「不再写提示词了」这句话最近在AI圈迅速传播。从OpenAI的Peter Steinberger到Anthropic的Boris Cherny，硅谷的顶尖人物们正集体转向「循环」。谷歌工程师Addy Osmani甚至将这种趋势命名为「循环工程」。Cherny透露，他几乎不再亲手写提示词，而是让一个智能体代劳。Steinberger则提出了一个更深刻的观点：不要给编程智能体写提示词，而是要设计一个喂给它提示词的循环。
这种「循环」究竟是什么？最近，Claude Code团队在官方博客中给出了明确界定，并将其细分为四种类型。这标志着AI编程正从「写一句话」转变为「设计一套会自动运行的系统」。
四种循环与停止条件
Claude Code团队将循环定义为智能体重复执行任务直到满足停止条件的过程。这四种循环，本质上就是四种不同的「停止条件」。
第一种是回合制循环。这种模式下，用户逐轮控制，每发送一条提示词启动一轮工作。它适合零散的短任务。为了减少来回次数，用户可以将手动检查的步骤写入SKILL.md文件，让AI自行验收。检查标准越量化，AI判断越准确，用户需要盯得就越少。
第二种是目标循环。用户设定明确的目标，例如「将首页Lighthouse分数提升至90分，尝试五次后停止」。每次AI试图停止时，评估器模型会对照标准进行判定。如果未达标，任务将被打回重做。这种机制利用可量化的标准（如分数、通过数）避免了AI过早停止或纠结「够不够好」。
第三种是时间循环。这种循环类似于闹钟，按固定时间间隔触发。它适用于重复性任务或需要持续监控外部系统的场景。通过/loop命令可以按间隔重跑提示词，而/schedule则能将循环部署到云端，在用户关机后继续运行。这与程序员熟悉的定时任务逻辑高度一致。
第四种是主动循环。这是一种无人值守的模式，由事件或时间触发。配合自动模式和动态工作流，它可以全自动地串联长任务。例如，每小时扫描反馈频道，收到Bug报告后自动分诊、修复并回复。这种模式适合边界清晰、源源不断的任务，如Bug上报或依赖升级。
从内容设计到行为系统设计
从底层逻辑来看，Claude Agent SDK的循环机制十分简单：提示词进入后，Claude评估、调用工具、获取结果，然后重复这一过程，直到某一轮它不再调用任何工具，循环才结束。
这并非从零开始的技术革命，而是对已有概念的统一命名与规范。真正改变的是「停止条件」的设计，尤其是验证环节。正如给工程师提供浏览器让他能实时看到效果一样，循环赋予模型自我闭环的能力，让提示词退化为系统中的一个组件。核心变成了验证器设计、Token预算控制和多轮执行策略。
然而，没有闸门的循环既强大又危险。主要风险在于成本失控和陷入「原地打转」的死循环。社区普遍认为，设计循环必须包含三条闸门：明确的「完成条件」（机器可判定）、硬性的「时间/次数上限」以及「无进展检测」。此外，官方也建议采用省钱策略，如使用小模型、分批测试等。
这一轮变革标志着编程重心的转移：从「内容设计」转向「行为系统设计」。未来的编程能力比拼，不再是谁能写出更精妙的提示词，而是谁能设计出会自我验证、知道何时停止的循环系统。