prompt engineering 的下一步是 loop engineering：我讓 AI 分身自己討論、審核、優化的實測紀錄
直接回答
loop engineering 是「設計 AI agent 自己跑的那個迴圈」這門工程，被業界視為 2026 prompt engineering 的接班人。重點從「你寫題目給 AI」變成「你設計那個會自己給 AI 出題、自己檢查、自己決定做完沒的系統」。我實測讓一個寫手分身加三個不同角度的審查分身跑生成→挑錯→重寫的迴圈，3 輪、12 個分身、約 75 萬 token 跑完，最有價值的不是完美成品，是它沒收斂：三個審查角度逼出了題材本身的矛盾。這就是核心，機器負責把品質往上逼，人負責拍板方向。
這幾天我做了一件事：讓一個 AI 寫手，加三個不同角度的 AI 審查員，為了一篇貼文互相挑錯。
寫手生成一版，三個審查員各自狠狠挑錯，寫手照挑錯重寫，再送審。一輪一輪跑，跑了 3 輪、12 個分身、燒掉大約 75 萬 token。
最有意思的地方是：它沒有跑出完美成品。跑到第 3 輪，三個審查員還是都投「要再改」。
而這個「沒收斂」，正好是這篇要講的重點。
—
這件事有個名字，叫 loop engineering
我後來去查，才發現我做的這件事有正式名字：loop engineering，迴圈工程。
它是「設計 AI agent 自己跑的那個迴圈」的工程。重點不是你寫一句題目給 AI，是你設計那個「會自己給 AI 出題、自己檢查、自己決定做完沒」的系統。你的角色從「出題的人」，升級成「設計出題系統的人」。
業界公認它是 prompt engineering 的接班人。
loop engineering 是設計 AI agent 自己跑的迴圈這門工程：它在兩次動作之間做什麼、何時檢查自己的成果、怎麼判斷做完了。最基礎的迴圈是想→做→看結果，外面包一層對照目標決定要不要再跑一輪。被視為 2026 prompt engineering 的接班人。
—
prompt → context → loop，一層包一層
我之前寫過一篇講 context engineering，說重點從「這次怎麼問」變成「怎麼一次設定好」。loop engineering 是再往上一層。
整個演進是這樣，一層包一層：
prompt engineering 是把問題問得更好，單回合。
context engineering 是決定要餵給 AI 哪些背景資訊、規則、判斷標準。
loop engineering 是設計工作怎麼「跨回合」持續下去：排程、驗證、重試、預算、停止條件。
關鍵是，loop engineering 不取代前面兩層，是把它們包起來。2026 真正上線的 AI 系統，通常三層都要。
—
為什麼審查員一定要「不同角度」
回到我那個沒收斂的實測。我一開始就做對了一件事，事後查資料才知道那是關鍵。
我用的三個審查員，是三個「不同角度」：一個只看鉤子夠不夠讓人停、一個只看像不像真人、一個只看有沒有共鳴。不是三個一模一樣的審查員。
這件事業界反覆強調：如果「生成的」跟「審查的」是同一顆模型、同一個視角，它們會共用同樣的盲點。審查會剛好漏掉生成時漏掉的東西。看起來有共識，其實只是自己幫自己蓋章。
evaluator-optimizer 迴圈的關鍵：生成者和審查者若是同一模型、同一視角，會共用相同盲點，審查會漏掉生成時漏掉的東西，看似共識實為互相蓋章。解法是讓創作者與批評者是不同角色、不同視角，才逼得出真問題，避免自己幫自己蓋章。
所以我那三個不同角度的審查員，才不會互相稱讚。它們把題材本身一個真實矛盾逼了出來（那篇貼文的題材越照套路寫越像廣告、越拿掉又失去主題）。
它「沒收斂」不是失敗，是這個機制正常在運作。多視角審查逼出了一個機器自己解不了的死結。
—
迴圈最大的危險：失控
loop engineering 好玩，但有一個真實的危險：失控。
業界踩過的坑很直接。有人一個沒設好的迴圈，燒出 400 美金的帳單；有人的 agent 對一個壞掉的工具，連打了 400 次。
歸納起來，失控幾乎都是這四個原因：沒有硬性停止條件、目標太模糊、長迴圈把記憶塞爆、沒有成本控制。
對應的四個安全閥，是我設計自動化流程時一定會鎖進去的東西：
第一，硬性停止：最大幾輪、目標達成、沒進展就停。
第二，成本預算：每個分身給 token 上限，撞到就停。
第三，工具重試設斷路器：不要對壞掉的東西無限重打。
第四，不可逆動作前留人類關卡：部署、刪資料、花錢、對外發布，一定停下來等人。
AI 迴圈失控四大原因：沒有硬性停止條件、目標太模糊、長迴圈記憶爆掉、沒有成本控制。真實案例包含一個沒設好的迴圈燒出 400 美金帳單、對壞掉的工具連打 400 次。四個安全閥：最大輪數加無進展偵測、每分身 token 上限、工具重試斷路器、不可逆動作前留人類關卡。
—
一人公司其實站在最好的位置
工具這塊，如果你已經在用 Claude Code，你站的位置很好。
Claude Code 背後就是 Claude Agent SDK，Anthropic 已經幫你把迴圈寫好了，你只要掌舵、出方向。另一端是 LangGraph，迴圈、狀態、每一條線都自己刻，彈性最大但要工程底子。中間還有 CrewAI、AutoGen 這些。
對一個人要指揮多個分身的創作者或一人公司來說，「幫你把迴圈做好、你只出方向」這種最划算。你不用先變成分散式系統工程師，才能讓 AI 幫你自主工作。
—
那到底能不能「拿掉人」
很多人做到這裡會想：那我能不能整個放手，讓 AI 完全自己跑？
loop engineering 給的答案很精準：能拿掉你的「執行」跟「每一輪的參與」，但第四個安全閥的存在，就是為了在「不可逆的地方」永遠留一個你。
換句話說，你被拿掉的是「按每一個鍵」跟「陪它吵每一輪」。你留下的是「一開始定方向」跟「最後在不可逆的地方按確認」。這門工程的本質，就是設計「AI 自己能跑多遠、什麼時候該回來找你」。
—
學到什麼
我原本以為那個沒收斂的實測是失敗。查完 loop engineering 才發現，它剛好示範了整件事的核心：多個不同視角的 AI 分身能把品質一輪一輪往上逼、能誠實挑錯、能自己喊停，但「走哪個方向」這種判斷，機器決定不了，那是留給人的。
工具會一直換，但「怎麼設計一個 AI 自己能跑、又不會失控的迴圈」這件事，會是接下來越來越值錢的能力。