从写 Prompt 到写 Loop： 七十年前的钱学森工程控制论，如何解释 Agent 新范式

今天科技圈最大的热搜，是 Claude Code 之父 Boris Cherny 和 “龙虾之父” Peter Steinberger 同时喊出的一个新词——Loop Engineering。

他们说：你不该再给编程 Agent 写提示词了。你应该设计一套循环机制，让这些循环去提示你的 Agent。

什么意思？

1 年前，最好的写代码方式是在 IDE 里敲代码、偶尔用自动补全。去年 11 月，Cherny 卸载了 IDE，同时跑 5 到 10 个 Claude，"写代码"变成了写提示词。

而现在，他说：“我不再提示 Claude 了。我有一堆循环在运行，它们才是在提示 Claude 并判断接下来该做什么。我的工作变成了写循环。”

从写代码，到写提示词，到写循环。三次范式转移。

问题不在于你有没有看到这个变化，而在于你手上有没有一套系统的方法论去应对这个变化。

下面这句话可能有点突兀，但请你试着想一想：

Boris Cherny 说的"循环"，和钱学森七十多年前在《工程控制论》里写的"反馈控制回路"，是同一个东西吗？

我翻完这篇文章后认真想了一天，我的答案是：

是，也不是。

"是"的部分，今天聊。让你看看，一个 1954 年的数学框架，怎么解释 2026 年最前沿的 AI 工程范式。

一、Cherny 描述的世界，到底新在哪里？

先看原文。Cherny 现在的日常工作流是这样的：

“让大量 AI Agent 长时间并行工作，在夜间通常运行’几千个’AI Agent。关键功能有两个：/loop 和 Routines。Loops 通过 cron 定时运行，让 Agent 按计划循环执行任务。Routines 运行在服务器端，可以执行周期性任务。即使工程师合上笔记本电脑，Agent 仍然可以继续工作。”

Peter Steinberger 的说法更直接：“设计一套循环机制，让这些循环去提示你的 Agent。”

关键变化是什么？之前，开发者用脚本包裹 claude -p，每次调用都是一次冷启动，缺少上一轮上下文。而 Loops 在持续存在的 Claude Code 会话中运行，保留上下文窗口、工具权限和 MCP 连接——Agent 能记住上一轮操作，在下一轮继续推进。

开发者可以用自然语言创建任务：

/loop 30m 检查 PR 构建是否通过；如果失败，读取错误日志、修复问题并推送新 commit

等等。这个场景你拆开来看：

你写一个循环，这个循环以固定间隔检查一个外部信号（PR 构建状态），拿到结果后执行一个动作，然后把状态带回下一轮决策。

这不就是控制论里的"采样控制系统"吗？

《工程控制论》讨论过离散控制与采样系统：系统每隔一段时间获取状态，做出控制决策，然后执行，等待下一个采样周期。采样太密浪费资源、采样太疏可能错过关键变化。Claude Code 的 /loop 30m，可以类比为在设定观测与行动的节奏。

语言变了，数学没变。

二、Loop Engineering 的深层问题，控制论全都有现成的解

这篇报道里，开发者社区提出的几个困惑，值得认真听。

问题 1：Loop 不是机械重复吗？不就是一个 cron job？

有人问：“Loop 不基本就是一个 cron job 吗？他们只是反复告诉模型’把这个应用做得更好’吗？”

社区的回答是：真正需要的是一个反馈闭环。

这不就是控制论教科书里写的吗？

**开环控制：**你设好参数让它跑，没有反馈，跑偏了你也不知道。这就是 cron job，就是 shell loop。

**闭环控制：**系统持续测量输出，与期望值比较，根据偏差调整输入。这就是真正的 Loop Engineering。

Cherny 说的 Loop 和 cron 的本质区别就在这里——不是重复执行，而是每次执行后根据结果调整下一次的输入。

一篇好的 Agent Loop，就是一个精心设计的负反馈系统。一篇差的 Agent Loop，就是给错误装上了放大器。

问题 2：Loop 怎么防止失控？

另一个开发者指出了更尖锐的问题：

“设计 loop 只完成了一半。另一半是在 loop 里放入能够说’不’的机制——测试、类型检查或真实错误。否则，一个没有反馈机制的 loop，只会让 Agent 不断重复并自我确认。”

Peter Steinberger 的回应是：他在项目中使用 VISION.md 文件。

但你细想——不管是测试还是 VISION.md，这些机制在控制论里叫什么？

叫参考输入。也叫稳定判据。

钱学森在《工程控制论》第五章（线性系统的稳定性）里讲得明明白白：一个闭环系统要稳定，必须满足特定的数学条件。超出稳定边界的系统，即使环路闭合，也会发散——“Agent 的错误在循环中不断放大”，在控制论里就是系统增益超过临界值导致的振荡发散。

Anthropic 内部的前沿 Harness 结构就更明显了：生成器—评估器—规划器。这实际上是一个带有多级反馈的控制系统——生成器是执行器、评估器是测量元件、规划器是参考信号生成器。评估器拥有独立的上下文窗口和系统提示词，真正用 Playwright 打开网页、点击、截图——而不是只看代码 diff。

为什么评估器要和生成器拆开？Ash 的解释是：“模型很容易对自己的作品过于宽容。一个人评价一幅画很容易，但亲自画出来要难得多。大语言模型同样如此。”

这就是控制论最根本的原则之一：**反馈通道不能与执行通道共用同一套信源。**信号通道和反馈通道必须解耦。钱学森在讨论系统可靠性时明确说过——共享信道的系统，一个故障就能同时污染执行和纠错两条路径。

Anthropic 的做法是教科书级的应用：评估器拥有独立上下文，意味着评估信号不受生成过程干扰。测量器件与被控对象分离——这是控制系统设计中降级都不会突破的底线。

问题 3：Token 太贵怎么办？

这篇报道里最有意思的讨论，其实是 token 消耗。Cherny 和 Steinberger 背后都有近乎无限的 token 支持。但社区里的普通开发者说：“20 美元的套餐根本不可能。” Steinberger 的回答是，“难道你的时间真不值钱吗？”

然后另一个开发者给出了一个非常控制论的视角：

“Loop 可以是 for 循环，也可以是 while 循环。Token 充裕的公司可以随意使用 while 循环；Token 紧张的初创公司也能用 for 循环实现同样目标，只是花的时间更长。”

for 是有限步数，while 是无限直到满足条件——这恰好对应控制论里的两种基本策略。

钱学森在讲系统综合时说过：控制系统的设计必须在性能、成本和可靠性之间做权衡。对于一个系统，不是稳定就够用了，还要考虑经济性——用最少的控制能量达到要求的控制品质。

Token 就是今天的"控制能量"。Agent 工程师在做的事，本质上就是：用有限的 control effort（token），在有限的时间内，让系统收敛到期望状态。

这已经接近自适应与学习系统所研究的问题：一个系统如何根据经验和环境变化，调整自己的控制策略。

在一篇文章里，我同时看到了自适应周期、采样控制、稳定性边界、反馈信号解耦——全部出现在同一篇 2026 年的 AI 报道里。

三、Loop Engineering 不是新东西——但为什么现在火了？

你说，既然控制论七十多年前就写好了，为什么 Loop Engineering 直到今天才火？

答案很简单：因为控制对象变了。

钱学森研究的是火箭的控制系统——物理世界，信号纯度高，噪声可建模，系统方程已知。你不需要用自然语言去告诉一个引擎"请稍微加大推力，谢谢"。

而今天 Loop Engineering 的控制对象是 LLM——语言世界，信号掺杂了语义歧义、上下文噪声、模型幻觉。你不能直接写一个 PID 控制器来调 Agent——因为 Agent 的输出不是连续的数值信号，是离散的文本。

这两个世界之间的桥梁，是七十多年后我们才建好的。桥上写的字是：

传递函数 → 输入输出映射关系（你给 Agent 一条指令，它大概率会怎么反应）

稳定判据 → 你不希望 Agent 的行为在循环中发散

反馈控制器 → 评估器 / Guard / 验证机制

采样周期 → 30m, 1h, expiring time

控制能量 → Token 预算

自适应控制 → 能从上次执行结果中自我调整的 Agent

框架是旧的，应用场景是新的。

四、所以，控制论现在真的能指导 Loop Engineering 吗？

我前面说"是，也不是"。

"是"的部分你看到了——概念映射、稳定性分析、反馈设计，全都能用。

“不是"的部分在于：**数学工具还没翻译过来。**钱学森书里的数学——传递函数、拉氏变换、频率响应——需要离散化、语义化，才能适配 LLM 的世界。一个 Agent 的"传递函数”，不是用 S 域表达式写的，是用 prompt 写的。它的行为不是一组微分方程，而是一个概率分布。

但方向是对的，而且不是空谈。

你看 Anthropic 现在的做法——生成器-评估器对抗结构，本质上就是在实现在线控制中的"系统辨识"：评估器不断测量系统的真实输出，与期望输出对比，生成偏差信号，指导下一轮生成。

你再看看 Peter Steinberger 说的"设计你的 loops 的舰队"——这不就是多层级联控制系统吗？一个 Loop 的输出是下一个 Loop 的参考输入。

你再看看有人担心的"字符串膨胀"——这正是控制论里"过程噪声"和"信号失真"在语言空间的映射。反馈信号带上了语义噪声，控制精度就会下降。

你可以不用控制论的术语去设计 Loop。但你理解控制论，你就知道它为什么有时候跑得好、有时候跑偏、有时候系统发散到灾难性。

最后，让我引用那位开发者的原话收尾：

“我们已经从’学会写代码’，走到了’学会编写那个会写代码的东西’。不知为什么，这听起来既像进步，又像一场金字塔骗局。”

我觉得不像金字塔骗局。

因为每一次抽象层次的跃迁——从机器码到汇编、从汇编到高级语言、从高级语言到框架、从框架到 Agent 提示词、从提示词到 Loop——本质上都是在做同一件事情：把重复性的人类劳动封装进系统，让人去思考更高层次的问题。

控制论讲的也是这件事。钱学森当年面对的不是 Agent，是火箭。但面对复杂系统的态度一样：不是盯着每一个元件，而是设计控制回路——让系统自己维持稳定。

Boris Cherny 今天做的事情，和七十多年前钱学森讨论的问题，正在形成新的互文。

只不过钱学森用数学写，Cherny 用 /loop 命令写。

数学写七十多年前的书，
/loop 写今天的命令

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】