

大家好,我是唐斩。
Andrew Ng 最近写了一条关于 Loop Engineering 的长帖。这个词最近很火,Claude Code 的 Boris Cherny、OpenClaw 的 Peter Steinberger 都提过。
但我看完之后,觉得真正值得关注的不是这个新词,而是他把 AI Agent 做软件这件事拆成了三层循环。
我的判断是:如果你还只是把 AI 编程理解成“让 Agent 写代码”,那已经落后一层了。下一步真正有价值的是设计反馈循环。

第一层是 Agentic coding loop。
给 Agent 一个产品规格,最好再给一组 evals,它就可以写代码、测试、修 bug,再继续迭代。
这一层过去一年进步很快。以前我们经常要盯着 Agent,等它写完,再人工指出哪里坏了。现在更强的 coding agent 已经可以自己跑测试,甚至打开浏览器检查页面效果。
Andrew Ng 举了一个例子:他周末给女儿做打字练习应用,coding agent 可以连续工作约一个小时,中间多次用浏览器检查自己做出来的东西,再回到他这里。
这件事对程序员的影响很直接:你不再只是写代码的人,也不只是审核代码的人。你开始变成循环设计者。
你要问的不是“Agent 能不能写这个功能”,而是:
第二层是 Developer feedback loop。
这层我觉得更关键。
去年很多人用 AI 编程,人的角色还是 QA。Agent 写,人来找 bug,然后让 Agent 改。这个模式当然有效,但很累,而且人的时间还是被低层问题吃掉了。
Andrew Ng 的判断是,随着 coding agent 更会测试自己的代码,开发者可以把注意力往上挪。
比如:
这其实是工程师角色的变化。
AI 把“写代码”这部分加速以后,最稀缺的反而变成产品上下文、用户理解和判断力。
很多人喜欢把这种东西叫 taste。我更喜欢 Andrew Ng 的说法:人类有 context advantage。
不是人类更神秘,而是人知道更多业务背景、用户状态、产品约束和真实场景。只要这些东西还没进入 AI 系统,人就必须在循环里。
第三层是 External feedback loop。
这包括找朋友试用、找 alpha 用户、上线做 A/B 测试、看使用数据、听客户反馈。
这一层最慢。前两层可能几分钟到几小时就能转一轮,外部反馈往往要几个小时、几天,甚至几周。
但它不能省。
因为 Agent 可以更快地把规格变成软件,但它不知道这个软件该不该存在,也不知道用户真实卡在哪里。
这也是很多 AI 编程项目容易跑偏的地方:开发速度上去了,产品学习没有跟上。
结果就是做得更快,但错得也更快。
这三层循环不是并列的工具列表,而是一条产品生产链:
这套东西对 AI 编程很重要。
很多人现在只在第一层卷工具:哪个 Agent 更会写代码,哪个 IDE 更强,哪个模型修 bug 更快。
这些当然重要。
但如果只停在第一层,你会得到一个很勤奋的代码工人,却不一定得到一个更好的产品。

我会建议你把自己的 AI 编程流程也拆成三层。
第一层,给 Agent 更清楚的任务。不要只说“帮我做一个页面”,而是说清楚用户、目标、约束、验收标准。
第二层,记录你每次人工反馈的类型。你是在找 bug,还是在改产品方向?如果你一直在找同类 bug,就应该考虑把它做成测试或 eval。
第三层,尽早找真实用户。哪怕只是发给两个朋友,也比你和 Agent 在本地循环十轮更有价值。
我的结论很简单:AI 编程的下一阶段,不是少写几行代码,而是重新设计软件生产的反馈系统。
Agent 负责加速局部循环,人负责连接真实世界。
来源:Andrew Ng 在 X 上关于 Loop Engineering 的长帖。