矽谷最近在瘋一個詞：Loop Engineering（迴圈工程）。核心觀念是——別再手動一句句下指令了，真正高效的人花時間設計一套「迴圈」，讓 AI 自己一輪一輪跑下去。但我看了一輪相關文章，發現多數都在講概念，很少有人講「一個 Loop 到底怎麼實際做出來」。這篇我就把它拆成 5 個步驟，從我自己的實戰經驗講給你聽。
這波風潮是誰帶起來的？
三個關鍵人物。第一個是 Claude Code 的負責人 Boris Cherny，他在一場科技播客專訪裡講了一句被瘋傳的話：「我的工作是寫迴圈。」（My job is writing loops.）一個做出頂尖 AI 工具的人，不說自己在寫提示詞，而說在寫迴圈，這個轉變很有意思。
第二個是開源圈大老、OpenCloud 創始人 Peter Steinberger。他 6 月初發了一條超過 800 萬次觀看的推文，提醒大家：別再盲目地 prompt 你的 coding agent 了，你現在該做的，是設計一套能自動提示 agent 的迴圈系統。
第三個、也是把這件事講得最完整的，是 Google 的工程師 Addy Osmani。他寫了一篇長文，把「一個 Loop 該有哪些零件」拆成一套架構，被視為這波 Loop Engineering 的奠基之作。下面我會把他的架構接進實際步驟裡。
為什麼「一直手動下指令」會卡住你？
想想你平常怎麼用 AI：想到一件事，打一句指令；它答了，你不滿意，再打一句修；明天遇到類似的事，又從頭打一輪。每一次都是手動、每一次都從零開始。
問題是，你很多工作其實是重複的——同樣格式的報告、同樣流程的整理、同樣套路的回覆。你卻每次都重新跟 AI 講一遍。這就像每天上班都要重新教一次新人，當然累。
Loop Engineering 的精神就是：把「你會重複做的那件事」設計成一條固定的迴圈，讓 AI 照著跑、甚至自己檢查自己，你只要設定一次。接下來就是怎麼做。
一個 Loop 是由什麼組成的？
動手之前，先看懂零件。Addy Osmani 把一個成熟的 AI 迴圈拆成這幾塊，我用白話對照給你：
| 零件 | 白話講就是 |
|---|---|
| Skill（技能） | 把「某件事的標準做法」寫成一份規則書，AI 照著做 |
| Memory（記憶） | 讓 AI 記得你的偏好、過去的案例，不用每次重講 |
| Sub-agent（子代理） | 把大任務拆給不同的小 AI 各做一塊，再合起來 |
| Connector（連接器） | 讓 AI 接得到外部工具與資料（行事曆、檔案、API） |
| Automation（自動化） | 讓迴圈能被「自動觸發」，不用你每次手動開 |
看起來很技術，但你不用一次到位。我把它變成 5 個可以照著走的步驟。
怎麼實際做出一個 Loop：5 個步驟
步驟 1：先找出「你每次都重來」的那件事
核心動作：別急著做工具，先盯著自己一週的工作，找出那個「我怎麼又在做同一件事」的時刻。
判斷標準很簡單：這件事我是不是已經重複做過 3 次以上？格式、流程都差不多、只有內容換？如果是，它就是適合做成 Loop 的候選。一次性的事不用做成迴圈，那只是浪費力氣。
為什麼這樣做：Loop 的價值來自「重複」。你愈常做的事，做成迴圈愈划算；偶爾才做一次的事，手動反而比較快。先選對標的，後面才不白工。
小結：會迴圈化的人，不是工具學最多的人，是最先看出「這件事我做太多次了」的人。
步驟 2：把做法寫成「規則書」，而不是寫一次性提示詞
核心動作：把這件事的標準做法，拆成固定步驟，寫成一份 AI 每次都能照著跑的規則書（也就是 Addy 講的 Skill）。
差別在哪？一次性提示詞是「這次幫我整理這篇」；規則書是「以後遇到這類文章，一律照這個結構整理：先講來源、再拆步驟、最後配一張表」。前者用完即丟，後者可以重複用一百次。
為什麼這樣做：當你把流程寫死成規則，AI 的產出就會穩定、可預期，不會今天這樣明天那樣。這也是整個迴圈最關鍵的一塊——沒有規則書，後面都白搭。
小結：從「寫提示詞」到「寫規則書」，是手動和迴圈的分水嶺。
步驟 3：給它記憶，偏好和案例不用每次重講
核心動作：把你的固定偏好（口吻、格式、慣用詞、過去做過的範例）存成一份「記憶」，讓 AI 每次跑迴圈時自動讀進去。
這就是 Addy 架構裡的 Memory。沒有記憶，你每次都要重講「我喜歡用全形標點、技術詞保留英文、結尾要帶下一步」；有了記憶，這些一次設定好，之後它自己記得。
為什麼這樣做：記憶讓迴圈愈跑愈貼近你，而不是每次都像在跟一個新認識的 AI 對話。這是「它愈來愈懂我」的關鍵。
小結：規則書管「怎麼做」，記憶管「照誰的習慣做」。兩個加起來，產出才像出自你手。
步驟 4：設計「生成 → 自我檢查 → 修復」的內建迴圈
核心動作：別讓 AI 一次生成就交差，讓它自己跑三段：先生成草稿、再逐條檢查哪裡不對、最後針對問題修正。
這是整個 Loop Engineering 最核心的一招。與其期待 AI 一次到位，不如讓它自己當自己的審稿人。生成的它負責產出、檢查的它負責挑錯（列出每個問題＋證據）、修復的它收到清單再改。三個角色各做一件事、刻意保持簡單。
為什麼這樣做：實測上，這種「拆成三段自我循環」的架構，常常比「換一個更強的模型、塞一個超長提示詞」效果還好，而且更穩、成本更低。讓 AI 自己驗自己，比你在旁邊一直盯划算太多。
小結：最會用 AI 的人，不是把指令寫到完美，是設計一個能自己抓錯、自己修的迴圈。
步驟 5：接上工具和觸發，讓迴圈自己跑起來
核心動作：把迴圈接上它需要的外部工具（Connector），再設一個自動觸發點（Automation），讓它不用你每次手動開。
該算數字的，給它一個計算工具，別讓它用嘴算；要讀檔案、查行事曆、發通知的，把對應的連接器接上。最後設定觸發條件——可能是每天固定時間跑、可能是你丟一句話它就自己啟動。到這一步，你的 Loop 才算真的「會自己跑」。
為什麼這樣做：前面四步讓迴圈「做得好」，這一步讓它「自己動」。少了這層，你還是得當那個每次按開始的人。
小結：一個成熟的 Loop，最後是你睡覺它也能跑，而不是你不在它就停。
我自己怎麼做：把「寫文」變成一個 Loop
講這麼多，舉個我自己最近的真實例子。我常要寫這種「收某個大神或原廠講的內容，整理成有架構的長文」，以前每篇都從零開始，光是交代「要先講來源、再拆步驟、配張表、最後加我自己的案例」就講到累。
後來我乾脆照上面的步驟把它做成一個 Loop：把這套寫法寫成固定的規則書（步驟 2），把我的口吻、格式偏好存成記憶（步驟 3），最妙的是——我連「要放什麼案例」都不用自己想了，我讓它自己去翻我的日記，撈出我真的做過、跟主題相關的經驗來當例子（步驟 3 的記憶＋步驟 5 的連接器）。一次設定，之後每篇都省一大段功夫。
另一個例子是報表。我有一份每個月都要重跑的整理工作，以前要手動拉資料、重算、改名、歸檔，一輪下來半天沒了。後來我把整套寫成腳本串成一條 pipeline，現在雙擊一個指令，全部重生成加歸檔一次完成。這就是步驟 5 的自動化——把每次都要手動的流程，變成一鍵。
我是做教育訓練的，最有感的是：這套邏輯第一線同仁也用得上。與其每次重新問 AI 一輪，不如把「你每天都要做的那件事」想清楚、寫成固定步驟，讓 AI 變成你的迴圈幫手，而不是一個你得一直下指令的工具。
動手前，有幾點要先想清楚
不是所有事都該做成 Loop。重複 3 次以上、流程穩定的才值得。偶爾做一次的事硬要做成迴圈，光是設計成本就划不來。
前期要花時間。做一個 Loop 的第一次設定一定比手動慢，它的回報是攤在後面每一次的省力上。願意先投資這一次，才換得到後面長期的輕鬆。
關鍵決策還是要留人。讓 AI 自己跑迴圈很爽，但牽涉重要判斷、對外發布、花錢的環節，記得留一個「你來確認」的關卡，別全交給它。
如果你手上也有一件「怎麼又在做同一件事」的工作，今天就挑那一件，照這 5 步試著把它做成一個 Loop。第一個跑起來之後，你會開始到處看到可以迴圈化的東西。
本文整理自近期 AI 開發圈對 Loop Engineering（迴圈工程）的討論，方法步驟與案例為作者本人結合實戰經驗整理。主要參考來源：Addy Osmani「Loop Engineering」原始長文（addyosmani.com/blog/loop-engineering）、Boris Cherny 訪談分析（lushbinary.com）、中文觀點可參考數位時代（bnext.com.tw）與 TechOrange（techorange.com）。
留言
張貼留言