AI编程的验证新范式：用循环工程打破交付瓶颈

核心观察

AI编程和智能代理领域正在发生一个关键变化：生成能力已经充足，真正制约交付质量的不是“写不出来”，而是“验不过来”。Claude Code的创建者Boris Cherny已经半年不再亲自写代码，日常工作变成了“设计-生成-检查”的交替循环，让AI在几乎无人监督的状态下持续产出。这种模式正在重新定义团队交付代码的方式。

生成冗余，验证成为窄口

过去两年，文本和代码生成能力的飞跃，让“无法生成”的痛点基本消失。如今决定交付质量的不再是输出的长度或语法是否正确，而是生成结果能否通过测试、是否满足功能复选框、是否符合视觉验收标准。能力的过剩反而让验证环节的负载急剧膨胀。

工程实践里已经有清晰的信号：一些团队在引入AI代理编程后，Pull Request数量飙升200%，但代码审查和测试通过的耗时并没有同比例降低。原因在于人工审批仍是串行瓶颈，模型可以并行生成大量候选方案，却没有足够并行的验证容量去消化它们。生成的红利被串行的验证堵在了路上。

Loop Engineering的核心机制

Loop Engineering的做法是把任务拆成“生成器”和“检查器”两个角色：生成器负责产出方案，检查器负责审查输出、运行测试、给出反馈，二者形成自动闭环。循环的收敛条件通常是任务通过验收标准，或者触达预设的迭代次数上限。

这套机制被提炼为一个三级系统，用来区分任务的自动化程度：

• 第一级：当检查器有清晰、可量化的标准时，循环全自动运行，人工介入降到最低。
• 第二级：当检查器遇到判断盲区或验收条件模糊时，人类介入调整条件，再交回循环。
• 第三级：当任务本身的需求和边界需要重新定义时，问题交还人类做决策。

三级系统的价值在于从“一轮爆发”转向“多轮收敛”。对团队而言，循环本身的设计和轮次管理，成了新的工作产出，而不再是每一轮生成的具体内容。

最小可行的闭环：Karpathy的 LLM Wiki

Loop Engineering并不需要重型框架就能落地。Andrej Karpathy的 LLM Wiki 就是一个最小示范：他将个人知识整理为标准 Markdown 目录树，AI在其中持续整理、更新、跨文件链接修订，没有复杂调度系统，也没有多Agent编排，却完成了知识维护的完整闭环。

这个案例揭示了两个要点。其一，标准化格式是让AI自我检查的前提：如果文档结构参差不齐，模型根本无法批量判定一次更新是否真正完成。其二，人类真正需要设计的是系统的目标、验收标准和循环边界，而不是每一轮生成的具体文案。把“做什么”的指令，转变为“怎样才算做好”的约束，才是启动自动化闭环的钥匙。

减少人工，而非消除人工

Claude Code产品负责人Cat Wu给出的建议很直接：提前把设计系统、组件库、规范语境等上下文整理清楚，一次性注入，而不是让模型每次都重新猜测。这与Loop Engineering的思路一致：验收标准越明确，AI就越能在无人值守下完成大部分重复工作。

Loop Engineering减少的是重复执行类的人工投入，而不是把人类踢出决策链。真正能从这种模式中获益的团队，通常已经清楚如何定义交付物标准，知道要用什么类型的测试、截图、结构约束来验收AI的产出。对还在积累使用经验的团队，可以先找一个验收标准清晰的小任务跑一轮自动循环，收集失败案例，再逐步扩展适用范围。

判断

一个人生成的瓶颈在大多数场景已经被解决，现在急缺的是并行验证能力和验收标准设计。Loop Engineering的本质，是把人类从重复执行的串行链路里释放出来，将精力重新投向目标设定、标准设计和边界判断。这或许才是AI时代能够让人类真正“休息”的前提。