循环工程(loop engineering)最近成了AI圈的热词,起因是Claude Code的创造者Boris Cherny,以及OpenClaw的创造者Peter Steinberger先后提到这个说法,并在社交媒体上引发大量转发讨论。循环正在成为AI智能体持续迭代、开发软件的关键方式。
吴恩达老师分享了他打造0到1产品时依赖的3个核心循环。他强调,这些循环不仅决定了软件怎么写,也决定了要做什么样的软件。
循环一:智能体编程循环
给定一份产品需求文档,再加上一套可选的评测数据集,也就是用来衡量表现好坏的数据,AI智能体就可以自己写代码、自己测试、不断迭代,直到代码没有bug并且满足需求为止。
这种把循环闭合起来的做法,从去年年底开始流行,成为编程智能体能够长时间独立工作、不需要人不断介入的关键突破。
吴恩达举了个例子。上周末他在给女儿做一个练习打字的应用,编程智能体可以自己工作将近一个小时,期间会用浏览器反复检查自己做出来的东西是否正常,全程不需要他插手。
这个循环运行得很快。编程智能体可能每隔几分钟就构建并测试一版新代码。吴恩达说,他经常听到开发者在探索怎样把这个工程循环做得更高效,这仍然是一个非常活跃的创新领域。
循环二:开发者反馈循环
在这个循环里,开发者会检查当前的产品效果,然后引导编程智能体去改进它。
去年,包括吴恩达在内的很多开发者都在亲自承担质量保证的工作,手动找bug,再让智能体去修。但现在编程智能体已经能更好地自己测试代码,这部分工作花的时间已经大幅减少。这让开发者可以腾出精力去做更高层次的产品决策,比如该提供哪些核心功能,界面哪里需要改进。
这个循环运转的周期在几十分钟到几个小时之间,这也是开发者检查产品、给出反馈的大致频率。还是那个打字应用的例子,吴恩达提到自己反复改主意的地方包括视觉设计、随着孩子学习进度解锁的猫咪服装(他女儿很喜欢猫)、还有大人登录后引导孩子学习体验的流程。
当开发者对要做的东西已经有清晰想法时,把这个想法转化成一份能让编程智能体去执行的需求文档,仍然要花不少功夫。而且开发者看到一版实现之后,往往还会调整甚至重新澄清需求,以便让结果更接近自己想要的样子。如果发现系统反复卡在同样的问题上,这时候给智能体建一套评测集就很有用。
以AI为原生工具的团队,正越来越多地用AI来辅助决定产品方向,比如自动收集和分析使用数据、总结书面和口头的用户反馈、做竞品分析。不过吴恩达说,在他参与的几乎所有产品里,人类相对于现在的AI系统都有明显的上下文优势,人类更了解用户,也更了解产品要运行在什么样的场景里,所以人依然扮演着关键角色。
很多人把这种人类贡献叫做审美,但吴恩达更愿意把它理解为上下文优势,因为这样能给出一条更清晰的路径去帮助AI系统变得更好。这也解释了为什么这一步没办法完全自动化:只要人类知道一些AI系统不知道的东西,就需要有人在循环里,把这些知识注入到系统中去。
循环三:外部反馈循环
这个循环包含一系列做法,比如找几个朋友帮忙提意见、把产品交给内测用户使用、或者直接上线做A/B测试。
这些做法通常都比较慢,很少能在几个小时内完成,有时候要花上几天甚至几周。
这些外部反馈得到的数据,会反过来影响开发者对产品的整体判断,这种判断又会继续驱动具体的需求文档,需求文档再驱动编程智能体去执行。
写在最后
随着编程智能体让软件开发的速度越来越快,越来越多工程师开始承担起部分产品经理的职责。对很多正在成长为这种角色的工程师来说,最难的部分在于塑造产品愿景,并且在构建产品也就是把愿景落地成需求文档,和获取用户反馈来演进愿景之间找到平衡。这两件事都很重要,缺一不可。
工程师正在扮演越来越广的角色,这和产品经理、设计师现在也在做更多工程工作,是同一个道理。
