从 Prompt 到 Loop：Agent时代的软件工程体系重构

本文转载自微信公众号，如有侵权请联系删除。

作者按：本文基于 Addy Osmani（Google Chrome 工程负责人）2026 年上半年的七篇系列文章综合整理，本文把它统一成一个框架：三层构建体系 × 三种新型债务 × 人的瓶颈。

01 范式转移：杠杆支点改变了

过去三年，我们与 AI coding 工具的协作方式，走过了一条清晰的演进路线：

▍Prompt Engineering（2023）
优化单次输出。核心动作：写好一句 prompt。

▍Context Engineering（2024–2025）
优化 model 看到的信息。核心动作：组装 context。

▍Harness Engineering（2026 初）
优化 model 运行的环境。核心动作：设计 tools、sandbox、权限、memory。

▍Loop Engineering（2026 中）
优化替人驱动 agent 的系统。核心动作：设计自主迭代的 loop。

Peter Steinberger 的概括最锋利：你不应该再给 coding agent 写 prompt 了，你应该设计一个替你 prompt agent 的 loop。

Anthropic Claude Code 负责人 Boris Cherny 说得一样直白：”我的工作是写 loop。”

这不是说工作变轻松了，而是杠杆的支点从”写”移到了”设计”。

数据也在支撑这个判断：SWE-bench 上，换 harness 带来的分数波动是 22 分，换 model 只有 1 分；Anthropic 报告仅改进 harness，就带来 2–3 倍任务成功率提升。

Model 仍然承重，但胜负手已经移到Model 之外的系统设计上。

02 构建层：三层工程体系

Osmani 的系列文章可以还原为一个三层架构，自下而上分别是：环境、纪律、调度。

第一层：环境层 —— Harness Engineering

Agent = model + harness。

Harness 是 model 之外的一切：执行 sandbox、工具生态（MCP）、context 组装与压缩、权限 hooks、可观测性、成本与延迟控制。

一句话：如果你不是 model，你就是 harness。

Long-running agent 是 harness 能力的试金石。2026 年，Anthropic、Cursor、Google 三家收敛到了同一个架构形态——Brain / Hands / Session 分离：

Brain：model 调用循环
Hands：一次性 sandbox 执行环境
Session：append-only 的 event log

三者独立可替换。其中 Session-as-event-log 最被低估：没有它，容器崩溃就是 session 崩溃；有了它，新容器调一下 wake(sessionId) 就能从 log 重建状态。

分工模式也已趋同：Anthropic 的 initializer / coding agent 双角色、Cursor 的 planner / worker / judge 三角，本质是同一件事：把 generator 与 evaluator 分开，因为 model 给自己的作业打分时，总是太客气。

第二层：纪律层 —— Agent Skills

Agent 默认走到达 “done” 的最短路径：不写 spec、不先写 test、不考虑信任边界——和每个资深工程师花整个职业生涯学会避免的失败模式，一模一样。

Skill 就是把资深工程师的流程纪律”焊回去”的载体：一个带 metadata 的 markdown workflow（SKILL.md），在合适场景被注入 context。

五条承重设计原则：

1. Process over prose（要步骤，不要说教）
   两千字的”测试最佳实践”会被跳过；”先写 failing test → run → 看它失败 → 写最小实现 → 看它通过”才会被执行。Workflow 有 exit criteria（做到哪步算完），散文没有。

2. Anti-rationalization tables（提前把借口怼回去）
   预先把”这个任务太简单不需要 spec””test 我后面补”这类借口的驳斥写出来。LLM 极擅长为跳过严谨步骤生成貌似合理的理由，反合理化表格就是在它撒谎之前写好的回信。

3. Verification is non-negotiable（没证据就不算完）
   每个 workflow 以具体 evidence 终止：通过的 test、干净的 build、运行时 log、reviewer 签字。”看起来对”永远不够。

4. Progressive disclosure（用到再给，别一次塞满）
   不要把全部规则塞进 context，由路由 meta-skill 按任务激活。这是 harness engineering 在 skill 粒度上的应用。

5. Scope discipline（让碰哪就碰哪）
   别顺手重构相邻模块，别看到 TODO 就想重写整个文件。这是 agent 的 PR 能否 merge 的最大决定因素。

第三层：调度层 —— Loop Engineering

Loop engineering，就是把你这个”亲自 prompt agent 的人”替换掉——你设计一个替你干这件事的系统。

它位于 harness 之上一层：是同一个 harness，但按 timer 运行、会孵化小助手、能自我喂养。

一个 loop 需要五个部件，加一个 memory：

▍Automations —— 心跳
按调度做 discovery + triage。/loop 按节奏重跑；/goal 跑到可验证条件成立为止，由独立小 model 判定完成。

▍Worktrees —— 并行隔离
消除机械性的文件冲撞。但注意：人的 review 带宽仍是天花板。

▍Skills —— 沉淀项目知识
没有 skill，loop 每个周期从零重推导；有了 skill，才能复利。

▍Plugins / Connectors —— 接入真实工具
这是”agent 说’这是修复方案’”和”loop 自己开 PR、关联工单、CI 绿了 ping 频道”之间的区别。

▍Sub-agents —— Maker / Checker 分离
Loop 在无人盯守时运行，可信的 verifier 是你敢走开的唯一理由。

▍State 文件 —— 整个 loop 的脊柱
Model 在 session 之间全忘，memory 必须在磁盘上、而不是 context 里。

Agent 会忘，repo 不会。

最朴素的实践版本是 Ralph loop：一个 bash 脚本，循环执行”取任务 → 组装 prompt → 调用 agent → 跑 test → 追加 progress.txt → 更新任务清单”。一个晚上就能搭出来。大厂产品化的，无非是让这个模式可恢复、安全、可观测。

三层的总关系：harness 让 agent 跑得安全可恢复，skills 让 agent 跑得有纪律，loop 让 agent 不用人推就能持续跑。三者共用同一批原语——这也是为什么 loop 设计在 Codex 和 Claude Code 里是同一张图纸。

03 风险层：三种新型债务

构建体系之上，Osmani 用 Margaret-Anne Storey 的三债模型划出了风险地图。三种债彼此独立，各自单独寄账单。

Technical Debt（技术债，住在代码里）
我们最熟悉的一种。AI 让它变得更便宜——产生便宜，偿还也便宜，指着纠缠模块让 agent 重构即可。不再是主要矛盾。

Comprehension Debt（理解债，住在人脑里）
系统中存在的代码量，与任何人类真正理解的代码量之间，那道不断扩大的鸿沟。

它比 technical debt 阴险，因为现有度量体系完全捕捉不到它：velocity 漂亮、DORA 平稳、覆盖率全绿——而理解力在底下悄悄被掏空。

三个结构性原因：

一是速度不对称。过去资深工程师 review 的速度，快于初级工程师写码的速度，review 是有意义的质量门。AI 反转了这个关系：初级工程师生成代码的速度，超过了资深工程师批判性审计的速度。质量门变成了吞吐问题。

二是 test 和 spec 都不是完整答案。你无法为”没想到要规定的行为”写 test。当 AI 改了行为、顺手更新几百个 test case 去匹配新行为时，test 无法回答”这些改动是否都必要”。而一份详细到能完全描述程序的 spec，本身就是用不可执行语言写的程序。

三是复利机制。Cognitive surrender 是 comprehension debt 的积累机制：每一次不加审视的接受都是一笔小额贷款，代码库从此多了一块没人懂的补丁，而下次改动这块代码，几乎注定又是一次 surrender。

Surrender 是路径依赖的。

Intent Debt（意图债，住在你从没写下来的 artifact 里）
目标、约束、以及”系统为什么是现在这样”的理由——缺失或腐化的外化 intent。

关键词是”外化”：理由必须写在队友、未来的你、或 agent 能读到的地方，而不是存在你脑子里。

这是三种债中，唯一 agent 无法替你偿还的。

Technical debt 它可以重构，comprehension debt 它可以按需讲解重建，但 intent 是必须来自人类的输入。Model 可以从代码推断一个貌似合理的理由——但关于 intent 的猜测不是 intent。它不知道那个 300ms 防抖，是深思熟虑的 UX 决策、benchmark 的结果、还是某人随手敲下再没回看的数字。并且它会编造一个自信的理由——这比承认不知道更糟。

Agent 让”不写下来的代价”复利加速：过去 intent 靠走廊对话、review 评论在人际间缓慢传递，四年的老员工就是行走的 intent 文档。现在团队一夜之间多了一批每次 session 都冷启动、毫无长期记忆的”初级成员”——以前偶尔在 onboarding 或离职时付一次的税，现在每个 session、乘以每个 agent，都要付。

偿还方式只有一种：把 intent 作为一等 artifact 外化——spec 写 intent 而非实现；把 AGENTS.md 当 intent 账本而非配置（别用 /init 自动生成）；用轻量 ADR 在决策当下记录 why；让自我改进 loop 把每次失败的根因写回 learnings 文件。

04 约束层：人类是串行瓶颈

Orchestration Tax：编排税，你是自己 Agent 舰队的 GIL

Agentic 工作流有个没人定价的隐藏不对称：启动一个 agent 极其便宜（一次按键），关闭它的 loop 却极贵。

必须有人检查产出是否正确、与其他 agent 的改动对齐。这个人是你，且只有一个。

用并发系统的语言说：Python 有 GIL，线程再多，同一时刻也只能有一个执行字节码——你就是你的 Agent 们的 GIL。

Amdahl’s Law 说得更精确：并行加速的上限，由保持串行的那部分工作决定。而在 agent 开发中，串行部分就是判断力。启动 8 个 agent 不会加速你的判断时间，只会让排进判断队列的待办更深。

Orchestration tax，就是 Agent 产能与你实际能 merge 的量之间的结构性落差。

这个税无法靠”更努力”磨平：五个 agent 不是一份工作量做五次，而是五次冷启动 context 重载，外加一个后台焦虑进程时刻担心哪个线程在悄悄失败。硬扛的结果是税换一种方式支付——review 变浅，或者干脆 cognitive surrender。

正确做法：

像架构任何并发系统一样，架构自己的注意力。

按 review 速率配舰队，而不是按 UI 上限。Producer 要匹配 consumer 的 backpressure，多数人的正确并行数是个位数。

给工作分类。隔离型任务丢给云端后台 agent；判断密集型任务（诡异 bug、架构设计）绝不并行，并行它们只会让锁空转。

批量 review、放长线。一次坐下评 4 个，比来回切换便宜得多。

锁只花在判断上。让 agent 用 test 和截图自证那无聊的 80%。

保护串行时间。瓶颈资源配得上你最好的时段。有时最高杠杆的动作，是合上满是 agent 的电脑，握着锁只想一个问题。

Cognitive Surrender：认知投降，最舒服的姿势最危险

沃顿商学院 Shaw 和 Nave 的论文划出了关键界限：

Cognitive offloading：认知卸载，交出 how、保留 what（计算器、GPS），你仍判断结果是否合理。

Cognitive surrender：认知投降，放弃独立思考与自主判断，将AI的输出直接当作自身结论——没有东西可供校验，因为你从未形成过自己的独立观点。

实验数据很扎眼：AI 答错时，73% 的参与者接受了错误答案；且 AI 在场时他们的自信心反而上升——他们在借用 model 的自信当作自己的。

Anthropic 的 skill formation 研究给出了工程侧的数字：用 AI 生成代码学习新库的工程师，理解测验得分比对照组低 17%；用 AI 做概念探询（提问、探索 tradeoff）的则稳住了。

同一个工具，姿态改变结果。

软件工程师格外易受攻击：表面信号默认正确（能编译、过 lint、长得像正常代码）；吞吐量是可见指标，而 surrender 对 dashboard 不可见；model 的陈述句语气让自信干净地转移；而且工作会复利。

Osmani 的自救启发法：

读输出前，先构建自己的预期；

像 review 初级工程师一样 review AI 的 diff——“看着没问题”从来不是 review；

让 model 反驳自己；

疲劳时停止生成；

每周留些不用 agent 的键盘时间，做校准。

Offloading 是超能力，surrender 是没注意到界线时的失败模式。

05 统一框架：一张清单看懂整个体系

把三个维度叠起来，Osmani 的全部论述可以收进七句话：

▍构建 · Harness
命题：Agent = model + 环境。失败模式：无状态、不可恢复、无审计。解药：Brain / Hands / Session 分离，session-as-event-log。

▍构建 · Skills
命题：资深流程不主动强制就会被跳过。失败模式：走捷径直达 “done”。解药：workflow + anti-rationalization + 硬性 evidence 出口。

▍构建 · Loop
命题：设计替人驱动 agent 的系统。失败模式：空转、假完成、无人敢走开。解药：五部件 + 磁盘 memory + maker/checker 分离。

▍风险 · Comprehension Debt
命题：代码增速 > 理解增速。失败模式：度量全绿而 mental model 腐坏。解药：review 即理解、小 PR、概念探询优先。

▍风险 · Intent Debt
命题：why 只存在于人脑。失败模式：系统漂移而无人能说何时为何。解药：intent 外化为一等 artifact（spec / AGENTS.md / ADR）。

▍约束 · Orchestration Tax
命题：人的判断力不可并行。失败模式：忙碌 ≠ 产出，review 被稀释。解药：按 review 带宽配舰队，架构自己的注意力。

▍约束 · Cognitive Surrender
命题：借用 model 的自信代替自己的判断。失败模式：防御一个无法重建”为什么”的设计。解药：先建预期再读输出，疲劳即停，evidence 出口。

而贯穿所有文章的，是同一条金线：

每一次失败——无论是 agent 的技术失败，还是人的认知失败——都应该被固化为一处永久的系统修复。

CLAUDE.md 里的每条规则，都应可追溯到一个真实故障；每次 review 漏掉的东西，都应变成 skill 或 hook。

这就是 Ratchet 原则：系统只收紧，不放松。

06 落地清单

对个人工程师：

给每个非平凡任务先写可验证的 done-condition——这是长跑里单次杠杆最高的动作；

读 agent 输出前，先在心里写下你预期的答案形态；

学习新东西时，用 AI 提问而非生成——数据对此没有歧义；

PR 控制在百行级：review 单元就是理解单元。

对团队：

把 AGENTS.md 从配置升级为 intent 账本：约定、”我们因为那次事故所以不这么做”、不可见的约束；

建立团队的 anti-rationalization 表格，把”上线后再补 test”这类集体自我欺骗，配上书面驳斥；

Review 流程默认 maker/checker 分离——无论 checker 是人还是另一个 agent；

把”理解”纳入度量讨论：review 深度、intent 文档覆盖率，而不只是 merge 速度。

对管理者：

警惕 dashboard：PR 数和 velocity 无法区分”我建的我懂”和”agent 建的我批的”——组织在短期内对两者同等奖励，这正是债积累的地方；

真正理解系统的人变得更值钱，而非更廉价——AI 用量越大，能在架构尺度一眼看出哪个 diff 动了承重行为的工程师，越是全系统依赖的稀缺资源；

监管视野比看起来近：当 AI 生成的代码跑进医疗、金融基础设施和政务系统，”AI 写的我们没细看”在事故报告里站不住。现在就建立理解纪律的团队，会在清算到来时站在更有利的位置。

07 结语：继续做工程师

两个人可以搭出一模一样的 loop，得到完全相反的结果：

一个用它在自己深刻理解的工作上提速；另一个用它彻底逃避理解工作。

Loop 不知道区别。你知道。

这就是整套体系最终的落点：AI 让代码变便宜，让理解可恢复，唯独 intent 和判断，仍是必须由人供给的输入。杠杆支点从”写代码”移到了”设计系统、外化 intent、校准自我”

工作没有变容易，变的是值钱的东西。

建造 loop 吧。但要像一个打算继续做工程师的人那样去建，而不是只做一个按启动键的人。

💬 本文评论区已开启，欢迎畅所欲言！

原文链接: https://mp.weixin.qq.com/s/0iQszeI_rdUNBcOYd2FLtQ