Loop Engineering：把 AI 開發從一次提示詞，推進到可驗證的工程迴圈
這支影片用「循環工程」重新整理 Coding Agent 的工作方式：不是把提示詞寫得更長，而是把目標、子 Agent、MCP 工具、外部記憶與驗證規則接成一條能反覆運行、能被接手、也能被人類審查的流程。
循環工程不是提示詞工程的升級版，而是工作系統的設計
傳統 prompt engineering 關心的是「這一輪怎麼問，模型才會答得好」。Loop Engineering 關心的是另一個層級：當任務需要多輪探索、多個工具、多個 agent、反覆驗證與狀態交接時，整條流程該如何被設計。影片把這個概念放在 Coding Agent、子 Agent、MCP 協議與 AI 開發效率的脈絡中，說明為什麼工程師的工作重心正在往流程設計移動。
這個轉變很務實。因為 coding agent 真正容易失控的地方，通常不是單次回答寫得不夠漂亮，而是它在長任務裡遺失上下文、工具選錯、驗證不足，或把錯誤假設一路累積下去。循環工程的價值，就是把這些風險變成可檢查的流程節點。
好的 loop 不是「把人拿掉」，而是讓人類不用每一輪都搬運上下文，改成在關鍵節點做判斷。
依影片標題、說明、YouTube metadata 與公開描述整理
一個能長跑的 agent loop，至少要有五個模組
影片說明循環工程的核心組成時，重點不是某個單一工具，而是一套可以組合的模組化思維。你先定義任務目標，再把任務切給適合的子 Agent，透過 MCP 或其他工具接口操作外部世界，接著把中間狀態寫進外部記憶，最後用測試、規格或人工審查關閉每一輪。
Claude Code 與 Codex 的差異，可以用「loop primitive」來看
影片把 Claude Code 與 Codex 放在同一個循環工程脈絡中比較，重點不是誰比較像聊天機器人，而是它們如何支援長任務、外部工具與工程驗證。對工程師來說，真正要看的不是模型名，而是這套工具是否能清楚保存狀態、限制權限、連接 MCP 或 shell 工具，並在每一輪後回到可驗證的工作成果。
Claude Code：適合觀察 agent loop 的互動面
Claude Code 類工具讓工程師直接在專案上下文中安排任務、拆分步驟、讀取檔案與執行驗證。它的價值在於把 agent 變成可在 repo 內持續工作的同伴，但仍需要工程師設計邊界與驗收條件。
Codex：適合觀察工程工作流的自動化面
Codex 類工具把規格、程式碼修改、測試與交付流程接得更緊。從 Loop Engineering 的角度看，重點是讓任務從「寫一段程式」升級成「完成一個可提交、可驗證的變更」。
把一次 agent 工作還原成 loop，大概會長這樣
循環工程最有用的地方，是把「看起來像魔法的 agent 工作」還原成可描述的控制流程。這個流程不要求每個步驟都全自動；相反地，它應該清楚標出哪些步驟可以交給 agent，哪些地方需要人停下來審查。
把需求改寫成可驗證目標
例如不是「幫我改善登入」，而是「重構登入流程，保持現有測試通過，新增錯誤狀態測試，UI 不改動」。
分配角色與工具權限
研究 agent 負責讀文件，實作 agent 負責改碼，審查 agent 負責找風險；每個角色只拿它需要的工具。
每一輪都寫入外部記憶
計畫、已完成項、失敗原因、測試結果與待確認事項都不應只留在聊天上下文裡。
用驗證器決定要不要進下一輪
測試、lint、型別檢查、截圖、人工審查都可以是出口條件；沒有出口條件的 loop 只是更快的失控。
影片也提醒：循環工程不是把所有事都交給 AI
Loop Engineering 的技術限制很明確：模型仍會誤解需求，工具接口仍可能有權限風險，長任務仍會累積錯誤，外部記憶也可能記下錯的結論。當 loop 跑得越久，越需要可觀測性、停損點與人工審查，而不是更大的自動化野心。
AI 時代工程師的角色，會更像 loop designer
如果把這支影片放進更大的 AI coding 趨勢裡，它其實在說一件很清楚的事：工程師不會只剩下按按鈕，而是要更懂得設計工作邊界。你需要知道什麼任務值得自動化、什麼工具可以開給 agent、什麼狀態要保存、什麼結果可以用機器驗證，以及什麼決策一定要人來做。
因此，Loop Engineering 的門檻不是會不會寫神奇提示詞，而是能不能把不穩定的智能輸出，包進穩定的工程流程。這也是它和軟體研發效率真正有關的地方。