Agent开发从”手写 while 循环”进入”框架化”时代。LangChain的 create_agent()把消息管理、工具调度、错误重试这些底层琐事封装了起来，开发者只需要定义工具和系统提示词。围绕 LangChain 形成的生态（LangSmith 可观测性、LangGraph 状态图编排、LangServe 部署）让Agent从Demo走向了准生产。
这个阶段的核心主题是”让 Agent 跑起来”——工具调用不再是一个需要手写正则的体力活，Agent 开发的门槛大幅降低，更多人开始尝试”让 Agent 持续运行”。
2025年：MCP 协议——工具即插即用，Agent 能力爆发
2025年是Agent生态的关键基础设施年。Anthropic推出了MCP（Model Context Protocol，模型上下文协议），这是一个开放标准，定义了 LLM 如何与外部系统（数据库、API、文件系统、GitHub、Slack……）通信。MCP 的核心理念是”写一次连接器，到处用”——一个 MCP Server 可以同时被 Claude Desktop、Claude Code、以及任何支持MCP的第三方Agent工具消费。
同一年，LangChain发布了DeepAgents——它在create_agent()的基础上增加了三个关键能力：子代理隔离（SubAgent，每个子代理有独立的上下文窗口和工具权限）、Skills 渐进式加载（启动时只注入名称，用到才读完整内容，节省 97.5% Token）、以及文件系统沙盒。DeepAgents为Loop Engineering 的”工作树/隔离”和”技能/知识”两个构建块提供了开箱即用的实现。
Anthropic也发布了Claude Agent SDK，正式将Agent Loop作为一等公民提供给开发者。
不过，所有这些框架和工具仍然依赖一个前提：由人来启动每次 Agent 执行。
2025年7月：Ralph Loop——“Ralph 就是一个Bash循环”
Geoffrey Huntley（杰弗里·亨特利）是一位澳大利亚软件工程师。他花了三个月时间，让一个AI Agent在一段while true的Bash循环里持续运行，最终自主构建出一门叫Cursed的完整编程语言——包含了词法分析器、语法解析器、LLVM 后端、标准库，甚至是自举编译器。
他把这套方法命名为Ralph Loop（典故来自《辛普森一家》里傻乎乎但坚持不懈的角色 Ralph Wiggum（拉尔夫·维古姆）），而核心代码只有三行：
... ... while :; do cat PROMPT.md | claude-code --continue done ... ...其设计里藏着两个精妙的点：
第一，环境状态就是上下文。Ralph不靠Agent的”记忆”来判断进度——每次新会话，Agent看到的是被修改过的代码文件、Git 提交历史、测试运行结果这些”外部事实”。Huntley管这个叫”上下文即文件系统”（the filesystem is the context）。Agent可以忘记一切，但git log和npm test不会撒谎。
第二，Stop Hook——不让Agent自己说”干完了”。Huntley在Claude Code里引入了Stop Hook机制：当Agent试图退出会话时，Hook拦截它，检查两个条件：①Agent 是否输出了约定的完成承诺字符串（如
COMPLETE ）；②是否达到了最大迭代次数限制。两个条件都不满足？退回继续工作。这就从机制上杜绝了Agent “自我感觉良好、提前下班”的问题。Huntley对这套方法的哲学总结非常精辟：Agent 单次执行失败不可怕，只要每次失败的信息（测试报错、编译错误、Git diff）能被下一次执行读到，系统就会朝着正确的方向收敛。
Ralph Loop的最大贡献不是技术复杂度——它恰恰因为简单而伟大。它证明了：不需要复杂的编排框架，一段Bash循环+文件系统作为状态记忆+外部验证条件，就能让AI Agent实现无人值守的自主工作。
2025 年底，Anthropic官方将Ralph Loop收编为Claude Code的第一方插件（/ralph-loop命令）。Loop从社区实验走向了产品化。
2026 年春：/goal命令——Maker-Checker分离的产品化
Ralph Loop的思路很快被三个主流AI编程工具产品化了。2026年4月底到5月中旬，在短短三周内，OpenAI Codex CLI、Anthropic Claude Code和Qwen Code 先后发布了第一方/goal命令。其中Claude Code v2.1的/goal（2026年5月14日正式发布）在设计上最为成熟。
/goal 命令的核心架构创新是Maker-Checker分离——这是Loop Engineering 历史上最重要的一次设计原则定型：
Maker（构建者）：一个能力强的模型（如Claude Opus），拥有完整的读写和执行权限，负责真正干活——写代码、运行命令、修改文件。
Checker（评估者）：一个独立的小模型（如Claude Haiku），只有只读权限——没有Write、Edit、Bash 权限，想改代码都改不了。它在构建者每完成一轮工作后介入，根据用户定义的客观验收条件（如 npm test exits 0、lint 无报错、Lighthouse accessibility score ≥ 90）判断”完成了吗？”。
如果条件不满足，Checker会把具体的不通过原因注入下一轮Builder的上下文——“你还有14个测试失败，主要集中在/auth模块，错误是Token验证超时”。这比Ralph Loop原版的”把同一个Prompt丢回去”要精准得多。
这个设计的精妙之处在于：干活的不能给自己打分。Anthropic自己的研究表明，同一个模型评估自己的产出时，会”自信地表扬平庸的工作”。把Builder和Checker拆成两个独立的模型（甚至不同型号、不同权重），是从架构层面硬性消除这个偏差——这不是靠 Prompt 约束实现的，是靠权限隔离实现的。
与之配套，Anthropic还开源了参考实现cwc-long-running-agents（在2026年3月的Code with Claude大会上发布），形式化了三个关键原语：① Default-FAIL 契约——每个完成条件默认是 false，Agent 必须”打开证据”（打开文件、读取测试输出截图）才能标记通过，由 PreToolUse Hook 强制执行；② 独立上下文评估者——一个没有Write/Edit工具的子代理审查Diff和截图，只能返回PASS或NEEDS_WORK；③ Agent 自维护交接文档——Agent在检查点自动写 PROGRESS.md和Git提交，确保新会话能从git log干净地接上。
从Ralph Loop到/goal，Loop Engineering完成了从”民间实验”到”产品级功能”的跨越。而真正把这一切提炼为方法论、推向公众的，是三位行业领袖在2026年6月的同步发声。
2026年6月：Loop Engineering 概念爆发——三方同步推动
2026年6月7日，Addy Osmani（阿迪·奥斯马尼）在他的个人博客上发表了一篇题为《Loop Engineering》的长文。这是他第一次系统化地使用Loop Engineering这个术语来命名正在发生的范式转变，并提出了著名的五大构建块（Five Primitives）+记忆层框架。这个框架后来成为整个 Loop Engineering 方法论的标准参考模型。
Osmani当时是Google的工程总监，在此之前他以Chrome DevTools团队负责人和大量前端工程畅销书作者（《Learning JavaScript Design Patterns》等）的身份为开发者社区所熟知。他在这篇博文结尾留下了一句后来被反复引用的警告：
"设计循环。但请以一个打算继续当工程师的人来设计它，而不是只想按下'开始执行'按钮的人。"（Build the loop. But build it like someone who intends to stay the engineer, not just the person who presses go.）这句话点中了Loop Engineering的深层矛盾：循环让Agent替你写了更多代码，但你的理解不能同步外包出去。自动化越高，人对系统的理解越容易落后——这就是Osmani后来反复强调的”理解负债”（comprehension debt）问题。
几乎同一时间，Boris Cherny（鲍里斯·切尔尼）在接受 Acquired 播客采访时说出了那句引爆传播的名言：
"我已经不再 prompt Claude 了。我让循环跑着去 prompt Claude，由循环自己决定要做什么。我的工作是写循环。"（I don't prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops.）Cherny是Anthropic的Claude Code负责人，Claude Code这款产品的核心架构师。他披露了一组震撼的数据：在30天内，他通过Loop驱动的开发方式合入了259个PR、497 次提交、新增4万行代码、删除3.8万行——每一行都由Claude Code + Opus 4.5写成，他自己只负责设计和审查循环。他还描述了在夜间运行”数千个” AI Agent 并行扫描GitHub Issues、Twitter反馈和Slack消息的场景——Agent自己发现问题、自己修复、自己提 PR，工程师第二天早上只做 Code Review。
Cherny的出现让Loop Engineering有了产品落地的支点。他不只是在谈理论，而是在展示一套已经在Anthropic内部大规模使用的系统工程实践。
就在 Osmani 发布博文的同一天，Peter Steinberger（彼得·斯坦伯格）在X（Twitter）上发了一条仅12个单词的推文，24小时内突破500万浏览量：
"每月提醒一次：你不该再手动 prompt 编码 Agent 了。你应该设计会 prompt Agent 的循环。"（Here's your monthly reminder that you shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents.）Steinberger是OpenClaw的创始人——这是一个开源AI编程工具，三个月内冲到18万GitHub Stars。他在发完这条推文后不久加入了OpenAI。围绕着这条推文和Osmani的博文，Loop Engineering 迅速成为2026年6月AI工程师社区最火爆的讨论话题。
三方同步发声不是巧合，而是这个范式已经积累到了临界点——基础设施（MCP、DeepAgents）、产品形态（Claude Code /goal、Codex CLI）、工程实践（Ralph Loop）和实践方法论（五大构建块）同时就位了。
以上演进脉络总览：
2022 ReAct论文(Yao et al.)
└─ 提出 Reasoning + Acting 交替循环，Agent Loop理论奠基
└─ 发表在 ICLR 2023，被引 1100+ 次
2023 AutoGPT (Toran Bruce Richards) / BabyAGI (Yohei Nakajima)
└─ 首次尝试 Agent 自主设定目标并循环执行
└─ 合计 20 万+ GitHub Stars，但暴露"空转"问题
2024 Function Calling 标准化/LangChain Agent 框架化
└─ OpenAI Function Calling + Anthropic Tool Use → 工具调用不再靠正则
└─ LangChain (Harrison Chase) 封装 Agent Loop，降低开发门槛
2025 MCP 协议/Claude Agent SDK/DeepAgents发布
└─ MCP → 工具即插即用，Agent 能力爆发
└─ DeepAgents → 子代理隔离+Skills 渐进式加载+文件沙盒
└─ 基础设施就位，但"自动触发"仍缺最后一环
2025.7 Ralph Loop (Geoffrey Huntley)
└─ Bash while true + Stop Hook，首次无人值守自修正循环
└─ 理念：环境状态即上下文，不让Agent自己说"干完了"
└─ 年底被Anthropic收编为官方插件
2026春 /goal 命令产品化 (Claude Code v2.1 / Codex CLI / Qwen Code)
└─ Maker-Checker 分离：构建者(Opus) + 评估者(Haiku)，硬性权限隔离
└─ Default-FAIL 契约 + 独立评估者 + 自维护交接文档
└─ Loop 从民间实验走向产品级功能
2026.6 Loop Engineering 概念爆发
└─ Addy Osmani (Google) → 五大构建块 + "理解负债"警告
└─ Boris Cherny (Anthropic) → 30天259个PR，产品实践标杆
└─ Peter Steinberger (OpenAI/OpenClaw) → 500万浏览引爆社区
└─ 三方同步推动，范式正式确立
从Prompt Engineering到Loop Engineering
在进入”怎么落地Loop Engineering”之前，有必要先回答一个问题：为什么 Loop Engineering 这个概念在2026年才爆发，而不是2023年或2024年？
答案很简单：此前的条件不成熟。让Agent自主循环运转，需要三样东西同时就位——能稳定调用外部工具的能力、能持续运行不”破产”的成本、以及能独立验证Agent产出不被”忽悠”的机制。这三样东西在2025年末到2026年初先后达到了生产级可用水平，Loop Engineering才从少数人的实验变成了可推广的工程方法论。
换句话说，之前不是”我们不想这么做”，而是”我们现在终于可以这么做了”。
在Prompt Engineering旧范式中，其本质是”人机单轮交互”：人写 Prompt → Agent 执行一次 → 人读结果判断好坏 → 再写 Prompt。这套模型在信息查询、文案润色、单段代码生成等场景游刃有余，但在面对”每天处理 500 个订单，自动分类、自动退款、自动复核、异常自动升级”这类持续型任务时，暴露出三个无法靠”把 Prompt 写得更好”来解决的结构性问题：
① 人的时间成为系统瓶颈。每轮Agent执行结束都必须人来判断结果、启动下一轮。Agent处理100个任务，人就要判断100次。吞吐量被人的注意力上限锁死。
② 上下文会过期。一个复杂的多步骤任务动辄几十轮交互，越往后Agent越容易忘记最初的目标——这就是”目标漂移”。Prompt Engineering 没有内置”将关键状态持久化到对话之外”的机制。
③ Agent自己给自己打分，不可靠。传统模式下，同一个Agent既干活又判断”干完了没”。Anthropic的研究表明，模型会”自信地表扬平庸的工作”——不是因为它坏，而是因为它无法跳出自己建立的推理路径来做独立审视。
这三个问题指向同一个结论：让人在每一轮都介入的”手动模式”无法支撑 Agent的规模化使用。必须有一种”自动模式”，让 Agent 自己跑，人只在异常时介入，这就是 Loop Engineering 要解决的问题。
Loop Engineering不是Prompt Engineering的”加强版”，而是建立在三根新支柱上的新范式，这三根支柱在 2025 年末到 2026 年初恰好同时达到了生产级成熟度。
支柱一：MCP协议——让Agent长出”手”。 2025年Anthropic推出的Model Context Protocol（模型上下文协议）定义了一套统一的Agent 到外部系统的通信标准。在此之前，Agent要对接GitHub、Slack、数据库、Jira，每套组合都要写单独的连接器代码——N个Agent框架× M个外部系统= N×M套连接器，维护成本不可承受。MCP 把这个矩阵压缩成了”写一次，到处用”的线性关系。Agent 第一次可以稳定地操作外部世界，而不只是”聊天”。
支柱二：上下文管理升级——让Loop烧得起钱、记得住事。两个关键突破让Agent的持续运行在经济和技术上都变得可行。一是 Prompt Caching（提示缓存）：Loop 运行中反复出现的系统提示词、工具定义、Skills 内容只需计费一次，LLM的token费用越来越低——没有这个，一个Loop跑一晚上光Token费用就能让人破产。二是三层记忆架构（工作记忆→短期记忆→长期记忆）的工程化落地——如：DeepAgents内置的SummarizationMiddleware（自动压缩）+ checkpointer（跨轮次状态）+ store（永久知识库）让Agent既能记住”刚才在干什么”，也能记住”昨天干到哪了”，还能记住”公司的政策是什么”。
graph TD
%% 定义节点外观样式
classDef memoryLayer fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px,color:#333,rx:5,ry:5;
classDef container fill:#fffcf8,stroke:#ecd98a,stroke-width:2px,stroke-dasharray: 5 5;
subgraph Architecture ["记忆三层架构"]
%% 这里定义节点内容，使用了HTML换行符 <br/> 保持格式整齐
WM["<b>工作记忆 (Working Memory)</b><br/>- 存储位置: 当前上下文窗口<br/>- 时效: 单次会话<br/>- 内容: 当前任务的思考链、工具调用记录"]:::memoryLayer
STM["<b>短期记忆 (Short-term Memory)</b><br/>- 存储位置: 可以是向量数据库(FAISS等)<br/>- 时效: 跨轮次 (数天-数周)<br/>- 内容: 对话摘要、关键节点、错误经验"]:::memoryLayer
LTM["<b>长期记忆 (Long-term Memory)</b><br/>- 存储位置: 知识库/配置文件/向量库<br/>- 时效: 永久<br/>- 内容: 用户偏好、项目规范、领域知识"]:::memoryLayer
%% 定义层级间的流转关系
WM -- "压缩/摘要" --> STM
STM -- "提炼/沉淀" --> LTM
end
%% 应用容器样式
class Architecture container
支柱三：Maker-Checker分离——独立”打分”。 这可能是三项突破中最关键的一个。让Agent自主循环运行，最大的风险不是”做不完”，而是”做错了但没人发现”。Maker-Checker 模式直接把”干活的”和”检查的”拆成两个独立的 Agent，三条规定让它从源头杜绝了自欺欺人的问题：①硬性权限隔离——Checker的工具列表里根本没有写入权限，不是prompt让它”别乱改”，而是它想乱改都没能力；②独立上下文——Checker只看Maker的产出物，看不到Maker的推理过程，避免”路径依赖”；③客观验证条件——Checker的判断依据是可度量的事实（所有测试是否通过？退款金额是否在政策范围里？），而不是主观感受。
以上三个支柱缺一不可。没有MCP，Agent就困在只能用于聊天；没有上下文管理，Loop持续运行的成本和记忆问题无解；没有Maker-Checker，自主运行就是盲飞——跑得越久越危险。正因这三样东西在 2026 年同时成熟，Addy Osmani 才有底气在6月7日正式命名”Loop Engineering”并给出五大构建块框架。