事件概述

2026年6月，OpenClaw创始人Peter Steinberger在ClawCon 2026澳门大会上正式提出"Loop Engineering"概念，标志着Agent工程范式进入第四代演进阶段。Steinberger断言："别再搞coding agent了，去设计能提示人的agent"，将Agent从被动执行工具重新定义为主动引导人类的智能循环系统。这一理念的背后，是OpenClaw以36.9万Star登顶GitHub软件项目榜首的技术实践积累，以及Steinberger本人于2026年2月加入OpenAI后对下一代Agent架构的深度思考。从Prompt Engineering到Context Engineering，从Harness Engineering到Loop Engineering，Agent工程在过去四年里完成了四次范式跃迁，而每一次跃迁都在重新定义人与AI的协作边界。

详细解读

四代范式演进：从优化提示词到设计智能循环

Agent工程的演进可以用一条清晰的代际脉络来概括。每一代并非完全取代前一代，而是在前一代的基础上叠加新的工程维度，形成一个不断扩大的能力同心圆。

**第一代Prompt Engineering（2023-2024）**是整个Agent工程的起点。彼时大语言模型刚刚展现出令人惊叹的生成能力，开发者们发现，通过精心构造的提示词可以显著改变模型输出质量。Chain-of-Thought、Few-shot Learning、Role Prompting等技术层出不穷，"Prompt工程师"一度成为最热门的AI岗位。但这一代的核心局限在于：所有智能都压缩在一段文本中，模型的上下文窗口是唯一的工程界面，开发者的全部创造力都在跟token预算做斗争。

**第二代Context Engineering（2024-2025）**标志着工程视角从"写好提示词"升级为"管理好上下文"。当GPT-4 Turbo、Claude 3等模型支持128K甚至200K的上下文窗口后，问题的核心不再是"怎么写提示词"，而是"什么信息应该在什么时候进入模型的视野"。RAG（检索增强生成）技术的爆发就是Context Engineering的典型产物——开发者开始构建向量数据库、设计检索策略、优化chunk切分，本质上是在做信息的工程化管理。Context Engineering的核心洞察是：智能不仅来自模型参数，还来自正确时机送达的正确信息。

**第三代Harness Engineering（2025-2026）**将工程焦点从信息管理转向工具链与框架构建。Agent不再是一个孤立的对话模型，而是一个可以通过MCP（Model Context Protocol）连接外部工具、调用API、操作数据库的系统。OpenClaw正是这一代的最典型代表——它将Agent的"躯干"标准化，提供Skills系统、Memory管理、Channel集成等完整的工程框架。Steinberger将这一代比作"给Agent装上骨骼和肌肉"，让Agent从"能想"进化到"能做"。腾讯云三位Maintainer参与OpenClaw核心开发，也从侧面印证了这一代范式对工程生态的深刻影响。

**第四代Loop Engineering（2026-2027）**是Steinberger在ClawCon 2026上正式提出的下一代范式。如果说前三代分别解决了"Agent说什么"（Prompt）、"Agent知道什么"（Context）、"Agent能做什么"（Harness），那么Loop Engineering要解决的核心问题是"Agent如何自主地持续思考和行动"。这是一个从被动响应到主动循环的根本性转变——Agent不再是等待人类输入的工具，而是一个能够自我观察、自我规划、自我纠错的智能循环体。

Steinberger的核心论断：反向Agent与智能循环

Steinberger在澳门大会上的演讲中最引人注目的不是技术细节，而是一个看似反直觉的论断："别再搞coding agent了，去设计能提示人的agent"（Stop building coding agents. Build agents that prompt humans.）。这句话乍听之下像是一个噱头，但如果放在四代范式演进的脉络中来理解，它实际上指向了一个深层的工程哲学转变。

传统的coding agent——无论是GitHub Copilot、Cursor还是Claude Code——其工作模式都是人类给出指令，Agent生成代码。人类是控制者，Agent是执行者。Steinberger认为这种模式的根本问题在于：它把人类 intelligence 的上限当作了系统的上限。人类的思维带宽是有限的，我们能想到的需求、能设计的架构、能发现的Bug，永远受制于我们自身的认知局限。

"能提示人的agent"则翻转了这个关系。Agent通过持续的观察和学习，主动发现人类可能忽略的问题、提出优化建议、指出潜在风险。这不是简单的"AI助手给你提个醒"，而是一种深度的智能共生关系——Agent的循环中包含了"何时以及如何向人类提供信息"的判断逻辑。Steinberger将这种Agent称为"反向Agent"（Reverse Agent），它的核心能力不是执行任务，而是触发人类的思考。

从技术实现的角度看，Loop Engineering的Agent架构包含三个核心循环：感知循环（Perception Loop）负责持续监控环境和上下文的变化；决策循环（Decision Loop）基于感知信息进行规划和优先级排序；行动循环（Action Loop）执行具体操作并向人类提供反馈或提示。三个循环不是简单的线性串联，而是彼此嵌套、动态调度的复杂网络。Steinberger预测，真正成熟的Loop Engineering系统可能要到2027年才会大规模出现，但基础架构的设计工作必须从现在开始。

OpenClaw的实践：36.9万Star背后的工程哲学

OpenClaw以36.9万Star登顶GitHub软件项目榜首，这个数字本身就说明了问题——它不仅仅是一个Agent框架，更是全球开发者对第三代Agent工程范式的集体投票。OpenClaw的成功可以归结为三个关键设计决策，而这些决策也为迈向Loop Engineering打下了工程基础。

首先，OpenClaw从第一天起就将Memory系统作为一等公民。在OpenClaw的架构中，Agent不仅拥有工作记忆（WORKING MEMORY），还拥有长期记忆（MEMORY.md）和周期性笔记（memory/YYYY-MM-DD.md）。这种多层记忆架构让Agent能够跨会话保持连续性，而这正是Loop Engineering中"持续观察和学习"能力的基础设施前提。没有记忆的Agent永远只能是单次对话的工具，有了记忆的Agent才有可能成为持续运作的智能循环体。

其次，OpenClaw的Skills系统为Agent提供了可组合的能力单元。每个Skill本质上是一个封装了专业知识和工作流程的模块——AI工程师、邮件处理、文档生成、浏览器自动化等等。Skills不仅定义了Agent"能做什么"，还定义了Agent"怎么思考特定领域的问题"。Steinberger认为，随着Loop Engineering的发展，Skills将从被动调用进化为主动推荐——Agent会根据当前情境自主判断应该启用哪些能力模块，甚至在必要时向人类建议学习新的Skill。

第三，OpenClaw的Channel系统让Agent能够通过微信、邮件、Slack、Discord等多种渠道与人交互。这意味着Agent不再被锁在一个对话窗口中，而是可以渗透到人类工作流的各个触点。对于Loop Engineering而言，多渠道能力至关重要——一个真正的智能循环体需要能够在合适的时机通过合适的方式触达人类，而不是被动等待人类打开某个特定的应用。

值得一提的是，腾讯云三位Maintainer深度参与OpenClaw开发，这既反映了OpenClaw的全球化社区生态，也体现了中国AI工程力量在开源Agent框架层面的深度参与。在ClawCon 2026澳门大会上，多位中国开发者的分享也印证了OpenClaw在亚太地区的快速增长。

行业影响

Loop Engineering概念的提出对整个AI Agent行业的影响将是深远的。它不仅仅是一个新的技术标签，更是对整个Agent开发方向的一次重新校准。

首先，它对当前的coding agent赛道构成了直接的反思信号。2025-2026年，coding agent成为AI领域最拥挤的赛道之一——Cursor、Windsurf、Claude Code、GitHub Copilot Workspace等产品竞争激烈，几乎每周都有新的coding agent产品发布。Steinberger的论断并非否定coding agent的价值，而是指出了一条更高阶的进化路径：当所有Agent都能写代码的时候，竞争的差异化将不再是"谁的Agent写得更快更好"，而是"谁的Agent更能理解什么时候该写代码、什么时候该让人类自己思考"。

其次，Loop Engineering将重新定义Agent的评价体系。当前Agent评测的主要维度是任务完成率和准确度——SWE-bench、HumanEval、MATH等benchmark本质上都在衡量"Agent能不能正确执行给定任务"。Loop Engineering引入的新维度是"Agent的判断质量"——它是否在合适的时机发起了正确类型的人类交互？它是否避免了不必要的打扰？它是否在关键决策节点提供了有价值的信息增量？这些维度的评测需要全新的benchmark体系，而Steinberger暗示OpenAI内部已经在构建相关的评测框架。

第三，Loop Engineering可能加速Agent在企业场景中的落地速度。当前企业对Agent的采纳主要停留在"单点工具"层面——一个客服Agent、一个代码审查Agent、一个数据分析Agent。Loop Engineering的愿景是构建"持续运行的智能同事"，这种定位更符合企业对AI的实际期待。一个能主动发现数据异常、主动提示安全风险、主动推荐架构优化的Agent，其商业价值远超一个被动等待指令的编程助手。

Steinberger于2026年2月加入OpenAI这一事实也值得关注。作为OpenClaw创始人，他在开源社区积累了丰富的Agent工程实践经验；加入OpenAI后，他正在将这些经验与OpenAI的前沿模型能力相结合。Steinberger在ClawCon 2026上的演讲某种程度上可以看作是他"站在两个世界之间"的思考——既有开源社区的务实工程经验，又有前沿模型实验室的技术前瞻视角。

对开发者的意义

对于一线AI开发者而言，Loop Engineering的提出意味着技能树需要新一轮的重排。以下是几个关键的能力转型方向：

从"提示词设计师"到"循环架构师"。Prompt Engineering时代培养的核心能力是文本优化——如何用最精炼的语言获得最佳输出。Loop Engineering需要的能力是系统设计——如何设计Agent的观察-思考-行动循环，如何设定循环的触发条件、终止条件和异常处理机制。这意味着开发者需要从"写好一段话"转向"设计一套规则"。

从"工具调用者"到"上下文管理者"。Harness Engineering时代的典型工作是编写MCP Server、定义Tool Schema、调试Function Calling链路。Loop Engineering在此基础上要求开发者具备更深层次的上下文管理能力——不仅要管理Agent当前知道什么，还要管理Agent"不知道自己不知道什么"，并设计机制让Agent在必要时主动获取缺失的信息。OpenClaw的Memory系统、Lossless Context Management（LCM）等机制就是这种能力的工程化实现，值得深入学习和借鉴。

从"单次任务执行"到"持续交互设计"。当前大多数Agent应用的工作模式是：用户输入→Agent处理→返回结果。Loop Engineering要求开发者设计持续运作的Agent——它需要能够处理长时间运行中的状态维护、优先级调度、资源管理和人类介入策略。这更接近传统软件工程中的系统设计能力，但又叠加了AI特有的不确定性管理。

关注开源生态，尤其是OpenClaw。OpenClaw作为Harness Engineering的代表项目，其架构中已经包含了Loop Engineering的许多基础设施——Memory系统、Skills框架、Channel集成、Subagent机制等。对于想要提前布局Loop Engineering能力的开发者来说，深入参与OpenClaw社区、研究其源码架构、贡献新的Skill，是最直接的实践路径。腾讯云三位Maintainer的参与也意味着中文社区的文档和支持会越来越完善。

重新评估AI安全边界。当Agent从被动执行转向主动循环，AI安全问题的复杂度将呈指数级上升。一个会主动"提示人"的Agent，如果其提示逻辑存在偏差，可能对人类决策产生微妙但深远的影响。开发者需要在设计Loop Engineering系统时，将安全对齐作为架构级需求而非事后补丁。Steinberger在演讲中也强调了这一点，并引用了Anthropic的RSP（Responsible Scaling Policy）作为参考框架。

总结

Agent工程的四代演进——从Prompt Engineering到Context Engineering，从Harness Engineering到Loop Engineering——本质上是AI从"工具"到"协作者"再到"智能伙伴"的三个台阶，而Steinberger提出的"去设计能提示人的agent"，可能正是迈向真正智能协作的最后一块拼图。

---

📌 作者说：如果这篇文章对你有帮助，欢迎点赞👍收藏📁关注🔔，你的支持是我持续创作的动力！ 💬 有问题欢迎在评论区讨论，我会一一回复。