本文为产品经理解析 agent loop 的核心概念。作者区分了 routine（固定步骤）、workflow（条件分支）和真正的 loop（重复检查直至满足条件）。他强调，loop 的关键不在于循环本身，而在于停止条件——即明确“完成”的可验证定义，并配以客观检查或独立评判者。文中提供了构建 loop 的模板、停止条件的编写方法，以及成本控制建议（如追踪“每接受变更的成本”）。作者还总结了 loop 常见的失败模式：无迭代上限导致费用失控、上下文漂移、通过不等于正确。最后指出，loop 工程只是最新术语，本质仍是“意图工程”——精准定义目标、边界和完成标准的能力。
本文为产品经理解析 agent loop 的核心概念。作者区分了 routine（固定步骤）、workflow（条件分支）和真正的 loop（重复检查直至满足条件）。他强调，loop 的关键不在于循环本身，而在于停止条件——即明确“完成”的可验证定义，并配以客观检查或独立评判者。文中提供了构建 loop 的模板、停止条件的编写方法，以及成本控制建议（如追踪“每接受变更的成本”）。作者还总结了 loop 常见的失败模式：无迭代上限导致费用失控、上下文漂移、通过不等于正确。最后指出，loop 工程只是最新术语，本质仍是“意图工程”——精准定义目标、边界和完成标准的能力。
本文由社区作者撰写，提出“循环工程”概念，主张从单次手动提示转向设计AI agent的自动化反馈闭环。核心论点是：高效的AI应用不是靠一个完美prompt，而是构建一个持续发现、规划、执行、验证、迭代的系统。文章详细介绍了六种构建模块（自动化、工作树、技能、插件与连接器、子agent、记忆）、两种循环规模（单agent与舰队循环）以及两种类型（开放循环与封闭循环），并坦诚讨论了最隐蔽的瓶颈——token成本。适合希望将AI agent从实验工具升级为生产级工作流的工程团队。
这篇文章反思了现代软件为什么在硬件飞速进步的时代反而变得臃肿缓慢。作者以 Java 组件启动 Spark 集群为例指出，工程师习惯性地给内存和 CPU 加上“以防万一”的缓冲，而这些临时补丁很快固化成了默认配置。JVM 会读取容器分配的空闲空间自动扩大堆大小，GC 也随之变得懒惰，资源就这样被浪费掉了。作者认为，硬件变得便宜且容易预配，让“加机器”成了解决问题的默认动作，但真正的问题在于——我们不再追问“这笔开销到底买了什么”。文章提出“资源预算”的思路：为每个组件设定明确的内存、启动时间、容器大小上限，一旦超限就必须解释具体换了什么、换来什么。核心不是让大家穷着过日子，而是让每个 trade-off 显式化，告别“迷信式分配”。推荐给所有在云上跑服务的后端工程师、SRE 和平台工程团队。
本文由一位后端开发兼量化交易系统实践者撰写，核心论点是告别逐次提示AI的工作模式，转而构建自运行的循环（Loop）。作者拆解了生产级循环的六个必要组件：自动化触发、技能文件（SKILL.md）、状态文件（STATE.md）、验证器（独立Agent）、Git worktrees 隔离、以及基于 MCP 的连接器。进而将量化交易的五个阶段（数据摄入、信号生成、验证、执行、风险监控）各自封装为子循环，并引入‘经验写入技能文件’的机制，实现系统自我进化。适合对AI工程、量化系统架构感兴趣的工程师。
本文梳理了 AI 智能体工程中的 20 个基础概念，涵盖构建模块（Agent、执行循环、状态、协作模式）、配置层（配置文件、工作流文件、提示缓存、上下文腐烂）、能力层（MCP 协议、实时文档检索、持久记忆）、编排层（子智能体、智能体循环）、护栏层（沙箱、权限、钩子、提示注入防御、预提交门）以及可观测性（追踪、指标）。作者强调框架会变，但这些底层思想不变；理解它们后，看任何新工具都能快速抓住本质。文章给出了大量具体配置示例（CLAUDE.md、permissions.yaml、.pre-commit-config.yaml）和实用建议（如配置文件不超过 100 行、区分代理信号与成果指标）。适合正在或准备构建 AI 智能体的开发者。