写在前面：本文改写自 AI 研究者 @0xCodila 于 2026 年 7 月 1 日发布的长文《Loop Engineering: The Karpathy Method》，原文一周内近 83 万阅读。傻狗频道在原文基础上补充了背景知识、人物介绍和延伸解读。
你可能还停留在 2005 年的用法
先问自己一个问题：你现在用 AI，是不是还是这个流程——打字、看它回答、再打字、再看？
作者说了一句很扎心的话：大多数人用 AI 的方式，和 2005 年用 Google 搜索没有本质区别。你敲一句话，它给一个结果，然后停在那儿等你下一次动手。AI 什么都不做，除非你去推它——你才是那台发动机，AI 只是你每回合拿起来、又放下去的一把扳手。
这套用法两年前还够用。现在不够用了。
真正从 AI 身上多榨出十倍产出的那批人，靠的不是更会写提示词，也不是拿到了什么内部模型。他们在做一件事：搭循环（building loops）。而把这个概念砸进所有人视野的，是 Andrej Karpathy。
顺带介绍一下这位人物，很多不做技术的读者可能没听过：Karpathy 是 OpenAI 的创始团队成员之一，后来做过特斯拉的 AI 总监（自动驾驶那套神经网络很多是他手上跑出来的），离开特斯拉后又回过 OpenAI，现在自己开了一家叫 Eureka Labs 的公司做 AI 教育。他不是那种炒概念的博主，他的每一次公开发声，硅谷都会认真当回事——这也是为什么这次他随手扔出来的一个 GitHub 仓库，能在一个月内被点了 6.6 万颗星。有个好玩的冷知识：现在到处都在说的「vibe coding（氛围编程，靠感觉跟 AI 你来我往地写代码）」这个词，也是他在 2025 年一条推文里造出来的。这次的「循环工程」，某种程度上是他给自己造的这个词写的续集——上一次是教大家怎么跟 AI 对话写代码，这一次是教大家怎么干脆不对话，让 AI 自己闭环把代码写完。
这套「让 AI 自己循环干活」的想法其实并不新鲜。2023 年那波 AutoGPT、BabyAGI 也喊过一模一样的口号，当时同样火了一阵，最后大多不了了之——核心原因是那时候的模型不够强，缺乏可靠的验证机制，代理很容易在没人看着的情况下跑偏、卡死或者自娱自乐地空转。Karpathy 这次能做成，本质上不是想法变了，是两个前提条件终于成熟了：模型本身靠谱到能被信任无人值守地跑，加上一个足够硬的客观验证指标（模型训练损失能不能真的往下走）。同一个想法，两年前是噱头，现在是生产力。
这篇文章要讲清楚四件事：什么是循环、Karpathy 是怎么用的、有没有比他更猛的做法（有，而且效果是 5 倍）、普通人怎么现在就上手试一次。
第一部分：先搞懂「循环」到底是什么
一句指令（prompt）是什么？你问一句，它答一句，下一步怎么走由你决定。
而循环（loop）是给 AI 定一个目标，让它自己朝这个目标反复干，直到干成——你不用坐在电脑前每一步都盯着。AI 自己发现要做什么、自己规划怎么做、自己动手、自己检查结果，如果还没达标，就把结果喂回去，再来一轮。你只需要把「目的」定义一次，剩下的交给循环自己跑。
作者拆出了三个决定循环成不成立的关键部件，这三个我觉得是全文最该记住的东西：
第一，验证者（verifier）。没有一个真实的检验标准，你搭的根本不是循环，是一个 AI 在自己跟自己反复点头。这个检验可以是一个能跑通或跑不通的测试、一个能涨能跌的指标、一次能编译能崩溃的构建。没有这道闸门，等于让代理自己给自己的作业打分——分数当然永远是满分。
第二，状态（state）。循环能不能「学习」，取决于每一轮它是不是知道自己上一轮试过什么。没这个机制，它会一遍一遍犯同一个错。解法很简单：留一个小文件，记下已经做完的、失败过的、接下来要做的。第二天接着跑的时候，是从上次的进度续上，而不是从零开始。
第三，停止条件（stop condition）。一个没有出口的循环，会一直跑到成功、跑到崩溃，或者跑到把你账户的钱烧光为止。任何一个能用的循环都得有两条退出路径：目标达成了，或者一条硬性规则说「试了 N 次还不行，就停下来跟我汇报」。
你到底需不需要搭一个循环？先做这个自测
大多数讲循环的文章，都是先把循环卖给你，然后才告诉你什么时候不该用它。作者给了一个四条自测清单，四条全部满足，循环才划算；漏一条，它花的成本就会比省下来的多：
作者说得很实在：循环工程是真的有用，但大多数人现在还不需要重型版本。如果你在用消费级套餐、token 有限，一个重型循环还没等你看到生产力提升，就先把你的速率限制或者钱包撞穿了。
第二部分：Karpathy 循环——他是怎么从「打字」变成「挂机」的
2026 年 3 月，Andrej Karpathy 放出了一个 GitHub 仓库，名字叫 AutoResearch。三个文件，大约 630 行代码。一个月不到，星标数破 6.6 万，《财富》杂志专门给它起了个名字：Karpathy 循环（The Karpathy Loop）。
这套东西的搭建方式简单到有点离谱：
代理就在这个框架里循环运转：读代码 → 提出一个改动 → 训练五分钟 → 检查结果有没有变好 → 好就提交，不好就回滚 → 再来一轮。你去睡觉，第二天醒来看到一份实验日志，运气好的话，还有一个更好的模型。人类从头到尾没碰过 train.py 这个文件——你写 program.md，剩下的全部交给代理执行。
跑出来的结果是什么？ Karpathy 把这套东西对准了一个他自己已经手动调了二十年经验的模型，让它跑了两天：
为什么人会漏掉？因为人做到第十二次实验就开始疲了。代理完全不会累。
Shopify 的 CEO Tobi Lütke 也拿这套方法在自己的内部模型上试了一整晚，第二天早上收获：19% 的质量提升，而且优化后的模型体积只有原来的一半——一个更小的模型打赢了更大的模型，因为代理是在为硬件做优化，而不是默认「越大越好」这个人类的思维惯性。
Karpathy 这次分享里最核心的一句话，我觉得值得所有做技术决策的人反复咀嚼：如果你手上有一个客观、可量化的指标，那跑实验的就不该是你自己。你才是那个瓶颈。把自己从循环里移出去，让它自己跑。
第三部分：搭一个循环，需要哪五块积木
不管你是在 Claude Code、Codex 还是自己写的 bash 脚本里搭循环，能跑起来的循环都是由五个部件拼出来的——而且 Claude Code 和 Codex 现在都已经把这五个部件配齐了。
自动化（Automation）——循环的心跳。按周期触发、按事件触发、按条件触发，总得有个东西按下启动键。Claude Code 里对应 「/loop」（按节奏跑）和「/goal」（跑到条件满足为止）；Codex 里是 Automations 面板。没有这颗心跳，你只是跑了一次脚本然后忘了它，那不叫循环。
技能（Skill）——把项目知识存下来，让代理不用每次都从零猜。你的代码规范、你的构建步骤、三个月前那次事故之后你就再也不做的那件事——写进一份 Markdown 文件，一次写好，每一轮都被读取。没有技能沉淀，循环每一轮都要重新推导整个项目背景；有了它，意图会像利息一样复利累积。
子代理（Sub-agents）——把「写的人」和「查的人」分开。写代码的那个模型给自己批改作业总会手松；换一个指令完全不同的第二代理来查，才能抓住第一个代理自己说服自己放过的东西。写的可以又快又便宜，查的可以又慢又严格——这个分离，撑起了循环质量的大半壁江山。
连接器（Connectors）——让循环能在你真实的工作环境里动手，读你的工单系统、开一个 PR、在 Slack 里提醒你、更新一张 Linear 卡片。这是「一个只会说『这是修复方案』的助手」和「一个真的把修复交上去、第二天早上告诉你一声的循环」之间的分界线。
验证者（Verifier）——闸门本身。测试、类型检查、构建，任何能自动判定「这活儿不行」的机制。其余四块都是管道，这一块才是让循环真实存在的东西——没有它，你只是在花钱让一个代理整晚自己跟自己点头。
第四部分：比 Karpathy 更猛的做法——循环之上再套一个循环
这里开始变得有意思了。2026 年 3 月，两位研究者在 arXiv 上发了一篇论文，叫《Bilevel Autoresearch: Meta-Autoresearching Itself》（双层自动研究：对自动研究本身进行元研究）。
他们盯着 Karpathy 那套循环问了一个很简单、但没几个人会去问的问题：如果「自动做研究」本身也是一种研究，那能不能让 AI 反过来对「自动做研究」这件事本身做研究？
他们在原来的循环外面又叠了一层：
结果有多夸张？ 在 Karpathy 那个 GPT 预训练基准测试上，双层结构比单层循环整整快了 5 倍（不是 5%，是 5 倍）。更值得注意的是：两层用的是同一个 LLM——不需要一个更聪明的模型来跑元层级，提升完全来自于架构本身，而不是原始智力的差距。
外层循环到底发现了什么？内层循环会反复陷进同样的搜索模式——LLM 对「该试哪些优化方向」这件事是有先验偏好的，即便这些偏好早就不再管用，它还是会习惯性地回到那几条老路上。外层循环做的事，就是打破这些惯性模式，逼着模型往它本能会回避的方向去探索。
论文结尾那句话我觉得值得所有做 AI 工程的人抄下来：如果自动研究可以对自身进行元研究，那么原则上，它可以对任何有可量化目标的东西进行元研究。
第五部分：不用任何工具，现在就能自己试一次
你不需要 Claude Code 或者 Codex 才能感受这套东西怎么运作。打开任意一个 AI 对话框，构造这样一段指令，就能看到效果：把你要产出的任务写清楚，定几条判定标准（越严格越好），然后让 AI 遵循一套「计划—执行—打分—决定」的固定动作反复跑：每一轮先说清楚下一步要做什么，然后动手产出或改进，接着按你定的标准逐条打分、诚实列出哪里还不够，最后判断——如果每一条都到了高分，就停下收工；只要有一条没达标，就继续下一轮，而且优先修最弱的那一项。你只需要交代一次目标和标准，然后不断催它「继续」，看着它自己把一版半成品磨成一个能打的成品。
这就是一个循环，你只用一段话就搭出来了。当然它还很原始——触发的还是你自己，没有排期，没有持久化的状态记录，关掉对话框它就彻底消失。但它已经把核心机制演示清楚了：从这个雏形走到一个完整的自主循环，中间要补的只是自动化触发、状态文件、和验证闸门这三样东西。
第六部分：诚实的部分——循环解决不了什么
循环改变的是「干活的方式」，不是把你从这件事里彻底删除。而且有两个问题，会随着循环越搭越顺手，变得更严重而不是更轻松：
理解负债（Comprehension debt）。循环跑得越顺、代码交付得越快，你仓库里「实际存在的东西」和你「真正理解的东西」之间的缺口就拉得越大。一个跑得很顺的循环，是在这个缺口上按复利计息——总有一天，团队里没人读过的系统需要有人去 debug，那一天付出的代价，会远超过之前省下的所有 token。
认知放弃（Cognitive surrender）。当循环能自己跑起来，人很容易就此停止形成自己的判断，对回来的结果照单全收。设计循环这件事，你带着判断力去做，它是解药；你为了逃避思考去做，它就是加速器。同一个动作，结果完全相反。
两个人可以搭出一模一样的循环，得到完全相反的结局。一个用它在自己深刻理解的领域里跑得更快，另一个用它彻底逃避理解这件事本身。循环分不清这两者的区别。分得清的，只有你自己。
写在最后
原文结尾那句话，我觉得比全文任何一个技术细节都更值得记住：Karpathy 不再亲手写代码了，Cherny（对，就是傻狗频道之前那篇文章里提到的、Claude Code 的创造者）不再一句一句敲提示词了，但他们俩都没有停止思考。
如果这篇文章你只带走一句话，带走这句：工具在往前跑，但省下来的脑力，从来都应该花在「想清楚要什么、判断结果对不对」这件事上，而不是干脆不想了。
延伸阅读
① Karpathy 那个引爆全网的 AutoResearch 仓库（github.com/karpathy/autoresearch）——三个文件，630 行代码，感兴趣的可以直接去看源码
② 《财富》杂志对这次事件的报道，就是「Karpathy 循环」这个名字的出处
③ 那篇让效果提升 5 倍的《Bilevel Autoresearch》论文原文（arXiv:2603.23420）
④ 原文作者 @0xCodila 的完整长文
原文：《Loop Engineering: The Karpathy Method - and the workflow that just made it 5x better》（@0xCodila，2026-07-01）