AI Agent 的下一步：從單次任務迴圈，到可持續運作的「迴圈工程」

近來圍繞 AI Agent 的討論，大多聚焦於單次任務的成功演示。然而，讓 Agent 跑完一次任務迴圈並非真正的瓶頸，真正的挑戰在於如何將這個迴圈擴展成一個能自主、長期、且可靠地處理複雜工作的系統。Agent 競爭的下一階段，將由「迴圈工程」（Loop Engineering）主導——這是一種將簡單的執行迴圈，轉化為可規劃、可驗證、可擴充的執行機器的系統性方法。從單次 demo 到可持續運作的系統，這之間的鴻溝，正是 Agent 能否從玩具走向實用工具的關鍵。

迴圈的迷思：從單次成功到系統性運作，挑戰在哪？

目前多數人對 Agent 的理解，仍停留在一個基本的「觀察-思考-行動」（Observe-Think-Act）迴圈。我們給它一個任務，它審視現有情境，利用工具搜集更多資訊，然後在自認完成時給出產出。這個模型足以應付許多精彩的短任務展示，例如寫一封郵件或預訂餐廳。然而，當任務的複雜度與時間尺度拉長時，例如「完成一份包含十個章節的市場分析報告」或「開發一個新功能並確保所有測試通過」，這種簡單迴圈的脆弱性便暴露無遺。

單次迴圈的成功，往往仰賴大量的人工介入與理想化的環境設定。它無法自主處理預期外的失敗、無法驗證產出的品質是否達標，也無法在完成一個子任務後，有條理地銜接下一個。這也是為什麼許多 Agent 產品在 demo 中看似無所不能，但在真實世界的工作流中卻步履維艱。我們需要的不是一個只會跑圈的短跑選手，而是一個懂得配速、認路、補給，能夠完成馬拉松的耐力型系統。

「迴圈工程」究竟是什麼？

「迴圈工程」的核心，是將單一的行動迴圈，提升為一個更高層次的、自我管理的「元迴圈」（meta-loop）。這套系統的設計，不再只關注「如何執行」，更關注「執行前的規劃」與「執行後的驗證」。Google 的軟體工程師 Addy Osmani 曾對此概念提出過精闢的見解，其精神在於建立一個更宏觀的框架，讓 Agent 能在其中自主導航。

一個設計良好的迴圈工程系統，通常具備幾個關鍵要素：

• 計畫文件（The Plan）：系統的起點不是一個模糊的指令，而是一個結構化的計畫，例如一份 plan.md 文件。這份文件清晰地列出所有待辦任務、目標規格、與交付標準。Agent 的工作不是即興發揮，而是嚴格遵循這份藍圖。
• 執行迴圈（The Execution Loop）：這是我們熟悉的 Agent 工作環節，它從計畫文件中提取一項任務，並利用其工具集來完成它。
• 驗證機制（The Verification）：這是將 demo 與工程系統區分開來的關鍵。系統必須有一套明確的標準來判斷任務是否「真正完成」。例如，報告是否涵蓋了計畫中的全部 10 個要點？新功能的 UI 是否正常運作？程式碼是否通過了所有單元測試？
• 迭代與推進（The Iteration）：一旦任務通過驗證，系統會自動將其標記為完成，然後回到計畫文件，提取下一個任務，週而復始，直到整個計畫完成。

這種方法的思維轉變在於：我們的目標不再是打造一個「聰明的 Agent」，而是設計一台「可靠的執行機器」。Agent 只是這台機器中的一個核心零件。

如何將工作流拆解成可管理的技能模組？

當任務變得複雜，讓一個全能的「通才 Agent」處理所有事情是極其低效的。更務實的做法，是將複雜的工作流拆解成一系列由「專家 Agent」或「技能模組」執行的專業步驟。這就像一家公司，有專門做市場研究的、寫產品規格的、開發的、以及測試的團隊。

一個典型的軟體開發工作流，可以被拆解為：

1. 規劃技能（Planning Skill）：分析總體目標，生成初始的 plan.md。
2. 需求分析技能（PRD Skill）：將計畫中的大任務，細化為具體的產品需求文件。
3. 研究技能（Research Skill）：針對每個功能點進行技術可行性與市場案例研究。
4. 建構技能（Building Skill）：根據需求文件撰寫程式碼。
5. 審查技能（Review Skill）：檢查程式碼品質、風格與邏輯。
6. 測試技能（Testing Skill）：撰寫並執行測試案例，確保功能穩定。

這種模組化的設計，讓每個環節的目標更單純、更容易被驗證，也更方便擴充與替換。業界已經出現了相應的基礎設施，例如 Vercel 推出的 skills.sh 平台，提供了一個包含超過 60 萬個技能的開源目錄，讓開發者可以輕易地為 Agent 擴充能力。這種「技能驅動」的架構，正是迴圈工程得以實現的基石。

從單點工具到整合系統：業界有哪些訊號？

這種從單點 Agent 走向整合系統的趨勢，在業界已有跡可循。例如，新創公司 Raindrop 推出的 2.0 系統，其核心理念就是一個自我完善的工程迴圈：當線上服務出現故障，系統會自動捕捉問題，交給編碼 Agent 修復，並將這次的故障案例轉化為一個新的評估標準（eval），確保同類問題不再發生。這就是一個高度自動化、具備驗證與學習能力的迴圈工程實例。

另一個訊號來自 Cognition Labs 為其 Agent 產品 Devin 提供的企業合約，他們甚至承諾，若 Devin 的表現未達預期，將提供高達 1000 萬美元的服務抵用金。若沒有一套極度可靠、可預測的內部執行系統，這樣的保證是難以想像的。這也間接證明，他們的核心競爭力可能不只在於 Agent 模型本身，更在於其背後的迴圈工程系統。

就連 Anthropic 最近也分享，在 Claude 的輔助下，開發人員撰寫程式碼的數量是 2025 年的 8 倍，而這些程式碼正被用來訓練下一代模型。這本身就是一個宏大的、人機協作的迴圈。

Agent 的價值，最終將取決於我們為它設計的系統有多麼穩固。當我們不再為單次任務的成功而喝采，而是開始專注於建構可持續運作的執行機器時，Agent 的革命才算真正開始。

延伸閱讀

• Loop Engineering: A Deep Dive by Addy Osmani
• A Survey on Large Language Model based Autonomous Agents (arXiv)
• Matt Van Horn's take on "WTF is a loop"

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。