2026年8月5日，Jeff Dean宣布离开谷歌，与Sanjay Ghemawat、Oriol Vinyals、Quoc Le共同创办Discovery Loop。这件事被媒体铺天盖地地报道为"谷歌AI核心团队出走"，但真正值得关注的信息藏在公司的名字里——Loop。
这不是一个随意的命名。过去几个月，"Loop"已经从一小群开发者的工作流暗语，演变为AI工程领域最受关注的核心概念。Google工程师Addy Osmani以《Loop Engineering》为题系统阐述了这套方法；IBM正式将其定义为设计"行动、观察、决策和迭代"Agent工作流的工程范式；Claude Code负责人Boris Cherny甚至说，他已经很少直接提示Claude，"我的工作是写Loop"。
一、破题：Prompt Engineering之后，是Loop Engineering
2024到2025年，Prompt Engineering是AI从业者的必修课。怎么写好system prompt、怎么设计few-shot示例、怎么用chain-of-thought引导推理——这些技巧构成了人与模型交互的基本语法。
但到了2026年，情况变了。模型不再需要一个完整的指令才能开始工作。Claude Code、Cursor、GitHub Copilot这些Agent类产品已经可以自主解析任务、规划步骤、执行操作、验证结果。人的输入从"逐条指令"变成了"目标和约束条件"。
这不是一个渐进的变化，而是人机分工方式的根本转变。人和AI之间的关系，从"操作者—工具"变成了"设计者—自主系统"。你不再告诉模型每一步怎么做，而是设计一个机制——一个Loop——让模型自己在闭环中持续工作，你在关键节点做判断和纠偏。
这就是Loop Engineering的起点：从写提示词，到设计循环。
二、拆解：一个完整的Loop长什么样？
Addy Osmani在《Loop Engineering》一文中给出了一个完整的框架。一个标准的工作Loop包含以下要素：
- 任务触发：什么条件下启动循环？定时触发、事件触发还是手动触发？
- 状态保存：Agent的中间结果和上下文存放在哪里？如何保证断点续传？
- 结果验证：谁来判断Agent的输出是否合格？自动测试还是人工审核？
- 循环条件：什么情况下继续循环？什么情况下终止？
- 反馈注入：上一轮的结果如何反馈进下一轮的输入？
以Claude Code为例，它的工作流程就像一个典型的Loop：用户提出一个任务→Claude Code理解代码库、规划修改方案→执行修改→运行测试验证→根据测试结果调整→继续下一轮。用户不需要每步都参与，只在关键节点（如审批修改计划）介入。
Peter Steinberger（"龙虾之父"）用一个更通俗的表达概括了这套方法的精髓："不要再逐条提示编程Agent，要设计能够提示Agent的Loop。"
三、建框架：三类Loop，三种应用层级
过去两年，类似的闭环结构已经在三个不同的AI应用领域分别成型：
第一类：模型研发Loop
2026年3月，Andrej Karpathy开源了AutoResearch——一个让AI代理自动修改模型训练代码、运行实验、检查结果并保留有效改动的系统。整个环境被压缩到一份可修改的训练脚本、一个固定指标和一张GPU，实验可以在短时间内快速迭代。
Karpathy随后加入Anthropic，负责组建使用Claude加速预训练研究的团队。这意味着AI辅助AI研发已经从个人实验进入了前沿模型公司的核心流程。
Google DeepMind的AlphaEvolve也走了类似路线：让Gemini提出代码和算法方案，自动评估器运行、打分，把更优方案送入下一轮。这套系统已用于数据中心效率优化、芯片设计、AI训练策略、矩阵乘法算法等领域。
第二类：科学知识Loop
Sakana AI在2024年推出The AI Scientist，尝试让大语言模型完成从研究想法生成、代码编写、实验运行到论文撰写的完整闭环。2025年，AI生成的论文通过了机器学习会议工作坊的评审。
FutureHouse利用AI代理处理文献检索、数据分析、假设生成和实验规划，构建多Agent系统来连接科学研究的多个环节。
Discovery Loop的目标正是这个方向的最远一程——让AI参与科学研究的完整流程：提出假设、执行实验、评价结果，并根据反馈决定下一步探索方向。
第三类：物理实验Loop
西雅图创业公司Potato提出了"完全闭环的自主科学"，从计算研究走向实验室机器人；欧洲的Sigmatic Sciences提出了"lab-in-the-loop"，连接计算模型、自动实验和数据反馈。中国也出现了类似实践——上海科学智能研究院的Golab物质科学智能研发工厂，已建成"AI计算—自动实验—数据回流—模型自进化"的闭环。
三类Loop的成熟度不同。模型研发Loop跑得最快，因为每一次修改都能迅速得到分数，成功或失败相对清楚。科学知识Loop开始产出可验证的成果，但反馈依赖专业判断。物理实验Loop最慢，一次验证可能要调动设备、样本和数周时间。
四、推演：从Loop到递归自我改进
普通Loop让AI持续完成外部任务。但还有一条更深的演进路径——递归自我改进（Recursive Self-Improvement, RSI）。
RSI要求AI参与改进自身的算法、训练流程、评价器或研究方法，并把上一轮改进后的能力用于下一轮。这不是简单的"AI写代码"，而是"AI改进写代码的AI"。
今年5月，前Meta FAIR研究科学家总监田渊栋与Richard Socher、Tim Rocktäschel、Jeff Clune等人共同创办Recursive Superintelligence，直接把"递归自我改进"写进公司名称，融资6.5亿美元，估值46.5亿美元。
6月，该公司公布了第一阶段的自动化AI研究系统：AI提出想法、编写实现、运行实验、验证结果，再根据此前实验选择下一条研究路径。系统并行运行多条研究分支，合并有潜力的方向，并检查奖励投机和实验方差。团队声称已在固定算力模型训练、小模型训练速度和GPU Kernel优化三个测试中取得领先结果。
一篇2026年7月发布的综述在分析1250篇相关论文后，将当前RSI的实践分为"有边界的自我改进"和"开放式递归自我改进"。"有边界的自我改进"——目标、实验边界、评价指标由人类设定——已经进入工业实践。但开放式RSI仍受到外部验证成本、模型坍塌风险和算力约束等限制。
Jeff Dean在YC访谈中提出的度量标准，恰好点出了这个领域最核心的衡量方式："你要优化的是每单位计算输入的发现数量。"不是Token吞吐量，不是模型参数规模，而是"算力投入→有效发现"的转化率。
五、落到行动：如何在自己的工作中应用Loop Engineering
Loop Engineering不是只有大型AI实验室才能参与的事情。任何从事AI开发的人，都可以从今天开始应用这套思维：
1. 从"一次性任务"转向"可循环任务"
审视你每天用AI做的事情。如果某个任务需要重复执行（比如代码审查、Bug修复、测试生成），不要每次都写新的prompt。设计一个可复用的工作流，让AI可以自主循环执行，你只在关键节点做审批。
2. 明确循环的终止条件
Loop最容易犯的错误是"永远循环下去"。每次设计Loop时，先问自己三个问题：什么情况下任务算完成？什么情况下需要人工介入？什么情况下应该放弃当前方案换一条路？
3. 建立可量化的评估信号
Loop能否有效运行，取决于是否有足够快、足够可靠的评估信号。在代码领域，测试通过率就是很好的信号。在内容生成领域，可能需要设计自动评分机制。评估信号越模糊，Loop的有效性就越低——这也是为什么物理实验领域的Loop进展最慢。
4. 从"写Prompt"升级到"写Loop代码"
正如Boris Cherny所说，他现在的工作是"写Loop"。这意味着你需要掌握的不是prompt技巧，而是：如何用代码定义Agent的工作流、如何管理Agent的状态和上下文、如何设计验证和回退机制、如何监控Agent的长期运行。这些是工程能力，不是提示词技巧。
5. 关注"价值上移"的机会
Loop Engineering带来的最深刻变化，是人的价值在向上移动。当你不再需要逐条下达指令，你的时间就可以用在更关键的事情上：定义正确的目标、设计有效的反馈机制、判断什么方向值得探索、在关键时刻纠正偏差。
Jeff Dean在离职前最后一次访谈中说了一句话，可能是整个Loop Engineering时代最值得记住的判断："未来真正稀缺的能力，是知道该让Agent去解决什么问题。"
六、总结
从Prompt Engineering到Loop Engineering，不只是技术术语的替换，而是人机关系的一次结构重组。
Prompt Engineering的时代，人的价值体现在"把需求翻译成模型能理解的指令"。Loop Engineering的时代，人的价值体现在"设计系统、设定目标、定义边界、判断方向"。
Jeff Dean用27年帮助谷歌把数据、计算和模型训练变成可规模化的系统。现在，他和曾经对谷歌最重要的一批人，想把科学方法本身也变成一套可以规模运行的系统。Loop是他们选择的方法，科学发现是它首先要进入的世界，递归自我改进可能是这条路线更远的方向。
对每一个AI开发者来说，问题不是"要不要学Loop Engineering"——这个问题已经过时了。真正的问题是：你的Loop在哪？
参考来源
- 腾讯科技《谷歌最重要的人，离职去做的"Loop"有多重要？》
- InfoQ《Jeff Dean离职前最后一次对话》
- Addy Osmani《Loop Engineering》
- IBM "行动、观察、决策和迭代" Agent工作流定义
- Recursive Superintelligence 官方公告
- arXiv: 1250篇论文的RSI综述