让 Agent 不止回答，
而是把一件事做完
真正的进步，不是让 AI 多说几轮，而是让它围绕目标行动、接受验证、留下证据，并知道何时继续、何时停下。
AI Native 是方向，Agent 是角色，
Harness 是工作环境，Loop 是进化机制。
Graph 是流程地图。它不是 Loop 的替代品，而是在任务需要分支、并行、恢复与人工介入时，把这些关系表达清楚。
先看产品，再拆工程
个人助理正在把“记忆、任务、云端执行、完成后交付”组合起来。对我们而言，重要的不是追逐一个新名字，而是看懂这些产品背后共同的工作结构。
| 产品 | 任务与执行 | 上下文与生态 | 阅读重点 |
|---|---|---|---|
| Grok Bot | 定时任务、触发器与专属云电脑 | 跨会话记忆，连接 X 与生产力工具 | 主动任务与多 Bot 协作 |
| Dots | 离开对话后继续任务，云端电脑可观察 | 持久上下文，承接 ChatGPT 与企业入口 | 把一次性 Prompt 变成持续目标 |
| Gemini Spark | 多步任务与定时运行 | Personal Intelligence 与 Google 应用 | 个人上下文如何进入执行过程 |
| Meta Muse | 多步在线任务与隔离浏览器 | 个人偏好、购物与服务生态 | 可观察、可干预的执行边界 |
| Claude | Cowork 长任务、文件与文档交付 | 项目上下文、记忆与工作流 | 把长任务沉淀为工作现场 |
快照仅用于理解产品方向，不是当前可用性或购买建议。开放范围与功能以各产品官方页面为准；本页不列价格。
助理的壳，Loop 的芯：持久目标对应 Goal，定时任务对应 Trigger，记忆对应 State，云端执行对应 Execute，可观察对应 Check，敏感确认对应 Gate，记忆回写对应 Record。产品形态在变，底层结构仍然相通。
Loop 不是更长的提示词，
而是一个有状态的反馈系统
Anthropic 对 Agent 的简洁描述是：模型根据环境反馈，在循环中使用工具。关键不在“重复调用”，而在每一轮都有真实结果可以校正下一步。
交付物、验收、边界与停止线先于执行。
使用工具读取环境或修改隔离的产物。
运行测试、读取原文件或公开回读，而不是相信完成声明。
记录动作、证据、失败与下一步，让下个会话能够接续。
通过验收才结束；未通过则带着具体反馈回到 Goal / Execute。
Checker 必须尽量独立：能用测试、文件回读、链接检查解决的，不只靠模型自评。涉及品味与业务判断时，LLM 评审可以辅助，但人工保留最终决定权。
能跑很久，不等于能可靠地完成
长任务的难点通常不是第一步，而是上下文用尽、进程中断、重复提交和失败之后无法恢复。Harness 把模型之外的工作条件组织起来：指令、工具、状态、权限、验证与反馈。
状态可恢复
每个阶段留下短检查点；恢复时读取状态与证据，不重放整段对话。
动作有边界
隔离实验与生产环境；发布、付款、对外通信等动作保留人工门禁。
失败可诊断
相同失败先定位原因再换策略，不把自动重试当作自我修复。
成本有停止线
为时间、调用与范围设置约束；具体内部额度不进入公开教学页。
一个能启动长任务的 Goal，至少有六个槽位
| 字段 | 必须回答的问题 |
|---|---|
| Outcome | 要交付什么成品？它在哪里，给谁使用？ |
| Verification | 用什么可重复的检查证明它真的完成？ |
| Constraints | 时间、工具、质量与资源有哪些硬约束？ |
| Boundaries | 哪些文件、权限与外部动作不可触碰？ |
| Iteration | 何时检查点，失败后如何换策略？ |
| Stop | 什么条件下停止上报，而不是继续消耗？ |
完成一次任务，
和让系统下次做得更好，是两件事
工作循环交付结果；改进循环利用结果优化 Harness。没有真实轨迹和 Eval，所谓“自我进化”很容易只是反复改写提示词。
保留输入、工具调用、输出、失败与人工反馈。
将反复出现的问题转成可重跑的检查，保留回归义务。
明确改了指令、工具、权限还是验证器，避免混淆因果。
同时检查新能力与旧能力，不能用局部提升掩盖整体退化。
最值得积累的不是漂亮成稿，而是失败样本：它说明系统哪里会坏、哪条规则需要变成 Checker、哪个判断仍需要人来负责。
Graph 没有取代 Loop，
它让循环的边界更清楚
顺序任务可以先写简单 Loop。需要并行研究、条件返工、跨进程恢复或人工审批时，再引入 Graph。Graph 的节点负责一个明确动作，边负责路由，状态负责交接，Checkpoint 负责恢复。
| 工具 | 借鉴重点 | 不要误以为 |
|---|---|---|
| Atomic Agents | 强类型输入输出、原子节点与可组合工具合同 | 天然具备无限自主循环 |
| Hermes / Codex | 持久 Goal、状态判断、暂停恢复与长任务执行 | 运行时间长就等于交付可靠 |
| LangGraph | 分支、循环、Checkpoint、人工介入与状态恢复 | 图画出来就等于业务已自动化 |
这是架构分工，不是框架性能排名。技术版本与开放能力会变化；采用前重新读官方文档并做小规模本机验证。
把工程落到一个真实闭环
我们已经验证的两类实践
固定触发 → 草稿与质检 → 人工门禁 → 公开回读
X 内容 Loop 的价值不只是定时运行，而是把结果 ID、正文与媒体回读作为完成证据；结果不确定时先查重，不盲目重试。
探索 → 反思 → 对抗 → 只提交建议
知识宫殿每日 Loop 从旧文档寻找遗漏证据、反例与隐藏联系。它只生成写入建议，不擅自改核心认知、不移动原文件；价值在于补漏，而不是制造每日噪音。
什么时候不要用 Loop：一次调用已经解决；结果无法验证；任务涉及不可逆动作却没有门禁；自动化的管理成本高于人工完成。Graph 也不必为了“看起来高级”而提前引入。
给学员的起步练习
- 选一个重复发生、结果容易判断的小任务。
- 写出六槽位 Goal，先做一次可验收的人工试跑。
- 只自动化“执行与检查”部分，保留发布和关键决策。
- 运行几轮后，把一个真实失败变成下一次必须通过的检查。
继续读原文，而不是继续追名词
- Anthropic · Building Effective Agents：工作流与 Agent 的边界，以及最简单的反馈循环。
- Anthropic · Building Agents with the Claude Agent SDK：获取上下文、行动、验证、重复。
- Anthropic · Effective Harnesses for Long-running Agents：跨会话增量推进、状态与恢复。
- LangChain · The Art of Loop Engineering：执行、验证、改进循环及相应代价。
- LangChain · Agent Evals：2026-10-15，轨迹、回归与改进循环。
- LangGraph · Sequences, Branches and Loops：条件循环、停止与递归限制。
- LangGraph · Persistence：Checkpoint、跨会话记忆与故障恢复。
- Atomic Agents 源码：强类型、可组合 Agent / Tool 节点。
本页由 Loop Engineering 原站精华重构，保留本地实战记录于原研究项目。公开页不包含自有业务价格、转化数据、Token 用量、内部评分或文件路径。