6月中旬以来，Loop Engineering 成为硅谷 AI 圈被频繁讨论的新概念。
Claude Code 产品负责人 Boris Cherny 公开表示，与其继续打磨提示词，不如设计一套循环机制，让循环本身去驱动 Agent。OpenAI Codex 负责人 Tibo 也提出“是否已经开始写嵌套循环”的问题。技术社区内部的关注点，正在从“如何让模型回答得更好”，转向“如何让 Agent 持续工作直到完成任务”。
表面看，这是继Prompt Engineering(提示词工程)、Context Engineering(上下文工程)与 Harness Engineering(驾驭工程/装备工程)之后又一个新术语；但如果把这些公开讨论串起来看，它更像是行业对 Agent 产品形态的一次重新定义。
从Prompt到Loop，AI应用有了新活法
过去两年，人与AI协作的方式是“回合制”的。无论是聊天机器人(Chatbot)、Copilot，还是各类AI的主流产品形态，你敲一句提示词，读AI的回复，再敲下一句。在这个阶段，提示词非常重要，因为用户需要通过语言尽可能精确地告诉模型做什么、按什么格式做、做错了怎么改。
但当行业开始推进 Agent，问题也随之暴露。真实世界任务并不是一次性生成就能完成的。无论是写代码、管理设备，还是执行营销投放，任务通常都包含多个连续环节：读取环境、拆解目标、调用工具、检查结果、纠正偏差、再次执行。
模型如果只具备“回答能力”，本质上仍是工具。所谓 Loop Engineering，就是围绕真实世界的工作流展开。它仿真人类完成目标的过程，构建“观察—思考—行动—反馈—再观察”的循环。注意，是目标，不是单次线性任务，让 Agent 在目标约束下不断推进，直到任务完成或达到可交付状态。
提示词也没死，它只是从人手里钻进了循环里。用Claude Code 产品负责人 Boris Cherny的话说，干活的最小单位变了——从敲一行代码，到写一句提示词，再到写一个循环。The New Stack给了一个更好懂的类比：这就像从「操作机床」，变成「设计机床所在的整条产线」。
从 Prompt Engineering 到 Loop Engineering，仅仅18个月，行业对 Agent 的理解不断变深，这就是AI时代的速度。
不过，Loop Engineering的概念也并非全新。2023年AutoGPT就尝试过让AI自己跑循环，但因缺乏验证和边界控制而失败了。
只是到2026年6月，三个条件同时成熟了：工具调用从“一碰就碎”进化到标准化的MCP协议；长上下文从记不住到百万token稳定输出；自我验证从自说自话到写查分离的工程机制。
模型本身没有指数级飞跃，但围绕模型的工程基础设施，补齐了。这也重新定义了AI应用的新范式：只有具备持续感知、持续行动、持续修正能力，才有可能成为真正的 Agent。
编程先跑通，AI营销公司开始接力？
这一应用变化首先体现在编程场景。近期海外一些新型 AI 编程产品，已经不再满足于“生成代码”，而是把“运行、测试、修复、重试”纳入同一个工作链路。Fly.io 推出的 Phoenix.new，就是典型案例。它不仅让 Agent 写代码，还允许其在隔离环境中运行程序、查看日志、用浏览器测试前端交互，并根据反馈反复修正。
这种闭环执行系统试图解决的是任务完成问题。一旦成立，则更容易形成更高的客户粘性、更深的数据沉淀，以及更强的业务绑定能力。
这种变化对资本市场也有直接含义。招商证券在6月发布研报称，Agent和基座大模型的技术迭代齐头并进，正共同推动全球AI产业商业化提速，同时，信息技术商业模式正从按席位收费转向按任务量、结果收费。
值得一提的是，招商证券特别提到了Multi-Agent的产品形态，研报指出，未来Multi-Agent分工协作将指向Agentic AI基础设施的搭建，Agent成为AI-native数字组织的具体执行单元。
今年2月，港交所也迎来了冲击“Multi-Agent第一股”的一家广州AI营销科技公司——钛动科技，引发了Agent在营销场景落地的市场关注。在钛动科技看来，营销之所以适合 Agent 落地，关键在于它同时具备“高复杂度”和“强结果导向”两种特征。
钛动科技技术VP陈德品此前在火山引擎 Force 大会上提到，营销一端连接创意、内容、用户洞察等高度发散的需求，另一端又以转化率、ROI 等清晰指标检验结果。也正因此，营销成为少数既需要复杂智能、又能快速验证效果的业务场景。
据了解，钛动科技的营销多智能体 Navos，产品逻辑与这一方向存在较高一致性。其思路并非停留在对话入口，而是由入口识别意图后，调起持续循环的 Agent，围绕任务目标进行多轮执行，直到完成交付。从市场洞察、创意生成，到广告优化、数据归因，其目标不是提升单点能力，而是打通完整执行链路。
而一旦 Agent 具备 Loop 能力，客户可以第一次拥有一个能够围绕增长目标持续运转、不断修正、最终交付结果的系统。这种系统不是替代某个环节，而是在更大程度上重构营销执行链条。
支撑这套Loop运转的，是钛动自研的“钛极”专业大模型。据公开资料，“钛极”问答推理模型在SuperCLUE-Mkt广告营销专业大模型测评中综合能力位列全球第一，市场洞察与文字创意生产达到SOTA水平。2025年，钛动科技已服务超10万家广告主，业务覆盖全球200多个国家和地区。
也正因如此，Loop Engineering 对 AI 营销服务商的意义，可能比对通用问答和生成式产品更大。
如果这一产品逻辑能够跑通，它所对应的就不是传统意义上的“AI 工具”估值，而更接近“AI 执行系统平台”估值。市场更愿意给予高溢价的，通常不是“某个功能更强”的工具公司，而是 Applovin、Shopify、Snowflake 这类能够嵌入流程、沉淀数据并持续交付结果的系统型平台。
拼“结果”时代，市场将为“AI交付”重新定价
过去一段时间，AI 公司的估值逻辑很大程度上建立在两类故事上：一类是模型能力提升，一类是应用层流量扩张。但随着模型能力逐步趋同，仅靠“生成效果更好”或将越来越难支撑持续溢价。资本开始更关注另一件事：AI 是否真正进入业务流程，是否能从“辅助”升级为“执行”，是否能直接对结果负责。
从这个角度看，Loop 的价值在于，它把 Agent 的商业化方向进一步推向可被量化、可被审视的“结果交付”。
对资本市场来说，这类公司更值得关注的指标，将不再只是用户数、调用量或生成次数，而是闭环是否真正成立：任务完成率如何，执行链路是否稳定，是否能够持续优化 ROI，是否形成了跨环节的数据反馈机制，以及是否拥有可复用的行业知识资产。
当然，这一轮 Loop 热潮也存在被过度包装的风险。并不是所有带有多步骤流程的产品都称得上“闭环执行”，更不是所有 Agent 都已经具备稳定、自主、低成本地完成复杂任务的能力。今天不少产品展示的，仍然是“自动化工作流”而非真正意义上的“自主执行系统”。从概念热度走向产业兑现，中间依然有明显距离。
但趋势已经较为清晰：提示词工程定义了上一阶段的人机交互方式，那么 Loop Engineering 可能正在定义下一阶段的 Agent 产品标准。
它背后的核心变化只有一句话：用户不满足于 AI 只给出一个答案，而开始要求 AI 交付一个结果。
从这个意义上看，Loop 的走红，不只是技术社区的一次内部升级，也可能是 AI 应用公司估值逻辑切换的前奏。尤其对于那些已经从单点工具转向闭环执行链路的AI营销科技企业来说，市场或许需要给出新的观察框架。
首页
微信公众号
证券之星APP
