AI 開發的重心轉移：從 Prompt Engineering 到 Loop Engineering
單次提示詞（prompt）優劣的競爭已近尾聲。AI 開發的下一個戰場，是設計能夠自主運作、驗證、修正並持續迭代的「循環系統」（loop）。這不僅是技術的演進，更是對工程師價值、系統設計思維的根本性轉變。未來，AI 系統的優勢將來自其工作流的韌性與智慧，而非單一指令的精巧。
高階 AI 應用的開發重心，正從「如何寫出完美的單次提示詞」快速轉移至「如何設計出強韌的自主循環系統」。過去，我們追求 Prompt Engineering 的極致，旨在單一回合互動中榨取模型最佳效能。如今，頂尖模型的單次回答品質已趨於穩定，真正的差異化在於能否建構一個讓 AI 自主規劃、執行、檢查、修正，直到達成最終目標的完整工作流。這不僅是技術典範的轉移，更重新定義了 AI 工程師的核心價值：從語言的工匠，轉變為複雜系統的架構師。
什麼是 Loop Engineering？
Loop Engineering（循環工程）這個詞最近開始在開發者社群中出現，它描述了一種新的 AI 應用設計思維。簡單來說，它指的是設計一個能讓 AI 模型在「循環」中持續運作的系統，直到滿足預設的「完成條件」（completion condition）為止。
過去的 Prompt Engineering，像是對一個黑盒子許願，我們盡力把願望說得精準，然後期待一次就得到想要的結果。但 Loop Engineering 則是給予 AI 一個目標、一套工具、以及一套驗證與修正的規則，讓它自己想辦法達成。要理解 Loop Engineering 的運作，我們可以將其拆解為幾個關鍵階段：
- 規劃與行動 (Plan & Act)：AI 根據最終目標，拆解任務、規劃步驟，並利用可用的工具（如 API 呼叫、程式碼執行）來執行第一步。
- 驗證與反思 (Verify & Reflect)：系統或 AI 自身會檢查上一步的執行結果是否符合預期。例如，程式碼是否成功運行？API 是否回傳了正確的資料？結果是否讓任務更接近目標？
- 修正與重試 (Correct & Retry)：如果驗證失敗，AI 會分析錯誤原因，修正自己的計畫或行動，然後重新嘗試。這個自我修正的能力，是循環系統韌性的關鍵。
- 達成與停止 (Complete & Stop)：當系統判定已達成最終目標（例如，所有測試案例都通過、使用者確認結果滿意），循環才會停止。
這種模式在 Anthropic 最新的 Agent SDK 文件中也有體現，其核心理念就是讓模型不再只是被動地回應，而是成為一個能主動推進任務的代理人（agent）。
為什麼這個轉變正在發生？
這個典範轉移並非偶然，而是由幾個關鍵因素共同推動的。首先，模型的基礎能力已經跨越了一個重要門檻。以 Anthropic 的 Claude 3.5 Sonnet 為例，它不僅在多項基準測試上表現優異，更重要的是它擁有高達 200K token 的 context window，並且運作成本僅為旗艦模型 Opus 的五分之一。這意味著 AI 有足夠的「記憶」來處理複雜的多步驟任務，同時，多次嘗試與修正的成本也變得在商業上可行。
目標不再是「一次就給出完美答案」，而是「打造一個能自己找到完美答案的系統」。
其次，業界對於 AI Agent 的研究與實踐已逐漸成熟。從早期如 Auto-GPT 這類實驗性專案，到現在更為穩健的 agentic workflow 框架，開發者們積累了大量關於如何讓 LLM 可靠地使用工具與自我修正的經驗。相關的學術研究，如大型語言模型自主代理的綜述 (A Survey on Large Language Model based Autonomous Agents)，也為這個領域提供了堅實的理論基礎。
最後，現實世界的問題本質上就是複雜且充滿變數的。單一 prompt 幾乎不可能涵蓋所有情境。一個能應對預期外錯誤、能從失敗中學習並調整策略的循環系統，顯然比一個只能僵化執行指令的系統，在實務上更有價值。
工程師的新價值：從提示詞工匠到系統架構師
在 Loop Engineering 的思維下，工程師的關注點發生了根本性的轉變，將精力轉移到更高層次的系統設計問題上，例如：
- 定義清晰的「完成條件」：如何讓機器精確地知道「任務完成了」？這可能是一個通過所有單元測試的程式碼庫、一份格式與內容都符合規範的分析報告，或是一個成功預訂所有行程的 API 回應。這個條件的定義，直接決定了系統的成敗。
- 設計可靠的「工具集」：AI 能使用哪些 API？它是否有權限讀寫檔案？它能執行哪種類型的程式碼？提供一組功能強大且行為可預測的工具，是讓 AI 有效解決問題的前提。
- 建立有效的「驗證機制」：系統如何判斷一步操作是成功還是失敗？是依賴程式碼的 exit code、API 的 HTTP status，還是需要另一個 AI 模型來進行「評審」？學術界提出的 Self-Refine 框架就探索了讓 LLM 自我反思與迭代改進輸出品質的方法，這與 Loop Engineering 的驗證與修正階段不謀而合。
- 管理資源與風險：如何避免 AI 陷入無限迴圈？如何設定 token 消耗和運算時間的上限？這些都是確保系統在現實世界中經濟、安全運行的關鍵考量。
總結來說，AI 開發的戰場已經轉移。當模型的基礎能力趨於一致時，競爭的勝負將不再取決於誰的 prompt 寫得更華麗，而在於誰能設計出更智慧、更強韌、更能自主解決問題的循環系統。對我們工程師而言，這是一個挑戰，更是一個巨大的機會——從與機器對話，到為機器設計一個能夠自我成長與實現目標的世界。
延伸閱讀
- Zenn.dev: Loop Engineering という考え方
- Anthropic: Agentic SDK Documentation
- Anthropic: Introducing Claude 3.5 Sonnet
- arXiv: A Survey on Large Language Model based Autonomous Agents
- arXiv: Self-Refine: Iterative Refinement with Self-Feedback
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。