循环工程

你要解决的不是“写得快”，而是“别错得稳”

AI 天生容易过度自信，尤其在代码、分析这类需要验证的工作里。它会说“我做完了”，但你得先问一句：“真的验证过了吗？”很多人只盯着内层循环，让 AI 反复写码、改 bug，却忽略了两件事：一是 AI 没有你掌握的用户约束、合规要求、产品愿景这些上下文，容易做出“能用但不合场景”的产出；二是迟迟不拿给真实用户或市场看，在错误方向上烧完算力才发现需求错了。循环工程的核心，就是把“做完”替换成“验证通过”，用三层嵌套循环补上这些盲区。

它怎么跑起来：三层循环，各管一段

L1 主循环：定标 → 最小实现 → 外部验证 → 循环收敛

这是内层执行单元，每几分钟转一圈。先定标，把“让它工作”改成“完成 = X 为真”，比如代码任务先写能复现问题的测试，分析任务先定“什么证据能证明结论”。然后最小实现，不投机加功能、不为单次使用造抽象，只碰必须改的部分。接下来外部验证，用测试结果、≥2 个独立来源交叉这类客观信号，而非 AI 自我感觉；主动找最强反证，写清“结论在什么条件下会崩”。验证不过就回到最小实现调整，每轮记录失败原因，直到达成标准或连续两轮无新洞察。

L2 人类掌舵：补 AI 没有的上下文，不是当 QA

这一层每几十分钟到几小时 review 一次。你的角色不是帮 AI 找 bug，而是把 AI 不知道的上下文显式注入 spec——比如合规要求、用户画像、产品方向。当 AI 反复踩同一个坑，就把这条约束做成 eval，成为产品意图和内层循环的桥梁。方向变了就及时更新 spec，别等内层跑完再纠偏，那时候算力已经浪费在错误路径上了。

L3 外部反馈：拿真实反应重塑愿景，越早越好

最慢也最关键的一层，小时到周级。内部打磨得再细，不如让 5 个真实用户试用 alpha 版。外部数据会重塑开发者愿景，愿景变了，下一轮的 spec 就要跟着改——比如同事反馈“要定时导出到共享盘，不是手动按钮”，整个需求方向都要调整。企业场景里，政策、审计这类外部约束也要纳入这一层，不能事后补丁。

什么时候别用它

• 简单问答、纯信息查询，直接答就行，别硬套循环；
• 还在探索阶段，连“完成 = 什么为真”都说不清，先调研聊清楚再考虑闭环；
• 创意发散任务，比如起名、写初版文案，先产出再谈验证；
• 代码任务没有可运行环境、分析任务找不到 ≥2 个独立来源，按降级路径处理，别拿“我觉得对”当验证结果。