循环工程、编组、挽具、爬山算法……

循环工程（Loop Engineering）的核心思想是围绕智能体设计可重复运行的系统，而非每次手动发出单一提示词。一个典型示例是：不再每天早晨手动要求智能体审查新 Issue，而是创建一个定时运行的循环——自动拉取 Issue、传递给智能体、验证输出结果，并对卡住的任务进行上报。这本质上是一种 AI 原生的定时任务机制。良好设计的循环会引入技能、可观测性、验证、路由和检查点等基础原语，使整个流程更加结构化和可靠。

Ralph 循环是循环工程的一种具体实现方式：给智能体一份详细任务说明（通常来自产品需求文档），让它持续工作直到任务完成。这种方式适合将大型任务拆解为反复的「计划—执行—检查」周期，但代价是每次迭代都会消耗更多 Token、上下文和算力，成本较高。循环工程的目标正是让这一模式更加结构化，避免开发者陷入不断要求智能体「再试一次」的低效循环之中。

编组（Squad）和舰队（Fleet）描述的是多智能体协作的组织方式。编组是一组承担不同角色的智能体集合，类似于真实团队的分工：一个负责规划，一个负责审核计划，一个负责实现，一个负责测试，另一个负责代码审查。舰队则指多个智能体并行处理任务。编组可以在舰队中并行运行，也可以按顺序执行。这种模式的核心价值在于并行化与专业化——不同智能体各司其职，每个都可以针对特定技能进行微调，从而提升整体效率。

挽具（Harness）指的是模型之外、使其在工作流中真正发挥作用的一切系统组件，包括工具、权限、记忆、上下文和编排逻辑等。GitHub Copilot 就是一个典型的软件挽具示例，它将模型与代码库、编辑器、拉取请求和终端连接起来。「挽具工程」（Harness Engineering）则是设计和持续改进这套围绕模型运行的系统的工程工作。爬山算法（Hill Climbing）与之密切相关，指的是通过评估（Evals）衡量智能体输出质量，并不断调整挽具配置以提升结果的迭代优化过程。

在模型开放程度方面，封闭模型（Closed Model）仅通过 API 或托管产品提供访问，开发者无法获取底层权重、训练数据或训练过程，大多数知名前沿模型属于此类。开放权重模型（Open Weight Model）允许开发者下载并在本地或自有基础设施上运行模型权重，但训练数据和方法不一定完全公开。开源模型（Open Source Model）则更进一步，模型、代码、数据和训练流程全部开放，支持检查、复用和修改。模型越开放，开发者对其的掌控力、可定制性和可信度也就越高。

这些术语有些会长期沉淀为行业标准，有些则会随着实践的成熟被更精准的语言所取代。开发者无需焦虑于跟上每一个新词，更重要的是思考这些词汇背后的工程问题：工作流能否可靠地重复运行？如何验证任务输出？人工应在哪些环节介入？如何持续提升系统对模型的依赖可靠性？AI 时代带来了新的工程范式，但对最佳实践的追求始终不变。

要点

• 循环工程将智能体从单次提示升级为可重复、可调度的自动化系统，是构建可靠 AI 工作流的基础模式
• 编组与舰队通过角色分工和并行执行，让多智能体协作兼顾专业化与效率
• 挽具是模型能够真正融入开发工作流的关键系统层，挽具工程的质量直接决定智能体的实际表现
• 封闭模型、开放权重与开源模型在可控性、可定制性和透明度上存在本质差异，选型时需结合实际需求权衡
• 理解术语背后的工程实践比追逐流行词汇更重要，最佳实践在 AI 时代依然是核心竞争力