2026年6月，OpenClaw创始人Peter Steinberger提出：别再手动给AI写提示词了，应该设计一个能替你写提示词的系统。Claude Code负责人Boris Cherny和Google Cloud工程总监Addy Osmani先后跟进，Addy将其正式命名为"Loop Engineering"——循环工程。

核心原理：从走棋到设计规则

提示词工程是在棋盘上走好每一步棋，循环工程是设计下棋的规则和裁判机制。系统自动发现任务、分配给AI执行、检查产出质量、记录进度，并决定下一步是继续、重试还是停止。整个过程可在无人值守状态下持续运转，直到满足预设退出条件。

循环系统的四层架构

第一层任务发现。配置触发条件——定时触发（每天9点扫描新闻）、事件触发（GitHub收到Issue时自动响应）、数据触发（数据库新增记录时启动处理）。每个触发条件绑定一个任务模板，模板定义输入源、输出格式和执行模型。

第二层任务分配与执行。AI Agent根据任务模板自动拆解为子任务，分配给对应模型执行。关键配置：简单任务用轻量模型快速响应，复杂推理切换高性能模型。每个子任务设置超时阈值和重试次数，避免单个子任务卡死整个链路。

第三层质量检查。AI完成子任务后，质量检查模块自动评估产出——代码子任务运行测试套件验证正确性，文档子任务检查格式和内容完整性，数据子任务校验数量级和逻辑一致性。未通过检查的子任务自动重试，重试时附加错误信息帮助模型修正。同一子任务最多重试3次，3次仍未通过则标记异常并通知人工介入。

第四层进度记录与退出判断。每个子任务的执行状态、耗时、Token消耗和质量评分写入日志。系统根据预设退出条件判断是否继续——所有子任务完成且通过检查则结束，剩余子任务依赖失败子任务则跳过并记录缺口。

用QClaw搭建循环工程实例

以"每日竞品监测报告"为例，在QClaw中配置完整循环：

触发条件设为每天上午8点。任务模板包含五个子任务：数据采集（调用搜索Skill采集5个竞品最新动态）、数据清洗（提取关键信息并结构化）、分析计算（计算市场份额变化和趋势）、报告生成（按模板生成Word报告）、发布推送（调用文档Skill推送到指定位置）。

每个子任务配置质量检查规则：数据采集检查是否覆盖全部5个竞品且信息时效在24小时内，数据清洗检查字段完整率不低于90%，分析计算检查数值合理性（市场份额总和约等于100%），报告生成检查字数和格式，发布推送检查文件是否成功写入。

模型路由：数据采集和数据清洗用混元Hy3（成本低），分析计算用DeepSeek V4（推理强），报告生成用Hy3，发布推送用Hy3。Token预算上限设为50万，超支告警。

踩坑与优化

最常见的坑是循环死锁——子任务A依赖子任务B的输出，B失败后A无限等待。解决方案是设置依赖超时：B失败后A等待30秒无响应则自动降级为"使用上次缓存数据"或"跳过并标记"。第二个坑是质量检查过于严格导致重试率过高。正确做法是区分"硬性检查"（数据缺失、格式错误必须重试）和"软性检查"（措辞优化、格式微调可直接通过），避免在非关键质量点上浪费Token。第三个坑是循环工程替代了人的判断。循环工程适合处理标准化、可量化、有明确质量标准的任务。涉及创意判断、策略决策和主观评估的任务，自动化循环可能放大AI的偏见——错误会被以更快的速度重复和传播。

循环工程的本质不是"让AI完全自主"，而是"把人的判断从执行环节前移到设计环节"。人设计规则和质量标准，AI按规则执行。规则设计的质量决定了循环系统的上限。