戴明环与 Loop Engineering 封面
戴明环与 Loop Engineering 封面
本文部分内容来自：https://x.com/Mahaximus_/article/2085024744387092973 的读后感和笔记；再结合我最近了解到的戴明循环理论，建立 loop engineering 的结构性理解和记忆体系。随着大模型的愈发强大，这一理论也把 Agent 协作的重心从前馈 Feedforward 阶段推到了后馈 feedback 阶段。

并非所有场景都需要从第一天起就引入完全自主的 Agent。理解 Agent 进化的层级划分才更具实操价值——哪怕只是底层的进阶，往往也已经超越了多数人的常规用法。

第 1 级：纯对话 (Chat)

你提问，模型回答，会话即告终止。没有外部工具、没有持久化记忆，也没有持续性的目标。在这里，人类是驱动引擎，而 AI 只是你手中的一把高级扳手。

第 2 级：工具增强 (Copilot with Tools)

当大模型在输出前，主动搜索网络、读取本地文件或运行代码来校验自己的逻辑时，它已经初步展现了 Agent 的特质。你无需硬编码它的每一步——是它自主判断需要借助外部工具来补全上下文。

第 3 级：多步工作流 (Multi-step Workflow)

你只需下达一个核心目标，Agent 会自动将其拆解为执行链路，逐一执行、自我校验结果，最终交付成品。在这个流转过程中，节点之间不再需要人类进行微操。

第 4 级：完全自主 (Fully Autonomous)

Agent 作为一个常驻后台的 Runtime，根据定时任务或事件触发器运行。它持续监听输入，调度外部服务，在完全脱离人类干预的情况下死磕复杂任务。你只需定义一次“什么是成功”，剩下的就是验收结果。

从第 1 级到第 4 级的跃升，本质上并非底层模型参数量的质变，而是模型外围架构的重塑：工具 (Tools)、记忆 (Memory) 与循环 (Loops)。当你把这些组件一层层包裹在模型外围时，你就完成了层级的跃迁。

而在这三大外围组件中，循环 (Loops) 的引入是促成 Agent 发生化学反应的核心。

当我们谈论 AI Coding 领域的 “Loop Engineering”（循环工程）时，很多人觉得这是一个前沿的黑盒概念。但如果剥离掉华丽的技术名词，去审视它的底层心智模型，你会发现这套逻辑极其经典——它本质上就是一个被高度自动化压缩的戴明环（PDCA）。

戴明循环 PDCA

威廉·爱德华兹·戴明（W. Edwards Deming）是现代质量管理（尤其是全面质量管理 TQM）的先驱，而“戴明环”也就是著名的 PDCA 循环，是他在企业管理和质量控制领域推广的最核心的方法论。

戴明是一位美国统计学家、管理学教授和咨询顾问。他的高光时刻发生在二战后的日本。1950年代，他受邀前往日本向企业界传授统计过程控制（SPC）和质量管理理念。他的思想直接推动了日本制造业的崛起（包括丰田生产方式的成型），帮助“日本制造”从廉价劣质的代名词转变为世界级质量的标杆。戴明的核心理念是：系统和管理应对 85% 的质量问题负责，而不是基层员工。

PDCA 理论 (戴明环)

PDCA 是一种用于持续改进业务流程和产品的迭代管理模型。它将管理过程分为四个不断循环的步骤：

  • P (Plan) 计划： 明确目标并制定计划。这包括发现现状中的问题、分析根本原因、制定改进措施，以及设定衡量成功的标准。
  • D (Do) 执行： 按照 P 阶段制定的计划去实施。通常建议先在小范围内进行测试，以控制试错成本。
  • C (Check) 检查： 收集执行阶段的数据，将实际结果与计划中的预期目标进行对比分析。确认哪些措施有效，哪些偏离了目标。
  • A (Act) 处理： 根据检查的结果采取行动。如果方法有效，就将其标准化、流程化，推广到全公司；如果方法无效，就总结教训，将未解决的问题带入下一个循环。
PDCA 戴明循环示意图
PDCA 戴明循环示意图

整个过程就像一个滚动的车轮，每完成一次循环，质量或管理水平就提升一个台阶，随后在新的水平上再次启动新的 PDCA。

起源与演进：从 PDCA 到 PDSA

PDCA 的雏形最早由戴明的导师——贝尔实验室的统计学家沃尔特·休哈特（Walter A. Shewhart）提出。戴明将其发扬光大并推向全球，因此世人习惯称其为“戴明环”。
在晚年，戴明对这个理论进行了修正，将 PDCA 改为了 PDSA (Plan-Do-Study-Act)。他认为原来的 "Check"（检查）一词容易让人误以为只是简单的“核对”或“事后检验”，而他更强调 "Study"（研究），即深入分析数据背后的逻辑，理解系统变化的根本原因。不过，由于 PDCA 已经高度普及，至今各行各业最常使用的术语依然是 PDCA。

Loop Engineering

在构建现代 Agent Runtime 时，经典的 PDCA 哲学直接映射为具体的代码逻辑与执行流，这正是 Loop Engineering（循环工程）的核心。大模型不再是单一的问答工具，而是被封装在一个带有隔离执行环境和自动化评测机制的闭环中。

提示词的终点是模型生成完毕，而循环的终点是任务真正达标。

循环的核心解构：一个具备工业级可靠性的 Agent 循环，严格遵循五个运转周期：

  1. PLAN（计划）： 解析任务的真实需求，拆解步骤。
  2. EXECUTE（执行）： 调度工具（如底层终端或 Claude Code 等工具链）实际执行。
  3. CHECK（检查）： 将产出与硬性目标进行比对。
  4. ITERATE（迭代）： 如果未通过，定位最薄弱的环节并修正。
  5. STOP（终止）： 达标或触及硬性限制时停止。
Loop Engineering 执行循环示意图
Loop Engineering 执行循环示意图

在这个运转链条中，决定一个循环是真正有效还是在原地空转的核心在于 CHECK 和 STOP。

  • 真正的 CHECK（自动化评测）： 必须是客观且可能失败的测试，例如单元测试通过率、Linter 报错检查、或是必须超过的阈值分数。依靠模型主观感觉的“软性检查”毫无意义，只会让它自行宣布完成。
  • 硬性 STOP 条件： 防止模型在无法解决的代码 bug 或逻辑死结中无限重试。“尝试 8 次后报错退出”是保护系统资源和控制 API 成本的必要防线。

feedforward + Feedback（前馈 + 反馈）

在 AI Agent 场景中也常被称为：Harness Engineering：Guides + Sensors（引导器 + 传感器）。

它与 PDCA 几乎可以严丝合缝地组合起来：

plain text
目标
 ↓
Feedforward 前馈引导
（提示词、规则、Skill、案例、验收标准）
 ↓
PLAN  制订计划
 ↓
DO    调用工具并执行
 ↓
CHECK 通过 Sensors 检查
（测试、搜索核验、日志、评分器、人工审核）
 ↓
ACT   Reflection / 修正 / 总结经验
 ↓
把经验写回提示词、记忆或规则
 ↺ 进入下一轮
随着大模型的推理能力越来越强，更多的关注也倾斜到了反馈 feedback 阶段，这也解释了近期 Claude Code 为什么删除了将近 70% 的系统提示词：
通过反馈、验收标准的限定，让大模型自行推理出各种可达目标的解决方案；避免人为的设计过多前馈 (Feedforward)，因为人的知识量和推理能力远没有 Agent 强大；模型强大后，人为的前馈 (Feedforward) 提示词反而是一种对模型的限制。

在 Harness Engineering 的表述中：

  • Guides（前馈控制）：AGENTS.md、系统提示词、Skills、规范、参考资料、验收条件。
  • Sensors（反馈控制）：测试、lint、日志、浏览器截图、代码审查 Agent、人工审核。

这套 Guides + Sensors 的 Agent Harness 心智模型，目前有非常明确的系统化论述：Harness engineering for coding agent users。

另外两个容易混淆的名称是：

  • ReAct：Reason + Act，即“思考—行动—观察—再思考”，重点是边推理边调用工具。ReAct 论文
  • Reflexion：执行失败后，把反馈转化成文字反思并写入记忆，改善下一轮执行。Reflexion 论文

所以结合起来的流程就是：

Agent 自我改进环：Feedforward → Plan → Act → Verify → Reflect → Feedback

中文：

先约束、再计划、去执行、做检查、会反思、再进化

其中，PDCA 是循环骨架，ReAct 是执行机制，Reflexion 是学习机制，Harness 的 Guides 和 Sensors 是让循环可靠运行的保障。整体对应关系：

PDCAAgent 中的说法具体内容
PlanPlanning / Reasoning拆解任务、选择模型和工具
DoActing / Execution调用工具、生成内容、发布或写代码
CheckVerification / Evaluation测试、核验、Critic、LLM-as-Judge
ActReflection / Revision反思错误、修改结果、沉淀经验
循环开始前Feedforward / Guides提示词、Skill、规则、示例、验收标准
执行之后Feedback / Sensors测试结果、数据指标、日志、用户反馈

上下文衰减与记忆快照

循环运行最大的技术阻力是上下文窗口的衰减。当 Agent 在复杂任务中持续运行过久，最初设定的目标、约束条件以及早期的架构决策（如 ADR）就会悄无声息地被挤出记忆。

解决这种状态丢失的最有效方法是强制 Agent 周期性地生成状态快照(Checkpoint)。在任务执行中途或上下文即将超载时，注入以下指令：

plain text
The conversation is getting long. Compress what matters into a summary:
1. The original goal
2. What has been done and what was found
3. Key decisions made
4. What still needs to happen

After writing the summary, continue from there. Treat it as the new starting point.

这种机制确保了即使会话重启或被中断，Agent 也能通过读取最新的 Checkpoint 迅速恢复上下文，而无需重复此前的试错过程。

单提示词构建自我校验循环

在引入复杂的调度器或独立服务器之前，最快验证 Loop Engineering 的方式是通过单条系统提示词构建一个自我校验循环。以下模板强制模型在单次运行中完成完整的 PDCA 周期：

plain text
持续循环执行，直到产出满足以下每一项标准。切勿提前终止。

GOAL:
[精确描述你期望的最终产出]

CRITERIA — 必须具体，拒绝软性标准:
- [可衡量的合格标准 1]
- [可衡量的合格标准 2]
- [可衡量的合格标准 3]

EACH PASS:
1. DRAFT - 生成或改进产出
2. SCORE - 针对每项标准给出 1–10 的苛刻评分
3. GAPS - 明确列出当前最薄弱的环节
4. CALL - 如果所有评分均达到 8 分或以上，输出 DONE 并停止。
          如果没有，输出 NEXT PASS 并优先修复得分最低的部分。

RULES:
- 在所有标准达到 8 分之前，绝不能宣布完成。
- 每轮迭代必须集中修复上一轮得分最低的问题。
- 遇到信息缺失时，做出合理假设并记录，继续执行。

生产环境的成本核算

循环极其昂贵。在 ReAct 机制下，每一次迭代都会将目标、上一次的失败代码、评分结果和错误堆栈重新打包发送。一个运行 10 次的循环消耗的不是 10 条基础 prompt 的费用，而是 10 次呈指数级膨胀的 token 上下文。

评估一个循环是否具备投产价值，核心指标不是总 Token 消耗量，而是有效产出保留率。如果一个循环运行 10 次，最终因为无法收敛而废弃了 6 次的结果，意味着系统支付了 10 次的高昂成本，仅获得了 4 次可用产出。保留率低于 50% 的自动化循环，其工程成本已经超过了人工介入调试的成本。

结尾

最近偶然看到戴明环理论，才发现 Loop Engineering 早就有相应的工业级标准法则了；结合戴明环理论，就能完全解构和理解 Loop Engineering 的底层心智模型。

如果文章能帮到你理解 Loop Engineering，将是我的荣幸；关注我，持续解构更多的 AI 实践方法论。

原文：戴明环与 Loop Engineering · 作者：MateMatt（@mate_mattt）· 首发：2026-08-30