"Loop Engineering" 最近成了 AI 圈的热词。
这个词的走红，源于 Claude Code 创始人 Boris Cherny 和 OpenClaw 创始人 Peter Steinberger 在社交媒体上的讨论被大量转发。 loops（循环）已经成为让 AI Agent 长时间自主迭代构建软件的核心机制。
AI 教育巨头 DeepLearning.AI 创始人 Andrew Ng 在这篇推文中分享了他构建 0 到 1 产品的 三大核心循环。这些循环不仅指导他如何写代码，更决定了他该做什么产品。
循环一：Agentic Coding Loop（智能体编码循环）
时间尺度：分钟级
给定一个产品规格说明（product specification），以及可选的一组 evals（用于衡量性能的测试数据集），AI Agent 可以自主编写代码、测试运行结果、持续迭代，直到代码无 bug 且满足规格要求。
这个"闭环"思想在去年年底开始爆发，它彻底改变了 coding agent 的工作方式——让 Agent 能够长时间自主工作，无需人工干预。
Ng 举了一个亲身例子：上周末他给女儿做了一个打字练习 App，coding agent 可以连续工作约一个小时，期间多次用浏览器检查构建结果，完全不需要他插手。
这个工程循环执行得很快，每隔几分钟 Agent 就可能构建并测试一个新版本。Ng 提到，他不断听到开发者们在探索如何让这个循环更高效——这是一个活跃的创新领域。
循环二：Developer Feedback Loop（开发者反馈循环）
时间尺度：几十分钟到几小时
在这个循环中，开发者审视当前产品，引导 coding agent 进行改进。
去年，很多开发者（包括 Ng 自己）实际上在充当 coding agent 的 QA（质量保证）角色——手动找 bug，然后让 Agent 修复。但随着 coding agent 自我测试能力的大幅提升，开发者花在这上面的时间显著减少。
这带来了关键转变：开发者可以把精力转向更高层级的产品决策——该提供哪些核心功能、UI 哪里需要改进、用户体验如何优化。
Ng 再次用打字 App 举例：他几次改变了视觉设计、调整了猫咪装扮解锁机制（女儿喜欢猫）、以及成人登录管理孩子学习流程的交互逻辑。
这里 Ng 提出了一个重要洞察：
当开发者对要构建什么有清晰愿景时，将愿景转化为 coding agent 可执行的规格说明仍然是一项繁重工作。而且，在看到实现结果后，开发者可能需要更新（或澄清）规格来引导方向。如果系统反复遇到某类问题，为 Agent 建立一套 evals 就变得非常有用。
AI-native 团队越来越多地用 AI 来辅助产品方向决策——自动化收集分析使用数据、总结书面和口头用户反馈、进行竞品分析。但 Ng 强调，人类在当前 AI 系统面前拥有显著的上下文优势——我们对用户和产品运行环境的了解远超 AI。
很多人把这种人类贡献描述为"品味"（taste），但 Ng 更喜欢称之为 "上下文优势"（context advantage）：
只要人类知道 AI 不知道的东西，human-in-the-loop 就是必需的——要把这些知识注入系统。
循环三：External Feedback Loop（外部反馈循环）
时间尺度：小时到周
这包括各种策略：找几个朋友试用、发布给 alpha 测试者、上线生产环境做 A/B 测试。这些手段通常很慢，很少少于几小时，有时需要几天甚至几周。
外部反馈数据反哺开发者的产品愿景，愿景继续驱动详细的产品规格，规格再驱动 coding agent——形成完整的产品进化链条。
工程师正在产品经理化
Ng 在文末点出了一个正在发生的趋势：
随着 coding agent 加速软件开发，越来越多工程师开始承担部分产品经理的角色。对很多正在成长的工程师来说，最难的部分是塑造产品愿景，以及在"构建"（弥合愿景与规格之间的鸿沟）和"获取用户反馈以迭代愿景"之间找到平衡。两者都必须做！
他对此持乐观态度：工程师的角色正在扩展——正如产品经理和设计师现在也在做更多工程工作一样。
三层循环的嵌套关系
外部反馈循环（天/周级）
↓ 数据反哺愿景
开发者反馈循环（小时级）
↓ 愿景转规格
Agentic Coding Loop（分钟级）
↓ 规格转代码
三个循环不是并列的，而是嵌套关系：外部循环为中间循环提供方向，中间循环为内部循环提供规格，内部循环快速验证假设。越内层的循环越快、越自动化；越外层的循环越慢、越依赖人类判断。
Ng 的框架本质上是在回答一个问题：在 AI 能写代码的时代，人类开发者该做什么？ 答案是——往上游移动，去做 AI 做不到的事：拥有上下文优势、塑造愿景、平衡构建与反馈。