本周的拾遗几乎被同一个主题占据：AI 编码的范式正从单次提示向持续循环急速转移。社区围绕“循环工程”在一周内产出了从概念定义到生产实践的完整图谱。真正有效的 AI 工作流不是靠一个完美的 prompt，而是设计一个能自主发现、执行、验证、迭代的闭环系统。在这一主线之外，本期也收录了对设计规范、资源预算、代码审查等延伸话题的深度讨论——它们共同回答了一个问题：当 AI 变得泛滥，什么才是未来工程师的稀缺技能？读完本期，你会发现——会写 prompt 只是起点，设计 loop 才是新常态下的真正门槛。
本文提出“循环工程”概念：与其手动逐次提示编码智能体，不如设计一个自动化系统——由调度任务、工作树隔离、技能定义、插件连接和子智能体审查组成的循环，让智能体自主发现工作、执行并验证。作者对比了Codex与Claude Code两个工具中这五个组件的具体实现（如自动化的`/goal`命令、基于`SKILL.md`的技能系统、通过`git worktree`实现的隔离），并强调状态持久化（Markdown文件或Linear看板）是循环稳定运行的关键。核心洞见是：循环设计比提示工程更难，因为软件工程师的角色从操作者转变为系统设计师，同时仍需承担验证质量、维护理解力、避免认知屈服的责任。
AI 编码圈正从“写提示词让 agent 干活”转向“设计循环让 agent 自己干活”。本文是最接地气的实操版：什么是 agent loop，为什么它重要，生产环境里长什么样。作者拆解了 loop 的六个固定部件（触发、隔离、上下文固化、工具连接、独立评审、持久化状态），并用 PR babysitter（每15分钟检查PR，CI红则自动修复一次）和 Claude Code 的 /goal 命令作为具体例子。文章还讨论了 loop 的成本模型（迭代次数才是预算线，弱验证器是最贵的 bug）、何时不该用 loop（一次性修改、无明确通过条件的探索性工作）、以及常见的失败模式（验证负担转嫁给人、代码理解债累积、宽松检查导致无声漂移）。
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。
本文来自 @0xCodez 发布在 X 上的长篇技术博文，系统阐述了“循环工程”（Loop Engineering）——从手工编写提示词（prompt）过渡到设计自动循环系统的完整路线图。文章基于 Anthropic 工程文档、Addy Osmani 的长文及近期测量研究，将转变过程分为三个层级共 14 步：首先通过 4 条件测试判断是否需要循环；然后掌握 5 个基础构件（自动化、工作树、技能、连接器、子智能体）；最后构建最小可行循环并规避常见陷阱（如“Ralph Wiggum 循环”、知识债、安全风险）。作者明确指出，循环工程并非万能——只有任务重复、验证可自动化、预算能承受浪费、且智能体拥有资深工程师工具时才有意义。本文适合已熟悉编码智能体基础用法、希望将其融入自动化工作流的工程师阅读。
本文以对话式教程系统介绍Loop Engineering的核心思想：它不是新概念或炒作，而是将人类与AI协作中的重复动作（目标设定、分步执行、质量检查、反馈修正、停止条件）规范化为一套可执行的工作循环。文章对比了普通提示词（单次指令）与Loop（持续闭环）的本质区别，并提供了一个最小可行案例——用LLM Wiki思路构建个人知识库。作者强调检查环节是Loop的心脏，没有检查标准就只是自动化制造垃圾，同时列举了新手常见陷阱，包括把长提示词当Loop、目标过大、标准模糊、无人验收等。文章技术含金量中等，偏入门教学，但提供了可直接复用的模板和七要素清单（目标、输入、执行、检查、反馈、记录、停止），适合刚接触Agent工作流、想尝试结构化协作的工程师。
Anthropic 内部 Claude Code 的构建者 Boris Cherny 透露，他已不再手动编写提示词，而是通过编写“循环”让 Claude 自动工作。本文定义了什么是一个真正的循环（loop）：一组能够自动感知任务、执行、自我检查、状态记录并重复的系统，而非简单的 cron job。与传统的一次性提示不同，循环的核心是内置了决策者，Claude 能在中途判断是否继续、重试或停止。文章详细介绍了 Claude Code 中的 /goal（任务完成即停止）和 /loop（按节奏重复）两个命令，并提供了一个可直接粘贴使用的循环宪章模版，涵盖目标定义、任务来源、工作方式、自我检查机制、状态记忆和停止条件。适合希望将 Claude 从对话式工具转向持续自动化工作流的工程师。
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。
大多数开发者使用 Claude Code 调试的常态是把错误粘贴进去、接受一个猜测性的修复、再粘贴下一个错误——陷入长达数十轮的猜谜循环。本文提出一个六步调试循环：先让LLM建立可复现的失败测试（repro），然后在 plan mode 中限定搜索范围，派发只读子agent从多个角度追踪根因，只针对根因而非症状修复，通过 PostToolUse 钩子自动验证修复是否通过测试，最后将 repro 保留为回归测试。核心论断是：LLM的能力并非问题，而是用户跳过前三个阶段直接要求“修复”导致了症状修补的死循环。
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。
本文系统性地解释了 AI 循环（Loops）在工作流中的核心作用。它指出多数用户仍在使用最慢的人肉交互：每次输入指令、等待、手动修正。Loops 则是将“目标”交给 AI，让其自主完成发现、规划、执行、验证、迭代的循环。文章划分了代码工程中的重循环（含自动化、技能、子代理、连接器、验证器五大构件）与日常事务的轻循环（以 Mira 为例），并直言重循环的隐形成本：token 膨胀、复合计费、以及“Ralph Wiggum”式无产出空转。适合所有希望提升 AI 使用效率的工程师与创作者，尤其是正在评估 Claude Code、Codex 或 Mira 等循环型工具的人。
本文详细拆解了AI驱动开发循环（Loop）的工程实践，作者通过真实案例（单工程师月提259个PR vs 循环失控烧掉$47,000）引出核心矛盾：构建高效自动化的同时必须配备可靠的制动机制。文章将循环分解为状态文件、自动化触发/调度的具体命令、Git 工作树隔离、技能配置、MCP 连接器、子代理分离等6个可操作部件，并给出了每个部件的配置示例（Claude Code 和 OpenAI Codex 双版本）。同时提供了刹车配置模板（最大步数、预算上限、作用域、断路器）、四种常见失败模式及低成本入门方案。适合正在构建或评估AI代理工作流的工程师阅读。
本文详细拆解了在Claude Code中使用Dynamic Workflows并行调度多个子Agent的9个步骤。作者指出，单纯并行启动多个Agent很容易导致冲突和混乱，真正的关键在于主管Agent的编排循环：先检查任务是否可分解，让主管Agent分解为原子子任务并等待人工审批，通过Git Worktree隔离每个子Agent的工作目录，并行分发后使用SubagentStop Hook强制门控（运行测试和lint），再用一个独立评分Agent根据预设标准评估每个结果并自动退回不合格者，最后只由主管Agent按依赖顺序合并通过的提交。文章强调，核心技能不是‘能启动10个Agent’，而是能收回10个干净、已测试、已合并的结果。
作者分享了与AI Agent协作编码的实用工作流：定义一个可验证的“完成标准”（如模型评估分数、QA通过、测试套件绿色、性能基准），编写一个循环让Agent自主迭代，并通过通知渠道（如Slack）在需要决策或完成时获得提醒。循环在云端运行，不占用本地终端。作者能同时运行3-5个长循环，外加多个短任务。适合希望将Agent从单次交互升级为长时间、自主优化任务的一线工程师。
启动AI智能体变得极其廉价，但关闭循环（审核、合并、判断）仍需经过你这一串行处理器。作者将人类注意力类比为GIL：你可以同时跑20个智能体，但真正能交付到main分支的工作受限于你单线程的审核吞吐量。Amdahl定律在此适用——串行部分（人类的判断）不可并行化，盲目增加智能体只会积压待审队列。文章给出了可操作的策略：按审核速率而非UI上限扩容、将任务分为可委托的异步工作与需要锁定注意力的复杂工作、批量审核、让智能体自证正确性。最后指出，忙碌不等于高效，未支付的编排税会同时积累技术债务和认知债务。
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。
当AI能以分钟级生成上千行代码时，工程的瓶颈从编写转向了信任决策。因此，审查成了软件领域最具杠杆能力的技能。文章指出，2026年的多方数据（Faros AI、CodeRabbit、GitClear、GitHub）均证实：AI使用量提升后，开发者的代码产出提高约4倍，但交付价值仅增长约12%，同时代码流失率飙升861%、缺陷率从9%升至54%、审查时长增加441.5%、零审查合并的PR增长31.3%。作者认为，问题不在于是否使用AI，而在于如何根据项目的「爆炸半径」分层分配审查力度：对个人无用户项目可轻审查，对大型企业级项目必须建立分级、证据驱动、异质化AI审查+人类最终负责的流程。文章还介绍了具体实践：分流PR、要求前置证据、关注测试变更、用两个不同构架的AI审查工具并行运行，以及让人类从「线级审查」升级为「抽样审计」。
这篇由 Google 工程师撰写的白皮书提炼，核心观点是：AI Agent 的真正价值不在于模型本身，而在于其“载体”（Harness）——即指令、工具、沙箱、编排逻辑和可观测性组成的系统，模型约占 10%，载体占 90%。上下文工程是决定成本的关键，需要区分静态上下文（每次加载，昂贵但可靠）和动态上下文（按需加载，便宜但需谨慎设计）。验证能力是区分“Vibe Coding”和真正的工程化 Agent 的分界线：测试覆盖确定性部分，评估覆盖非确定性输出和轨迹。白皮书提供了具体数据：仅修改载体（不换模型）即可将编码 Agent 在 Terminal Bench 2.0 上从 30 名外提升至前 5；LangChain 的实验中通过修改系统提示、工具和中间件在相同基准上提升了 13.7 分。适用于所有正在或准备将 AI Agent 引入研发流程的工程师和技术管理者。
本文深度拆解了 Vercel 的 DESIGN.md 文件，展示了如何为 AI 编写一份高效、可执行的设计规范。文章从颜色、间距、字体、动效、文案和无障碍等维度，逐一分析了 Vercel 的做法及其背后的设计思维。例如，颜色系统通过 100-1000 的梯度设计，将交互状态（默认、悬停、点击）与固定数字关联，让 AI 无需猜测；间距体系只提供 9 个基于 4px 倍数的值，强制节奏一致；字体系统采用角色思维（标题/标签/正文/按钮）而非字号思维，减少视觉决策；动效设计则强调“能不动就不动”，并给出了各场景的精确时长。这篇文章适合希望提升 AI 生成界面一致性、或想要建立自身设计规范的产品经理、前端工程师和 AI 工具开发者阅读。
Raft CTO Tenny 提出，当 Agent 执行搜索时，返回原始 ID 或全文都是糟糕的设计。正确的做法是借鉴网页搜索结果：返回匹配片段（带高亮）、上下文预览和明确的下一个动作（如“阅读完整线程”）。文章指出，Agent 的“显示器”是上下文窗口，每 token 都有成本，因此结果必须紧凑、可立即判读，并提供下一步操作锚点。这是 UX 设计的延伸——只不过用户不再是看屏幕的人，而是读 token 的 Agent。
智谱 AI 发布旗舰模型 GLM-5.2，重点提升长时程任务能力，首次在 1M token 上下文窗口上稳定运行，并采用 MIT 开源许可。架构层面引入 IndexShare 技术，每 4 层 Transformer 共享稀疏注意力索引器，使 1M 上下文下每 token FLOPs 降低 2.9 倍；改进 MTP 层，通过 IndexShare 与 KV 共享消除训练-推理差异，配合拒绝采样与端到端 TV 损失，将推测解码接受长度提升 20%。后训练阶段，基于 slime 框架统一组织大规模 agentic RL 训练，并引入反作弊模块，在线检测并阻断 agent 读取受保护评估产物、curl 下载答案等投机行为，维持训练信号有效性。GLM-5.2 在 FrontierSWE、PostTrainBench、SWE-Marathon 等长时程基准上位居开源模型第一，在 Terminal-Bench 2.1 上得分 81.0，逼近闭源前沿。文章适合关注长上下文推理、编码智能体、开源大模型工程化的开发者阅读。
Cloudflare 推出临时账户功能，允许 AI 代理通过 `wrangler deploy --temporary` 直接部署 Workers，无需人工参与注册或认证。临时账户有效期为 60 分钟，期间代理可多次迭代部署，开发者也可随时认领为永久账户。文章解释了后台 AI 会话因缺乏浏览器交互而难以完成 OAuth 等认证步骤，该功能通过 CLI 自动提示 `--temporary` 标志，使代理自主发现并完成部署，实现快速试错和验证。文中给出了从编写 TypeScript hello world 到修改重部署的完整示例，并提及与 Stripe、WorkOS 的合作以进一步消除代理部署摩擦。适合构建 AI 代理平台或使用编码代理的开发人员。
ECC 是一套为多个 AI 编码助手（Claude Code、Cursor、Codex、OpenCode、GitHub Copilot 等）设计的智能体增强系统，被定位为“Agent 增强型操作系统”。它并非一个独立的 AI 工具，而是一个包含 260+ 技能、67+ 子智能体、提供持久化记忆、连续学习、成本优化和安全审计（AgentShield）等功能的配置与插件集合。通过统一的规则、钩子和 MCP 配置，它试图解决跨平台开发工作流中智能体行为不一致、上下文丢失和安全性不足的问题。适合深度使用 AI 编码助手的专业开发者，以及希望建立标准化 Agent 工程实践的技术团队。
本文总结了15种AI智能体设计模式，覆盖从单智能体、顺序/并行多智能体、循环评审、协调器、分层分解、ReAct、人机协同到事件驱动等。核心观点是：选择哪种模式取决于问题的确定性形态，而非追逐流行度。每个模式都给出了适用场景、真实案例和常见失败点，最后提炼10条生产规则强调最小化复杂度、严格限制工具调用次数、不可逆操作必须经确定性校验或人工批准。适合所有正在构建或计划部署Agent系统的一线工程师。
Lavish-axi 是一个轻量级 CLI 工具，它将在本地浏览器中打开 AI 生成的 HTML 文件（即 artifact），让你可以直接在界面上圈选元素、标注文本、截图，并向当前 Agent 发送反馈。它通过一个本地服务器提供一个 chrome 风格的编辑界面，支持实时预览、布局审计（检测溢出、文字裁剪等问题）、反馈队列和长轮询，使得人机协作迭代原本静态的 HTML artifact 变得流畅。项目以 AXI 标准封装，通过 npx 即可无安装运行，并可作为 skill 集成到 Claude Code 等支持斜杠命令的 Agent 中。适合需要精细调试 AI 生成页面或可视化方案的工程师。
Ponytail 是一个为 Claude Code、Codex、Copilot CLI 等 14+ 种 AI 编码代理设计的规则插件。它注入一套“先问必要性”的思维阶梯：代码真的需要存在吗？标准库或平台原生能力能否做到？一行代码能否搞定？—— 全部通过后才生成最小可行实现。基于 12 个真实功能任务、与 FastAPI+React 仓库交互的 benchmark 显示，平均减少 54% 的代码行数、22% 的 token 消耗、20% 的成本和 27% 的耗时，且完全保持原有的安全约束（验证、错误处理、安全、无障碍）。适合追求生成代码简洁、物有所值的开发者，尤其被同一 agent 反复“过度工程”困扰的团队。
本文作者@thedankoe 认为新年计划之所以失败，是因为人们只改变表面行为，而非深层身份。他从阿德勒个体心理学、埃里克森人格发展阶段论、控制论等出发，提出一套可在一天内完成的自我重置协议：早晨进行心理挖掘（定义反愿景与愿景），白天通过随机提醒打断自动驾驶模式，晚上合成洞察并制定年/月/日三层透镜目标。核心论点是行为背后都有潜意识目标，真正的改变需要更换认知透镜。适合对自我成长、行为设计、目标管理感兴趣的读者。
本文提供了一份详尽的动手教程，教你在一个晚上内搭建一个基于 Claude 和 Obsidian 的“第二大脑”系统。核心思路是将 Obsidian 作为纯文本笔记存储库，通过 MCP 协议连接 Claude Desktop（需付费版），使 AI 能读取、组织、链接整个仓库内容，并自动加载上下文（CLAUDE.md）以消除每次会话的冷启动。文章从安装 Claude Desktop 和 Obsidian 开始，逐步演示配置 Local REST API 插件、连接 MCP、通过面试生成个人配置文件、创建项目文件夹结构、构建可复用技能（skill）、接入日历等实时数据源、设置定时自动整理任务。作者强调所有权归用户（纯文本文件，不锁定于任何 AI 模型），并以“keys, not prompts”安全原则提醒权限控制。适合希望摆脱对话碎片、拥有持久化 AI 记忆的一线工程师和知识工作者。
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。
本文来自自媒体作者 @thedankoe，提出传统新年计划无效的根本原因在于人们试图用旧身份达成新目标。文章系统拆解行为改变的心理学机制：全部行为都是目标导向的（即使是无意识的目标），身份认同通过目标→感知→重复→固化的循环形成，只有打破第6步（习惯化）和第7步（身份防御）之间的链条才能实现真正改变。作者提供了完整的“一天重置协议”：早晨进行心理挖掘，通过“反愿景”（详细描述最不想过的生活）激发厌恶能量；白天设置随机自我提问中断自动导航；晚上整合洞察制定一年/一月/每日目标。最后将人生设计成“双用途游戏”（anti-vision 作为失败结局，vision 作为获胜条件，年度/月/日目标对应任务/关卡），借助心流机制维持动力。适合对自我成长类内容有深度需求的读者，但对于不熟悉心理学框架的工程师而言，实用性可能有限。
每周把值得读的拣成一期，直接寄到你邮箱。留个邮箱即可，没有广告。